一家快餐店希望统计收银台排队的顾客数量，并在队伍过长时提醒经理。门店的出口带宽非常有限，无法将多个视频流传输到云端。哪种解决方案最能满足带宽限制并提供排队长度警报？

正确答案是：在 SageMaker 中训练一个自定义人数统计模型，将训练好的模型部署到餐厅的 AWS DeepLens 设备上，在设备上运行本地推理和 Lambda 函数来统计人数，并在队伍过长时发送 SNS 通知。 这个方案最能满足带宽限制，因为它利用了边缘计算。在 AWS DeepLens 设备上进行本地推理，意味着视频流不需要传输到云端进行处理，只有在检测到队伍过长时才发送少量数据（SNS 通知），大大减少了对有限出口带宽的需求。自定义模型可以针对快餐店的特定环境进行优化，提高计数准确性。 其他选项的不足之处在于： 将视频流传输到 Kinesis Video Streams 会消耗大量带宽，与题目中“出口带宽非常有限”的条件相悖。 在 DeepLens 上启用 Amazon Rekognition 无法直接统计排队人数，Rekognition 主要用于人脸识别和物体检测，不直接提供排队计数功能。 将图像发送到云中的 SageMaker 端点进行推理同样会消耗大量带宽，不符合带宽限制。