Una empresa de fabricación con instalaciones remotas y conectividad a internet limitada tiene un gran conjunto de datos de imágenes etiquetadas on-premises para la detección de defectos. Necesitan una solución que reduzca los costos de cómputo, escale el entrenamiento de manera eficiente y permita que el modelo entrenado se ejecute en instalaciones con baja conectividad para inferencia en tiempo real en cintas transportadoras. ¿Qué solución cumple con estos requisitos?

La opción correcta aborda todos los requisitos. Mover los datos a S3 y usar SageMaker para el entrenamiento aprovecha la escalabilidad y reduce los costos de cómputo en la nube. SageMaker Neo optimiza el modelo para dispositivos de borde, lo cual es crucial para la inferencia en tiempo real en entornos con recursos limitados. Finalmente, AWS IoT Greengrass permite desplegar y ejecutar el modelo optimizado directamente en las instalaciones con baja conectividad, habilitando la inferencia en tiempo real sin depender de la nube. Las opciones incorrectas fallan en aspectos clave: Desplegar en un SageMaker hosting endpoint no funciona con baja conectividad en las instalaciones. Entrenar on-premises no escala eficientemente ni reduce los costos de cómputo. Desplegar un modelo no optimizado en dispositivos de borde puede no cumplir con los requisitos de rendimiento en tiempo real.