Un fabricante tiene cámaras IP al final de cada línea de ensamblaje y un modelo entrenado en SageMaker para detectar defectos a partir de imágenes fijas. La fábrica debe proporcionar retroalimentación local a los trabajadores cuando se detecta un defecto, incluso si se pierde la conectividad a internet. Un servidor Linux local aloja una API que proporciona retroalimentación. ¿Cómo debería la empresa implementar el modelo de ML para que la detección y la retroalimentación local funcionen sin conexión?

La opción correcta es instalar AWS IoT Greengrass en el servidor local. Greengrass permite ejecutar inferencia de modelos de ML en el borde (edge), directamente en el servidor de la fábrica, lo que garantiza que la detección de defectos y la retroalimentación local funcionen incluso sin conexión a internet. Un componente de Greengrass puede capturar imágenes, ejecutar el modelo localmente y llamar a la API local para la retroalimentación. Las otras opciones son incorrectas porque: Transmitir video a Kinesis Video Streams y usar SageMaker en la nube requiere conectividad constante a internet, lo que falla si se pierde la conexión. AWS Snowball no está diseñado para inferencia en tiempo real en el borde; es para migración de datos a gran escala. Amazon Monitron está diseñado para monitoreo de equipos industriales y mantenimiento predictivo, no para detección de defectos visuales con modelos de ML personalizados.