Restauracja szybkiej obsługi chce zliczać klientów w kolejce do kasy i powiadamiać menedżerów, gdy kolejka jest zbyt długa. Lokale mają bardzo ograniczoną przepustowość wychodzącą i nie mogą przesyłać strumieniowo wielu filmów do chmury. Które rozwiązanie najlepiej spełnia ograniczenia przepustowości i dostarcza alerty o długości kolejki?

Poprawna odpowiedź minimalizuje wykorzystanie przepustowości, wykonując wnioskowanie na urządzeniu (edge computing). Trenowanie niestandardowego modelu w SageMaker pozwala na precyzyjne zliczanie osób. Wdrożenie tego modelu na urządzeniach AWS DeepLens umożliwia lokalne wnioskowanie, co oznacza, że tylko alerty, a nie całe strumienie wideo, są wysyłane do chmury. Lokalna funkcja Lambda na DeepLens przetwarza wyniki i wysyła powiadomienie SNS tylko wtedy, gdy kolejka jest zbyt długa, co jest zgodne z ograniczeniami przepustowości. Pozostałe opcje są nieprawidłowe, ponieważ: Przesyłanie strumieniowe do Kinesis Video Streams lub wysyłanie klatek do chmury (opcja 1 i 3) wymaga znacznej przepustowości, co jest sprzeczne z ograniczeniami. Użycie Amazon Rekognition na każdym urządzeniu DeepLens (opcja 2) może być mniej elastyczne niż niestandardowy model SageMaker dla specyficznego zadania zliczania osób i nadal może generować więcej ruchu niż tylko wysyłanie alertów.