某制造商在每条装配线的末端都安装了 IP 摄像头，并使用 SageMaker 训练的模型来检测静止图像中的缺陷。即使互联网连接中断，工厂也必须在检测到缺陷时向工人提供本地反馈。本地 Linux 服务器托管一个提供反馈的 API。公司应如何部署 ML 模型，以便在离线时也能进行检测和本地反馈？

正确答案是：在本地服务器上安装 AWS IoT Greengrass，并将 ML 模型部署到 Greengrass 设备。创建一个 Greengrass 组件，该组件从摄像头捕获静止图像，在本地运行推理，并在检测到缺陷时调用本地 API。 这个方案是正确的，因为它允许在本地服务器上进行机器学习推理，即使在互联网连接中断的情况下也能提供即时反馈。AWS IoT Greengrass 使得在边缘设备上运行 AWS 服务成为可能，包括机器学习模型，从而满足了离线操作和低延迟的需求。 其他选项不正确的原因如下： 将视频流式传输到 AWS Kinesis Video Streams并在云端进行处理，会因为互联网中断而失效，无法满足离线需求。 订购 AWS Snowball 设备主要用于大规模数据传输，而不是提供持续的本地推理能力，且部署 SageMaker 端点和 EC2 实例在 Snowball 上不符合其设计用途。 Amazon Monitron 专注于设备健康监测，而不是通用的图像缺陷检测，且其警报机制依赖云端，无法满足离线本地反馈的需求。