Politique de maintenance prédictive sous observabilité partielle
Aperçu
En quoi consiste ce défi.
Implémentez un POMDP avec filtre de croyance et politique QMDP pour la maintenance minière, validez par rétro-test et obtenez votre certificat vérifiable.
Le scénario
Le site gère plusieurs kilomètres de convoyeurs répartis sur trois zones d'extraction, chacune équipée de capteurs relevant des mesures toutes les quinze minutes.
Le brief
Ce que vous ferez, et ce que vous démontrerez.
Comment décider s'il faut continuer, inspecter ou arrêter un équipement pour maintenance lorsque son état réel d'usure n'est jamais directement observable, seulement estimé à partir de capteurs bruités ?
Earning criteria — what you'll demonstrate
- Distinguer un MDP entièrement observable d'un POMDP et justifier quand ce dernier est nécessaire
- Construire un modèle de croyance (belief state) et sa mise à jour bayésienne à partir d'observations bruitées
- Implémenter une politique approximée pour un POMDP à espace d'états discret
- Évaluer une politique de planification sous incertitude sur des données réalistes de capteurs
Adéquation au programme
Où cela s'inscrit dans votre cursus.
Renforce les mêmes compétences que celles attendues par votre diplôme.
Cursus associés bientôt disponibles.
Compétences
Les compétences que vous démontrerez.
Chacune apparaît sur votre certificat vérifié.
- Pomdp Modeling
Apply pomdp modeling to solve real industry problems and demonstrate production-level capability.
- Dynamic Programming
Apply dynamic programming to solve real industry problems and demonstrate production-level capability.
- Anomaly Detection
Apply anomaly detection to solve real industry problems and demonstrate production-level capability.
- Ai Augmented Decision Making
Apply ai augmented decision making to solve real industry problems and demonstrate production-level capability.
- Bayesian Belief Updating
Apply bayesian belief updating to solve real industry problems and demonstrate production-level capability.
Débouchés
Les métiers auxquels ce défi vous prépare.
De vrais intitulés. De vraies passerelles de compétences. Choisissez celui qui se rapproche le plus de votre trajectoire.
Les parcours de carrière que ce défi construit
Métiers de référenceMachine Learning Engineer
Implémenter un filtre de croyance bayésien et une politique POMDP approximée constitue une préparation directe à la conception de systèmes de décision sous incertitude en production.
Ce défi renforce
- pomdp-modeling
- bayesian-belief-updating
- dynamic-programming
Data Scientist
Le traitement de séries de capteurs bruitées pour détecter des dérives d'usure et informer une décision recoupe directement les compétences attendues d'un poste de science des données industrielle.
Ce défi renforce
- anomaly-detection
- ai-augmented-decision-making
- bayesian-belief-updating
IoT Data Scientist
La modélisation d'un flux continu de mesures capteurs pour piloter une décision de maintenance est une compétence centrale des postes orientés Internet des Objets (IoT) industriel.
Ce défi renforce
- anomaly-detection
- pomdp-modeling
- dynamic-programming