Bir otomobil motoru üreticisi, araçlar sürülürken zaman damgalı sensör verilerini (motor sıcaklığı, devir, vb.) toplar. Şirket, sürücülere önceden bildirimde bulunulabilmesi için yaklaşan motor arızalarını tahmin etmek istiyor. Veri gölü, eğitim için geçmiş sensör akışlarını tutar. Üretimde dağıtmak için EN uygun tahmine dayalı modelleme yaklaşımı hangisidir?

Doğru cevap, zaman damgalı sensör verileri ve gelecekteki motor arızaları arasındaki sıralı ilişkileri öğrenmek için tasarlanmış bir model olan recurrent neural network (RNN) kullanmayı içerir. RNN'ler, zaman serisi verilerinde bağımlılıkları yakalamada etkilidir ve bu da onları tahmine dayalı bakım senaryoları için ideal kılar. Denetimli bir veri kümesi oluşturmak, modelin arızaları doğru bir şekilde tahmin etmesi için geçmiş verileri etiketlemeyi gereklidir. K-means kümelemesi, etiketlenmemiş verilerdeki kalıpları keşfetmek için denetimsiz bir öğrenme yöntemidir, ancak belirli bir arıza tahmin görevi için doğrudan bir tahmin sağlamaz. Convolutional neural network'ler (CNN'ler) görüntü işleme için mükemmeldir ancak zaman serisi verilerindeki sıralı bağımlılıkları yakalamada RNN'ler kadar etkili değildir. Sequence-to-sequence modelleri çeviri gibi görevler için uygundur, ancak doğrudan bir arıza tahmin modeli olarak RNN'ler kadar spesifik veya verimli değildir.