Firma grawerska chce zautomatyzować kontrolę jakości grawerowanych tabliczek. Posiada bucket S3 ze zdjęciami wadliwych tabliczek, które powinny zostać odrzucone. Automatyczne przewidywania o niskim poziomie ufności muszą być kierowane do wewnętrznego zespołu weryfikacyjnego za pomocą Amazon Augmented AI (A2I). Które rozwiązanie spełnia te wymagania?

Prawidłowa odpowiedź to użycie Amazon Rekognition i Amazon A2I z prywatną siłą roboczą. Amazon Rekognition to usługa do analizy obrazów i wideo, idealna do wykrywania wad na grawerowanych tabliczkach. Gdy Rekognition zwróci przewidywania o niskim poziomie ufności, Amazon A2I (Augmented AI) może skierować te przypadki do weryfikacji przez człowieka. Skonfigurowanie A2I z prywatną siłą roboczą jest kluczowe, ponieważ firma chce, aby weryfikacją zajmował się jej wewnętrzny zespół, a nie zewnętrzni pracownicy, jak w przypadku Amazon Mechanical Turk. Pozostałe opcje są nieprawidłowe: Amazon Textract służy do wyodrębniania tekstu i danych z dokumentów, a nie do analizy wizualnej obrazów pod kątem wad. Amazon Transcribe służy do konwersji mowy na tekst, co jest nieistotne w tym scenariuszu. AWS Panorama to zestaw SDK i urządzeń do przetwarzania obrazu na brzegu sieci (edge), a nie usługa do analizy obrazów w chmurze w tym kontekście. Użycie Amazon Mechanical Turk zamiast prywatnej siły roboczej również jest niezgodne z wymaganiem wewnętrznego zespołu weryfikacyjnego.