Firma produkcyjna z oddalonymi zakładami i ograniczonymym dostępem do internetu posiada duży, oznaczony zbiór danych obrazów lokalnie, służący do wykrywania defektów. Potrzebuje rozwiązania, które obniży koszty obliczeniowe, efektywnie skaluje szkolenie i pozwoli na uruchomienie wytrenowanego modelu w zakładach o niskiej łączności w celu wnioskowania w czasie rzeczywistym na taśmie produkcyjnej. Które rozwiązanie spełnia te wymagania?

Prawidłowa odpowiedź spełnia wszystkie wymagania. Przeniesienie danych do S3 i użycie SageMaker do szkolenia umożliwia efektywne skalowanie i obniżenie kosztów obliczeniowych w porównaniu do szkolenia lokalnego. SageMaker Neo optymalizuje model do wnioskowania na urządzeniach brzegowych. AWS IoT Greengrass umożliwia wdrożenie zoptymalizowanego modelu na urządzeniach brzegowych w zakładach o niskiej łączności, zapewniając wnioskowanie w czasie rzeczywistym. Opcja 1 jest nieprawidłowa, ponieważ hosting SageMaker wymaga stałego połączenia z internetem, co nie jest możliwe w zakładach o niskiej łączności. Opcja 2 jest nieprawidłowa, ponieważ szkolenie lokalne nie skaluje się efektywnie i nie obniża kosztów obliczeniowych. Dodatkowo, hosting SageMaker nie jest odpowiedni dla niskiej łączności. Opcja 4 jest nieprawidłowa, ponieważ szkolenie lokalne nie skaluje się efektywnie. Ponadto, model nie jest optymalizowany za pomocą SageMaker Neo, co jest kluczowe dla wydajnego wnioskowania na urządzeniach brzegowych.