Un fabricant dispose de caméras IP à la fin de chaque chaîne de montage et d'un modèle entraîné avec SageMaker pour détecter les défauts à partir d'images fixes. L'usine doit fournir un retour d'information local aux travailleurs lorsqu'un défaut est détecté, même si la connectivité Internet est perdue. Un serveur Linux local héberge une API qui fournit ce retour d'information. Comment l'entreprise doit-elle déployer le modèle ML afin que la détection et le retour d'information local fonctionnent hors ligne ?

L'option correcte est d'installer AWS IoT Greengrass sur le serveur local et d'y déployer le modèle ML. Greengrass permet d'exécuter des fonctions AWS Lambda, des modèles ML, et d'autres logiciels localement sur des appareils connectés, même en l'absence de connectivité Internet. Cela garantit que la détection des défauts et le retour d'information local fonctionnent hors ligne, répondant ainsi à l'exigence clé. Le composant Greengrass peut capturer les images, exécuter l'inférence localement et appeler l'API locale. Les autres options sont incorrectes car : Diffuser la vidéo vers Kinesis Video Streams et utiliser SageMaker dans le cloud ne fonctionnera pas hors ligne. AWS Snowball est conçu pour le transfert de données à grande échelle et n'est pas une solution adaptée pour l'inférence ML continue et en temps réel sur site. Amazon Monitron est destiné à la maintenance prédictive des équipements industriels et ne prend pas en charge le déploiement de modèles ML personnalisés pour la détection de défauts visuels.