Bir liman işletmecisi, büyük vinçlerden (dönme hızı, gerilim, enerji, titreşim, basınç, sıcaklık) gerçek zamanlı sensör verileri toplar ve tahmine dayalı bakım için ML uygulamak ister. Hangi bulgular, ML tabanlı bir tahmine dayalı bakım çözümünün uygun olduğunu gösterir? (İki tane seçin.)

ML tabanlı tahmine dayalı bakım çözümleri, yeterli ve kaliteli geçmiş veriye ihtiyaç duyar. "Sensör verileri son 3 yıldır yüksek ayrıntı düzeyinde mevcuttur" seçeneği, modelin eğitilmesi için gerekli olan zengin ve uzun süreli veri setinin varlığını gösterir. "Geçmiş kayıtlar, şirketin tahmin etmeyi amaçladığı en yaygın vinç arızası türlerini içerir" seçeneği ise, modelin öğrenmesi gereken hedef olayların (arızaların) geçmiş verilerde bulunduğunu belirtir, bu da modelin pratik bir amaca hizmet etmesini sağlar. Diğer seçenekler ise ML çözümünün uygun olmadığını gösteren faktörlerdir: "Geçmiş sensör günlüklerinde belirli dönemlerde birçok veri noktası ve öznitelik eksiktir" seçeneği, veri kalitesinde ciddi sorunlara işaret eder. "Geçmiş veriler, basit eşik kurallarının arızaları zaten güvenilir bir şekilde tahmin ettiğini göstermektedir" seçeneği, ML yerine daha basit bir çözümün yeterli olduğunu gösterir. "Geçmiş veriler, yalnızca tek bir vinç modeli için arıza örnekleri içeriyor ve çalışmakta olan diğer vinç tiplerinin çoğu için arıza örnekleri eksik" seçeneği, modelin genellenebilirliği için yeterli veri çeşitliliğinin olmadığını belirtir.