Une entreprise manufacturière disposant d'installations distantes avec une connectivité internet limitée possède un grand jeu de données d'images étiquetées sur site pour la détection des défauts. Elle a besoin d'une solution qui réduit les coûts de calcul, met à l'échelle l'entraînement efficacement et permet au modèle entraîné de fonctionner dans des installations à faible connectivité pour l'inférence en temps réel sur les tapis roulants. Quelle solution répond à ces exigences ?

La bonne solution répond à toutes les exigences : déplacer les données vers S3 permet un entraînement évolutif avec SageMaker, réduisant les coûts de calcul par rapport à l'entraînement sur site. L'optimisation avec SageMaker Neo est cruciale pour réduire la taille et la complexité du modèle, le rendant adapté aux appareils périphériques. Enfin, AWS IoT Greengrass permet le déploiement du modèle optimisé sur des appareils périphériques dans des installations à faible connectivité, permettant une inférence en temps réel sans dépendre d'une connexion Internet constante. Les autres options sont incorrectes car : La première option déploie le modèle sur un point de terminaison SageMaker, ce qui nécessite une connectivité Internet constante pour l'inférence, ce qui n'est pas viable pour des installations à faible connectivité. La deuxième option entraîne le modèle sur site, ce qui ne répond pas à l'exigence de réduction des coûts de calcul et d'évolutivité. La quatrième option entraîne le modèle sur site, ce qui ne répond pas à l'exigence de réduction des coûts de calcul et d'évolutivité, et ne mentionne pas l'optimisation du modèle avec SageMaker Neo, ce qui est essentiel pour le déploiement sur des appareils périphériques.