Producent posiada kamery IP na końcu każdej linii montażowej oraz model wytrenowany w SageMaker do wykrywania defektów na podstawie zdjęć. Fabryka musi dostarczać lokalne informacje zwrotne pracownikom w przypadku wykrycia defektu, nawet jeśli połączenie internetowe zostanie utracone. Lokalny serwer Linux hostuje API, które dostarcza te informacje. Jak firma powinna wdrożyć model ML, aby wykrywanie i lokalne informacje zwrotne działały w trybie offline?

Poprawna odpowiedź to instalacja AWS IoT Greengrass na lokalnym serwerze. Greengrass umożliwia lokalne uruchamianie wnioskowania modelu ML i wywoływanie lokalnego API, nawet w przypadku utraty połączenia internetowego, co jest kluczowym wymogiem. Komponent Greengrass może przechwytywać zdjęcia z kamer IP, uruchamiać model do wykrywania defektów i wywoływać lokalne API w celu dostarczenia informacji zwrotnej. Pozostałe opcje są nieodpowiednie: Przesyłanie strumieniowe wideo do Kinesis Video Streams i SageMaker w AWS wymaga stałego połączenia internetowego, co narusza wymaganie działania offline. Urządzenie AWS Snowball jest przeznaczone głównie do transferu danych, a nie do ciągłego, lokalnego wnioskowania ML w czasie rzeczywistym. Amazon Monitron jest rozwiązaniem do monitorowania maszyn i predykcyjnego utrzymania ruchu, a nie do ogólnego wykrywania defektów na podstawie obrazów z kamer IP.