Um fabricante tem câmeras IP no final de cada linha de montagem e um modelo treinado no SageMaker para detectar defeitos a partir de imagens estáticas. A fábrica deve fornecer feedback local aos trabalhadores quando um defeito é detectado, mesmo que a conectividade com a internet seja perdida. Um servidor Linux local hospeda uma API que entrega o feedback. Como a empresa deve implantar o modelo de ML para que a detecção e o feedback local funcionem offline?

A opção correta é instalar o AWS IoT Greengrass no servidor local. O Greengrass permite executar funções AWS Lambda e modelos de ML localmente em dispositivos edge, mesmo sem conectividade com a internet. Ao implantar o modelo de ML como um componente Greengrass, a detecção de defeitos e o feedback local podem ocorrer offline, atendendo ao requisito principal. O componente pode capturar imagens, realizar a inferência e chamar a API local diretamente. As outras opções são incorretas porque: Transmitir vídeo para Kinesis Video Streams e usar SageMaker na AWS não funcionaria offline. O AWS Snowball é para transferência de dados em larga escala ou computação temporária, não para inferência contínua em tempo real em um ambiente de fábrica. O Amazon Monitron é para monitoramento de equipamentos industriais e detecção de falhas, não para inferência de ML personalizada a partir de câmeras IP.