Un'azienda manifatturiera con stabilimenti remoti e connettività internet limitata dispone di un ampio set di dati di immagini etichettate on-premises per il rilevamento dei difetti. L'azienda necessita di una soluzione che riduca i costi di calcolo, scali l'addestramento in modo efficiente e consenta al modello addestrato di essere eseguito in strutture a bassa connettività per l'inferenza in tempo reale su nastri trasportatori. Quale soluzione soddisfa questi requisiti?

La soluzione corretta sfrutta Amazon S3 per l'archiviazione scalabile dei dati, Amazon SageMaker per l'addestramento efficiente e scalabile del modello nel cloud, riducendo i costi di calcolo on-premises. SageMaker Neo ottimizza il modello per l'inferenza su dispositivi edge, che è cruciale per l'esecuzione in tempo reale su nastri trasportatori con connettività limitata. Infine, AWS IoT Greengrass consente il provisioning e la distribuzione del modello ottimizzato direttamente sui dispositivi edge nelle strutture remote, garantendo l'inferenza locale. Le opzioni errate non soddisfano tutti i requisiti. La prima opzione distribuisce il modello su un endpoint di hosting di SageMaker, che richiede connettività internet costante per l'inferenza, non adatta a strutture con connettività limitata. La seconda e la quarta opzione propongono l'addestramento on-premises, che non scala in modo efficiente e non riduce i costi di calcolo come richiesto. Inoltre, la seconda opzione non prevede l'inferenza edge.