Transfer learning applied to bivariate forecasting on product warranty data

Resumo

A confiabilidade e o gerenciamento de recursos de produtos com garantia são importantes. Além disso, o número de falhas de um produto ao longo do tempo de uso e nível de gastos pode assumir diferentes distribuições. Abordagens com modelos paramétricos trazem bons resultados quando há uma distribuição normal, e a aplicação de Aprendizado Profundo (Deep Learning - DL) é muito promissora. Apresentamos uma nova metodologia para a aplicação de modelos de DL com aprendizado transferido para previsões bivariadas das taxas de reparo em produtos sob garantia. A solução foi aplicada a dados de uma empresa americana, registrados de 2015 a 2022, referentes a 12 tipos diferentes de peças de 69 tipos diferentes de carros. Uma avaliação do erro absoluto das previsões foi realizada para cada combinação de peça, carro e ano do modelo. Os testes mostraram que o modelo teve um bom desempenho na previsão de dados para 70 meses de serviço e 70.000 milhas, usando dados de carros com pelo menos 15 meses de serviço e 1.000 milhas como entrada. Concluiu-se também que a solução é robusta para casos de dados incompletos e distribuições distantes da distribuição normal.