Un fabricant a besoin de prédictions quasi-temps réel à partir de modèles qui analysent jusqu'à 200 relevés de capteurs par machine, mais certaines usines ont une connexion internet peu fiable. Quelle architecture de déploiement prend le mieux en charge l'inférence quasi-temps réel dans chaque usine ?

L'option correcte est de déployer le modèle sur AWS IoT Greengrass dans chaque usine et d'exécuter les inférences localement sur les données des capteurs. Cette approche est idéale pour l'inférence quasi-temps réel dans des environnements avec une connectivité Internet peu fiable, car elle permet le traitement des données à la périphérie (edge) sans dépendre d'une connexion constante au cloud. Héberger le modèle dans Amazon SageMaker et envoyer toutes les données des capteurs au point de terminaison SageMaker pour les prédictions est incorrect car cela nécessiterait une connexion Internet stable et fiable pour chaque relevé de capteur, ce qui n'est pas garanti. Exécuter des tâches de transformation par lots SageMaker quotidiennes est incorrect car cela ne répond pas au besoin de prédictions quasi-temps réel ; les rapports quotidiens introduiraient un délai trop important. Héberger le modèle dans SageMaker, écrire les données des capteurs dans DynamoDB via une règle IoT, et utiliser Lambda pour appeler le point de terminaison à partir du flux DynamoDB est incorrect car cela implique également un traitement dans le cloud, ce qui serait affecté par une connexion Internet peu fiable et introduirait une latence incompatible avec le quasi-temps réel.