Un fabricante necesita predicciones casi en tiempo real de modelos que analizan hasta 200 lecturas de sensores por máquina, pero algunas fábricas tienen internet poco fiable. ¿Qué arquitectura de despliegue es la que mejor soporta la inferencia casi en tiempo real en cada fábrica?

Desplegar el modelo en AWS IoT Greengrass en cada fábrica y ejecutar inferencias localmente sobre los datos de los sensores es la mejor opción porque Greengrass permite la inferencia de ML en el borde, directamente en la fábrica. Esto es crucial para predicciones casi en tiempo real y para mitigar el impacto de una conectividad a Internet poco fiable, ya que los datos no necesitan viajar a la nube para cada inferencia. Alojar el modelo en Amazon SageMaker y enviar todos los datos de los sensores al endpoint de SageMaker para las predicciones no es óptimo debido a la latencia y la dependencia de una conexión a Internet constante y fiable. Ejecutar trabajos diarios de SageMaker batch transform no cumple con el requisito de predicciones "casi en tiempo real". Alojar el modelo en SageMaker, escribir los datos de los sensores en DynamoDB a través de una regla de IoT y usar Lambda para llamar al endpoint desde el stream de DynamoDB también introduce latencia y dependencia de la conectividad a la nube.