Applications of AI for Predictive Maintenance
NVIDIA DLI
6 novembre 2026
La formation
L'atelier « Applications of AI for Predictive Maintenance » du NVIDIA Deep Learning Institute porte sur la détection et la prédiction de pannes de disques durs à partir de séries temporelles de capteurs (données S.M.A.R.T. Backblaze). Pendant environ 8 h de labs Jupyter sur GPU NVIDIA, j'ai comparé trois approches accélérées par GPU : XGBoost avec RAPIDS cuDF, réseaux récurrents LSTM / CNN-LSTM et autoencoders pour la détection d'anomalies.
- Émetteur
- NVIDIA · Deep Learning Institute (DLI)
- Obtenu le
- 6 novembre 2026
- Format
- Atelier pratique d'environ 8 h, labs Jupyter sur GPU NVIDIA (Tesla T4)
- Validation
- Évaluation de code notée : 100 % (note de passage : 90 %)
- Signé par
- Howard Wright, Vice President, NVIDIA
- ID du certificat
Le certificat
Ouvrir en grand
Le programme
- 01XGBoost sur GPU avec RAPIDSNettoyage d'un jeu de données de plus de 30 M de lignes, filtré sur un seul modèle de disque (ST4000DM000), puis XGBoost accéléré par GPU
- 02LSTM et CNN-LSTM pour séries temporellesSéquences par disque (fenêtre glissante, lookahead, forward fill des jours manquants), LSTM empilés puis CNN-LSTM
- 03Autoencoders pour la détection d'anomaliesAutoencoder LSTM et autoencoder convolutionnel 1D, comparés par courbe ROC / AUC et optimisés par optimisation bayésienne
Évaluation de code notée
Construire un modèle qui prédit le vecteur suivant d'une série multivariée (2 LSTM de 128 unités, Dense 256 tanh, Dropout 0,2, Dense 128 tanh, puis une sortie de la dimension des features). Résultat : 100 % (note de passage : 90 %).
Compétences acquises
XGBoost sur GPU avec RAPIDS
Entraînement sur CPU, sur GPU puis sur GPU avec cuDF : de 59 s à 13 s, soit environ ×4,5
Classes très déséquilibrées
Environ 0,009 % de pannes : par sous-échantillonnage, le recall de la classe « panne » passe de 0,03 à 0,72, avec une precision de 0,97
LSTM et CNN-LSTM
LSTM empilés avec dropout et régularisation L2, entraînés en multi-GPU (MirroredStrategy), puis variante avec convolutions 1D
Détection d'anomalies
Autoencoders entraînés sur des disques sains uniquement, anomalie signalée par une erreur de reconstruction (MSE) au-dessus d'un seuil
Évaluation des modèles
Precision, recall, F1-score, courbe ROC / AUC, et limites de l'accuracy sur des classes déséquilibrées
Optimisation bayésienne
Réglage de la largeur des couches et du learning rate avec bayes_opt, sur les deux architectures d'autoencoder