Ein Hersteller hat IP-Kameras am Ende jeder Montagelinie und ein mit SageMaker trainiertes Modell, um Defekte aus Standbildern zu erkennen. Die Fabrik muss den Arbeitern lokales Feedback geben, wenn ein Defekt erkannt wird, selbst wenn die Internetverbindung unterbrochen ist. Ein lokaler Linux-Server hostet eine API, die Feedback liefert. Wie sollte das Unternehmen das ML-Modell bereitstellen, damit Erkennung und lokales Feedback auch offline funktionieren?

Die korrekte Option ist AWS IoT Greengrass, da es die Ausführung von AWS-Diensten, einschließlich SageMaker-Modellen, lokal auf Edge-Geräten ermöglicht. Durch die Installation von Greengrass auf dem lokalen Server kann das ML-Modell bereitgestellt werden, um Inferenz direkt vor Ort durchzuführen. Eine Greengrass-Komponente kann dann die Standbilder verarbeiten, die Inferenz ausführen und bei Defekterkennung die lokale API aufrufen, was eine schnelle Reaktion und Offline-Funktionalität gewährleistet. Die erste Option ist falsch, da sie eine ständige Internetverbindung für Kinesis Video Streams, S3, SageMaker-Endpunkte in der Cloud und Lambda erfordert, was bei unterbrochener Verbindung nicht funktioniert. Die dritte Option mit Snowball ist unpraktisch, da Snowball-Geräte für Datenmigration und nicht für kontinuierliche lokale Inferenz konzipiert sind und die Bereitstellung eines SageMaker-Endpunkts darauf nicht der primäre Anwendungsfall ist. Die vierte Option mit Amazon Monitron ist ebenfalls ungeeignet, da Monitron für die Zustandsüberwachung von Maschinen und nicht für die Bildanalyse von IP-Kameras oder die Bereitstellung benutzerdefinierter ML-Modelle konzipiert ist.