某製造商在每條組裝線的末端都設有 IP 攝影機，並使用 SageMaker 訓練的模型來偵測靜止影像中的瑕疵。即使網際網路連線中斷，工廠也必須在偵測到瑕疵時向工人提供本地回饋。本地 Linux 伺服器託管一個提供回饋的 API。公司應如何部署 ML 模型，以便在離線時也能進行偵測和本地回饋？

正確答案是將 AWS IoT Greengrass 安裝在本地伺服器上並部署 ML 模型。Greengrass 允許在邊緣裝置上執行 Lambda 函數和機器學習推論，即使在離線狀態下也能提供本地處理和即時回饋。Greengrass 元件可以從攝影機擷取影像、執行推論並呼叫本地 API，完全符合離線操作和本地回饋的要求。 選項一不正確，因為它依賴於 AWS 雲端服務（Kinesis Video Streams、EC2、S3、SageMaker 端點、Lambda），這在網路連線中斷時將無法運作。選項三不正確，因為 Snowball 裝置主要用於資料傳輸，不適合做為持續的邊緣推論平台，且其部署方式不符合即時、本地回饋的需求。選項四不正確，Amazon Monitron 專為預測性維護而設計，主要用於監控機器健康狀況，而不是用於影像分析和瑕疵偵測的通用 ML 推論。