Ресторан быстрого обслуживания хочет подсчитывать количество клиентов в очереди на кассе и оповещать менеджеров, когда очередь становится слишком длинной. У заведений очень ограниченная исходящая пропускная способность, и они не могут передавать несколько видеопотоков в облако. Какое решение лучше всего соответствует ограничению пропускной способности и обеспечивает оповещения о длине очереди?

Правильный ответ — развернуть обученную модель на устройствах AWS DeepLens. Это решение минимизирует использование пропускной способности, поскольку обработка видео и подсчет клиентов (вывод) выполняются локально на устройстве DeepLens (edge computing). Только уведомления о длинной очереди отправляются в облако через AWS Lambda и Amazon SNS, что требует минимальной пропускной способности. Неправильные варианты: Отправка потокового видео в Amazon Kinesis Video Streams или изображений в Amazon Rekognition в облаке требует значительной исходящей пропускной способности, что противоречит ограничению. Использование AWS DeepLens с Amazon Rekognition, включенным на устройстве, не позволяет использовать пользовательскую модель подсчета людей, которая может быть более точной для конкретной задачи. Обучение пользовательской модели в SageMaker и отправка изображений в конечную точку SageMaker в облаке для подсчета людей также требует высокой пропускной способности для передачи изображений.