En este proyecto se implementó una metodología que permitió el reconocimiento de alertas y posibles fallas de los equipos que el cliente maneja como compañía. De la data provista, se eligió al camión 7 para el desarrollo de las pruebas. Acorde se fue entendiendo la problemática a resolver, se acotó el problema a fallas de motor.
A continuación, se realizó la búsqueda de variables que estén fuertemente relacionados y con ayuda del cliente, se obtuvieron relaciones entre dichas variables que pueden preveer una posible falla. Luego, se procedió a calcular y visualizar las anomalías, así como también la búsqueda de comportamientos anómalos en dichas relaciones. Seguidamente, se desarrolló un modelo de clasificación de fallas con las variables y las anomalías detectadas. Finalmente, se interpretó y comparó los resultados obtenidos.
Amazon SageMaker es el servicio de Machine Learning de AWS, donde el usuario podrá implementar soluciones, que le permitan integrar los servicios de AWS necesarios para su desarrollo y potencial aplicación en su empresa. AWS utiliza una metodología llamada inference pipeline para desplegar e integrar su modelo con los otros servicios. Este concepto permite garantizar capacidad de procesamiento, disponibilidad de infraestructura y seguridad de los datos. Para la implementación del inference pipeline, es necesario la utilización de containers, dichos containers empaquetan el algoritmo a utilizar y están optimizados para ser escalables. Puede utilizar los containers pre-build de AWS o según sea conveniente, crear su propio container con su algoritmo correspondiente.