O objetivo deste projeto é construir um sistema de auxílio à manutenção preditiva, utilizando técnicas de aprendizado de máquina e inteligência artificial. Ao longo do projeto, será projetado e implementado um sistema para realizar a carga dos dados do parceiro, a construção, treinamento e deploy do modelo de inteligência artificial. Além disso, também será construido uma interface que possibilite que os usuários do sistema possam consultar e alimentar o modelo utilizado, além de realizar a visualização dos dados com um Dashboard.
EXEMPLOS DE APLICAÇÃO:
- Sistema de manutenção preditiva em hospitais: Máquinas como ressonância magnética e tomógrafos são essenciais para tratar pacientes, a manutenção preditiva usa dados e sensores para detectar desgaste e programar manutenção, evitando falhas inesperadas. Isso economiza recursos e prolonga a vida útil dos equipamentos médicos;
- Sistemas de manutenção preditiva de máquinas de cartão: A manutenção preditiva para dispositivos de pagamento, como máquinas de cartão (“maquininha” ou PDQ), usa sensores e algoritmos de aprendizado de máquina para detectar sinais de desgaste e prever quando a manutenção é necessária;
- Sistema de manutenção preditiva para máquinas produtivas: A manutenção preditiva em equipamentos industriais ajuda a reduzir custos e evitar falhas em equipamentos, analisando dados de sensores e usando algoritmos de aprendizado de máquina para prever quando a manutenção é necessária.
RECURSOS DE INFRAESTRUTURA OBRIGATÓRIOS:
- Linguagens de programação e tecnologias para a aplicação de machine learning, frontend, backend e deploy em nuvem: C, C++, Python, JavaScript, HTML, CSS e outras que forem relevantes para a aplicação desenvolvida;
- Acesso à plataforma de nuvem com funcionalidade para pipelines de engenharia de dados e machine learning;
- Sistema de controle de versão: Git com distribuição e colaboração na plataforma Github;
- A prova de conceito deve, necessariamente, possuir um backend, frontend e contar com um pipeline de engenharia de dados com aplicação de machine learning;
- Frameworks, bibliotecas e/ou software para implementação de sistemas de visualização de dados no formato de dashboards;
- Acesso a um conjunto de dados com anotações e de tamanho condizente com o treinamento de modelos de machine learning para a aplicação em questão.
FINALIZAÇÃO E ENTREGA DO PROJETO:
Todos os protótipos gerados durante o projeto são entregues ao final da 10° semana.
