一家拥有远程工厂和有限互联网连接的制造公司，拥有一个大型的本地标记图像数据集，用于缺陷检测。他们需要一个解决方案，该解决方案能够降低计算成本，高效扩展训练，并允许训练好的模型在低连接的工厂中运行，以进行实时传送带推理。哪种解决方案符合这些要求？

正确答案满足所有要求。将训练数据迁移到 Amazon S3 提供了可扩展的存储。使用 Amazon SageMaker 进行训练和评估，利用了云的计算能力，降低了本地成本并高效扩展。SageMaker Neo 优化模型，使其在边缘设备上运行更高效。最后，使用 AWS IoT Greengrass 将优化模型部署到工厂的边缘设备，实现了在低连接环境中进行实时推理，无需持续的互联网连接。 其他选项的不足在于： 选项1：将模型部署到 SageMaker 托管端点不适用于低连接环境下的实时推理。 选项2：在本地训练和评估模型无法降低计算成本，也无法高效扩展训练。 选项4：在本地训练模型无法降低计算成本，也无法高效扩展训练。此外，它没有提到模型优化，这对于边缘部署至关重要。