Ein produzierendes Unternehmen mit entfernten Standorten und begrenztem Internetzugang verfügt über einen großen, beschrifteten Bilddatensatz vor Ort zur Fehlererkennung. Es benötigt eine Lösung, die die Rechenkosten senkt, das Training effizient skaliert und das trainierte Modell in Einrichtungen mit geringer Konnektivität für die Echtzeit-Inferenz am Förderband ausführen lässt. Welche Lösung erfüllt diese Anforderungen?

Die korrekte Lösung erfüllt alle Anforderungen. Das Verschieben der Daten nach S3 und das Training mit SageMaker ermöglicht effiziente Skalierung und reduziert lokale Rechenkosten. SageMaker Neo optimiert das Modell für Edge-Geräte, was die Inferenzleistung verbessert und den Ressourcenverbrauch minimiert. Die Bereitstellung auf Edge-Geräten mit AWS IoT Greengrass ermöglicht Echtzeit-Inferenz direkt am Förderband, auch bei begrenzter Konnektivität. Die erste Option ist falsch, da die Bereitstellung auf einem SageMaker-Hosting-Endpunkt eine ständige Internetverbindung erfordert, was den Anforderungen an geringe Konnektivität widerspricht. Die zweite Option ist ineffizient, da das Training vor Ort die Skalierbarkeit einschränkt und die Kosten nicht optimiert. Die vierte Option ist unvollständig, da sie die Modelloptimierung mit SageMaker Neo für Edge-Geräte nicht berücksichtigt, was für eine effiziente Inferenz entscheidend ist.