Producent potrzebuje prognoz w czasie zbliżonym do rzeczywistego z modeli, które analizują do 200 odczytów z czujników na maszynę, ale niektóre fabryki mają zawodny dostęp do internetu. Która architektura wdrożenia najlepiej wspiera wnioskowanie w czasie zbliżonym do rzeczywistego w każdej fabryce?

Prawidłowa odpowiedź to wdrożenie modelu w AWS IoT Greengrass w każdej fabryce i uruchamianie wnioskowania lokalnie na danych z czujników. Greengrass umożliwia uruchamianie funkcji AWS Lambda i modeli ML bezpośrednio na urządzeniach brzegowych, co jest idealne dla scenariuszy z zawodnym dostępem do internetu i potrzebą wnioskowania w czasie zbliżonym do rzeczywistego. Dane z czujników są przetwarzane lokalnie, minimalizując opóźnienia i zależność od łączności sieciowej. Pozostałe opcje są mniej odpowiednie: Hostowanie modelu w Amazon SageMaker i wysyłanie wszystkich danych do punktu końcowego wymagałoby stałego, niezawodnego połączenia internetowego, co jest sprzeczne z wymaganiami. Codzienne zadania SageMaker batch transform nie zapewniają wnioskowania w czasie zbliżonym do rzeczywistego, ponieważ przetwarzanie odbywa się w partiach i z opóźnieniem. Hostowanie modelu w SageMaker z danymi w DynamoDB i wywoływaniem przez Lambda nadal wymagałoby niezawodnego połączenia internetowego do przesyłania danych do chmury i odbierania prognoz.