گوگل کلاد تعداد حیرت انگیزی هارد دیسک در اختیار دارد که همگی «شامل صدها پارامتر و فاکتور هستند که باید ردیابی و کنترل شوند.» از طرفی، این حجم از داده برای سرویسی مثل گوگل کلاد بسیار باارزش و مفید است؛ چون مجموع داده‌های آن را به همراه داده‌های سیگیت و اکسنچر می‌توان در یک مدل یادگیری ماشین استفاده کرد تا احتمال خرابی درایو را پیش‌بینی کند. 

این شرکت‌ها برای این آزمایش از دو مدل یادگیری ماشین استفاده کردند؛ یکی مبتنی بر جداول یادگیری ماشین خودکار موسوم به AutoML و دیگری مدلی که به‌صورت سفارشی برای این پروژه ساخته شده بود. پیش‌بینی مورد اول با دقت ۹۸ درصد و فراخوانی ۳۵ درصد نتایجی بهتر از به مدل دوم با دقت ۸۰-۷۰ درصد و فراخوان ۲۵-۲۰ درصد به دست آورد. این نتیجه همچنین نشان داد استفاده از AutoML گزینه‌ای بهتر از راه‌ حل‌های ابتکاری برای پیش‌بینی خرابی هارددیسک است. 

گوگل قصد دارد پشتیبانی از این سیستم را به تمام درایوهای سیگیت گسترش بدهد.