En la industria, la prevención de errores mecánicos es crucial para garantizar un funcionamiento seguro y eficiente. Las redes bayesianas pueden emplearse para realizar procesos de mantenimiento predictivo. Estos modelos probabilísticos ofrecen un potente enfoque para abordar la incertidumbre y mejorar la capacidad de prevenir y mitigar errores. Por ello, es importante que las aplicaciones que implementan estos algoritmos sean lo más eficientes y precisos posible. Este proyecto consiste en modificar una librería que utiliza redes bayesianas para el análisis de datos, con el objetivo de mejorar su rendimiento y aumenta la portabilidad. Se han realizado varios estudios para analizar y mejorar su rendimiento en plataformas informáticas de alto rendimiento. Además, para demostrar su portabilidad, se ha probado y estudiado la misma biblioteca en una novedosa arquitectura de CPU vectorial que se está desarrollando actualmente en el marco de un proyecto europeo.
In the industry, preventing mechanical errors is crucial for ensuring safe and efficient operations. Bayesian networks can be employed to drive predictive maintenance processes. These probabilistic models offer a powerful approach to address uncertainty and enhance the ability to prevent and mitigate errors. Therefore, it is important that applications implementing these algorithms are as efficient and accurate as possible. This project involves modifying a library that utilizes Bayesian networks for data analysis, with the aim of improving its performance and portability. Several studies have been conducted to analyze and enhance its performance on high-performance computing platforms. Additionally, to demonstrate its portability, the same library has been tested and studied on a novel vector CPU architecture currently being developed within the framework of a European project.
