Uma empresa de manufatura com instalações remotas e internet limitada possui um grande conjunto de dados de imagens rotuladas on-premises para detecção de defeitos. Eles precisam de uma solução que reduza os custos de computação, dimensione o treinamento de forma eficiente e permita que o modelo treinado seja executado em instalações com baixa conectividade para inferência em tempo real em esteiras transportadoras. Qual solução atende a esses requisitos?

A solução correta aborda todos os requisitos. Mover os dados para o Amazon S3 e usar o SageMaker para treinamento e avaliação aproveita a escalabilidade e reduz custos de computação em comparação com a infraestrutura on-premises. O SageMaker Neo é essencial para otimizar o modelo, tornando-o mais leve e eficiente para dispositivos de borda. A implantação em dispositivos de borda com AWS IoT Greengrass permite inferência em tempo real com baixa conectividade, pois o modelo executa localmente. As alternativas incorretas falham em aspectos cruciais. A primeira opção não resolve a necessidade de inferência em locais com baixa conectividade, pois um endpoint do SageMaker exige conexão constante. A segunda opção não otimiza o treinamento nem a inferência para ambientes de borda. A quarta opção não aproveita as capacidades de otimização do SageMaker Neo nem a escalabilidade do SageMaker para treinamento, o que pode ser ineficiente e custoso.