Un produttore dispone di telecamere IP alla fine di ogni linea di assemblaggio e di un modello addestrato con SageMaker per rilevare i difetti da immagini fisse. La fabbrica deve fornire un feedback locale ai lavoratori quando viene rilevato un difetto, anche in caso di perdita di connettività internet. Un server Linux locale ospita un'API che fornisce il feedback. Come dovrebbe l'azienda distribuire il modello ML in modo che il rilevamento e il feedback locale funzionino offline?

Questa opzione è corretta perché AWS IoT Greengrass consente di eseguire inferenze di machine learning localmente, anche in assenza di connettività Internet. Installando Greengrass sul server locale e distribuendo il modello SageMaker addestrato come componente Greengrass, il sistema può acquisire immagini dalle telecamere IP, eseguire il rilevamento dei difetti e attivare l'API locale per fornire feedback ai lavoratori, garantendo il funzionamento offline. L'opzione che prevede Kinesis Video Streams, EC2 e Lambda in AWS non supporta il funzionamento offline per il rilevamento e il feedback locale. L'opzione con AWS Snowball non è una soluzione di deployment continua per l'inferenza locale. L'opzione Amazon Monitron è progettata per il monitoraggio delle condizioni delle macchine e non è adatta per il deployment di modelli ML personalizzati per il rilevamento di difetti visivi.