Un produttore necessita di previsioni quasi in tempo reale da modelli che analizzano fino a 200 letture di sensori per macchina, ma alcune fabbriche hanno una connessione internet inaffidabile. Quale architettura di deployment supporta al meglio l'inferenza quasi in tempo reale in ogni fabbrica?

AWS IoT Greengrass consente l'esecuzione locale di modelli di machine learning sui dispositivi edge, come quelli in fabbrica. Questo è fondamentale per previsioni quasi in tempo reale quando la connettività internet è inaffidabile, poiché l'inferenza avviene senza dipendere dalla nuvola. Inviare tutti i dati dei sensori a un endpoint SageMaker richiederebbe una connessione internet costante e affidabile, non disponibile in alcune fabbriche. I processi batch giornalieri non soddisfano il requisito di "quasi in tempo reale". L'uso di DynamoDB e Lambda introdurrebbe latenza e dipendenza dalla connettività, rendendo l'inferenza non "quasi in tempo reale" e vulnerabile a interruzioni di rete.