Des chercheurs de l’Université nationale des sciences et technologies de Séoul, en collaboration avec Samsung Electronics, ont mis au point une méthode d’IA capable de prédire les pannes de SSD même lorsque les données de maintenance contiennent des rapports de panne inexacts. Cette approche utilise l’apprentissage par instances multiples (MIL) pour tirer des enseignements de groupes de SSD signalés comme étant tombés en panne simultanément, tout en estimant le risque de panne individuel de chaque disque. Les chercheurs ont testé cette méthode à l’aide de données réelles issues d’un centre de données Alibaba Cloud. Lorsque 40 % des données d’entraînement contenaient de fausses étiquettes de défaillance, le score F1 d’un modèle conventionnel est passé de 0,731 à 0,261. En revanche, l’approche proposée, basée sur le « mean pooling », a atteint un score F1 de 0,717, démontrant ainsi une bien meilleure résilience face aux étiquettes inexactes. Cette méthode pourrait aider les opérateurs de centres de données à identifier les SSD les plus susceptibles de tomber en panne et à hiérarchiser les inspections, les sauvegardes, la surveillance et les remplacements. Les chercheurs suggèrent également que cette approche pourrait être étendue au-delà des SSD à d’autres systèmes industriels où un problème peut être détecté au sein d’un groupe, mais où l’identification du composant défectueux exact s’avère difficile.
