Uma equipe de segurança executou um projeto piloto com 100 câmeras que carregavam imagens para o armazenamento de objetos e usavam um serviço de reconhecimento de imagem para marcar as imagens e armazenar os resultados em um índice de pesquisa. Agora, eles querem escalar para milhares de câmeras globalmente para detectar atividades suspeitas de não funcionários em tempo quase real. Qual arquitetura eles devem considerar?

A opção correta é a mais eficiente e escalável para processamento de vídeo em tempo quase real. Implantar um proxy local permite a ingestão de feeds RTSP existentes das câmeras, evitando a necessidade de substituir hardware. Transmitir para um stream de vídeo gerenciado dedicado (como o Amazon Kinesis Video Streams) oferece escalabilidade e durabilidade. Usar um serviço de análise de vídeo gerenciado com um processador de stream (como o Amazon Rekognition Video) é ideal para detecção contínua de rostos em vídeo em tempo quase real, acionando alertas de forma automatizada. As opções incorretas são menos eficientes ou mais caras. A segunda opção, ao usar um serviço de reconhecimento baseado em imagem em quadros únicos, não é otimizada para análise contínua de vídeo e pode perder eventos importantes. A terceira e quarta opções, que sugerem substituir as câmeras por dispositivos de borda, são inviáveis devido ao alto custo e complexidade de substituição em larga escala. Além disso, a quarta opção, ao usar uma função serverless para extrair quadros e chamar uma API de reconhecimento, introduz latência e complexidade desnecessárias para análise de vídeo em tempo real, sendo menos eficiente que um processador de stream dedicado.