Een fabrikant heeft IP-camera's aan het einde van elke assemblagelijn en een met SageMaker getraind model om defecten te detecteren op basis van stilstaande beelden. De fabriek moet lokale feedback geven aan werknemers wanneer een defect wordt gedetecteerd, zelfs als de internetverbinding wegvalt. Een lokale Linux-server host een API die feedback levert. Hoe moet het bedrijf het ML-model implementeren, zodat detectie en lokale feedback offline werken?

AWS IoT Greengrass is de juiste keuze omdat het offline inferentie mogelijk maakt op de lokale server, wat cruciaal is wanneer de internetverbinding wegvalt. Door het SageMaker-model als een Greengrass-component te implementeren, kan het lokaal stilstaande beelden verwerken en de lokale API aanroepen voor feedback. De eerste optie, met Kinesis Video Streams en SageMaker-endpoints in AWS, is afhankelijk van een constante internetverbinding, wat niet voldoet aan de vereiste voor offline werking. De Snowball-optie is bedoeld voor grootschalige dataoverdracht en edge computing, maar is overdreven complex en kostbaar voor dit specifieke scenario, en Snowball Edge is meer geschikt voor permanente edge-implementaties. Amazon Monitron is ontworpen voor voorspellend onderhoud van machines en is niet geschikt voor het hosten van een aangepast ML-model voor defectdetectie op IP-camerabeelden.