Proposta de manutenção preditiva bayesiana para trens de pouso
Visão geral
Sobre o que é este desafio
Você compara métodos bayesianos para estimar vida útil de atuadores e propõe uma regra de decisão operacional. Recebe um certificado verificável.
O cenário
Uma fornecedora aeroespacial de médio porte em São José dos Campos, SP, revisa conjuntos de trem de pouso para operadores regionais e hoje troca atuadores hidráulicos por calendário fixo de horas de voo. A diretoria de engenharia quer substituir esse calendário por decisões baseadas em risco, mas o setor é auditado e exige que toda recomendação venha acompanhada de uma medida explícita de incerteza.
O Brief
O que você vai fazer e o que vai demonstrar.
Como desenhar um sistema de aprendizado bayesiano que estime a vida útil restante de atuadores hidráulicos com incerteza calibrada e auditável, usando apenas os dados de inspeção já coletados hoje?
Earning criteria — what you'll demonstrate
- Aplicar aprendizado bayesiano (escolha de distribuições a priori, verossimilhança e método de inferência aproximada) a um problema de degradação com dados ruidosos e escassos
- Selecionar e justificar funções de núcleo em regressão por processo gaussiano, ligando a escolha do núcleo a suposições físicas sobre o desgaste do componente
- Diferenciar incerteza que vem da falta de dados (epistêmica) de incerteza que vem do ruído do processo (aleatória) e mostrar por que a distinção muda a decisão de manutenção
- Avaliar o custo computacional de métodos bayesianos exatos e aproximados e escolher em função de uma restrição real de infraestrutura
- Comunicar suposições e limites de um modelo probabilístico para uma plateia técnica não estatística sujeita a auditoria
Adequação ao Programa
Onde isso se encaixa no seu programa.
Aperfeiçoa as mesmas habilidades que seu curso espera que você demonstre.
Conteúdo alinhado em breve.
Habilidades
Habilidades que você vai demonstrar.
Cada um aparece no seu certificado verificado.
- Bayesian Inference
Apply bayesian inference to solve real industry problems and demonstrate production-level capability.
- Uncertainty Quantification
Apply uncertainty quantification 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.
- Analytical Reasoning
Apply analytical reasoning to solve real industry problems and demonstrate production-level capability.
- Assumption Analysis
Apply assumption analysis to solve real industry problems and demonstrate production-level capability.
- Ai Native Architecture
Apply ai native architecture to solve real industry problems and demonstrate production-level capability.
Carreiras
Cargos para os quais este desafio te prepara.
Títulos reais. Pontes reais de habilidades. Escolha o mais próximo da sua trajetória.
Trilhas de carreira que este desafio desenvolve
Funções canônicasEngenheiro de Machine Learning
Você exercita o que mais aparece no dia a dia da função: transformar uma necessidade de negócio em especificação de modelo, escolher método sob restrição real de infraestrutura e escrever um plano de validação que possa reprovar o próprio trabalho antes da produção.
Este desafio aprimora
- bayesian-inference
- uncertainty-quantification
- ai-native-architecture
Pesquisador de ML
A comparação justificada entre duas famílias de método bayesiano, com discussão explícita de suposições e de quando elas quebram, é exatamente o tipo de argumentação que sustenta a leitura crítica de literatura e a defesa de escolhas metodológicas em pesquisa aplicada.
Este desafio aprimora
- bayesian-inference
- assumption-analysis
- analytical-reasoning
Cientista de Dados de IoT
Trabalhar com dados de inspeção de equipamento físico, ruído de medição e detecção de degradação é o núcleo da função em contextos industriais, incluindo a decisão de não pedir sensores novos e extrair sinal do que já existe.
Este desafio aprimora
- anomaly-detection
- uncertainty-quantification
- analytical-reasoning
Só mais uma coisa