Een productiebedrijf met externe faciliteiten en beperkt internet heeft een grote gelabelde afbeeldingsdataset on-premises voor defectdetectie. Ze hebben een oplossing nodig die de computekosten verlaagt, training efficiënt schaalt en het getrainde model in faciliteiten met lage connectiviteit kan uitvoeren voor real-time inferentie op de lopende band. Welke oplossing voldoet aan deze vereisten?

Deze oplossing voldoet aan alle vereisten. Het verplaatsen van trainingsdata naar S3 en het gebruik van SageMaker voor training schaalt efficiënt en vermindert on-premises compute-kosten. SageMaker Neo optimaliseert het model voor edge-apparaten, wat essentieel is voor real-time inferentie op locaties met beperkte connectiviteit. AWS IoT Greengrass maakt het mogelijk om het geoptimaliseerde model direct op deze edge-apparaten te implementeren en uit te voeren, waardoor inferentie lokaal plaatsvindt zonder afhankelijkheid van constante internettoegang. De andere opties falen omdat ze ofwel geen rekening houden met de beperkte connectiviteit voor inferentie (SageMaker hosting endpoint vereist continue connectiviteit), ofwel de schaalbaarheid en kostenvoordelen van cloudtraining niet benutten, ofwel de modeloptimalisatie voor edge-apparaten missen.