Een fastfoodrestaurant wil klanten in de rij bij een kassa tellen en managers waarschuwen wanneer de rij te lang is. Locaties hebben een zeer beperkte uitgaande bandbreedte en kunnen niet meerdere video's naar de cloud streamen. Welke oplossing voldoet het beste aan de bandbreedtebeperking en levert de waarschuwingen voor de rij-lengte?

De beste oplossing is om een aangepast model voor het tellen van mensen te trainen in SageMaker en dit te implementeren op AWS DeepLens-apparaten in de restaurants. DeepLens-apparaten kunnen lokale inferentie uitvoeren en een Lambda-functie op het apparaat activeren om mensen te tellen. Dit minimaliseert de uitgaande bandbreedte, omdat alleen de SNS-melding (een kleine hoeveelheid data) naar de cloud wordt gestuurd wanneer de rij te lang is. De andere opties zijn minder geschikt: Het streamen van video naar Kinesis Video Streams en het versturen van frames naar Rekognition via het internet verbruikt veel bandbreedte, wat in strijd is met de beperking. AWS DeepLens-apparaten met ingeschakelde Amazon Rekognition tellen geen mensen, maar detecteren objecten en gezichten. Bovendien zou dit nog steeds een constante stroom van data naar de cloud vereisen. Het versturen van afbeeldingen naar een SageMaker-endpoint in de cloud voor inferentie verbruikt ook veel bandbreedte.