Une équipe de sécurité a mené un projet pilote avec 100 caméras qui téléchargeaient des images vers un stockage d'objets et utilisaient un service de reconnaissance d'images pour étiqueter les images et stocker les résultats dans un index de recherche. Ils souhaitent maintenant passer à des milliers de caméras dans le monde entier pour détecter les activités suspectes de non-employés en temps quasi réel. Quelle architecture devraient-ils envisager ?

L'option correcte propose une solution évolutive et en temps quasi réel. Le déploiement d'un proxy local permet de gérer les flux RTSP des caméras existantes sans les remplacer, ce qui est rentable. L'utilisation d'un flux vidéo géré dédié (comme Amazon Kinesis Video Streams) est idéale pour l'ingestion de milliers de flux vidéo. Un service d'analyse vidéo géré avec un processeur de flux (comme Amazon Rekognition Video Stream Processor) est conçu pour l'analyse continue de flux vidéo en direct, permettant la détection de visages et l'identification de non-employés en temps quasi réel, ce qui répond à l'exigence de détection d'activités suspectes. Les options incorrectes présentent des lacunes. La deuxième option utilise un service de reconnaissance basé sur l'image sur des images uniques, ce qui est moins efficace pour l'analyse de flux vidéo en temps réel que l'analyse de flux vidéo. Les troisième et quatrième options impliquent le remplacement de toutes les caméras par des appareils périphériques, ce qui est coûteux et peu pratique pour des milliers de caméras existantes. De plus, la quatrième option utilise une fonction serverless pour extraire des images et appeler une API, ce qui peut introduire une latence et être moins optimisé pour l'analyse continue de flux vidéo que les processeurs de flux dédiés.