Todas as manhãs, uma empresa de aluguel de carros precisa de insights automatizados sobre a demanda de reservas do dia anterior. Os dados devem ser transmitidos para o S3 em tempo quase real, detectar veículos de alta demanda por local e aparecer em um painel que se atualiza automaticamente. Qual abordagem oferece isso com o menor esforço de desenvolvimento?

A opção correta utiliza o Kinesis Data Firehose para ingestão de dados, que é mais simples de configurar para S3 do que o Kinesis Data Streams, exigindo menos esforço de desenvolvimento. O QuickSight ML Insights oferece detecção de anomalias pronta para uso e visualização integrada, atendendo aos requisitos de automação e painel sem a necessidade de desenvolver e gerenciar modelos personalizados no SageMaker. As opções que envolvem o Kinesis Data Streams são menos eficientes para este caso de uso, pois o Firehose é otimizado para entrega direta ao S3 com menos configuração. Usar o SageMaker para treinar um modelo RCF adiciona complexidade e esforço de desenvolvimento desnecessários, quando o QuickSight ML Insights pode realizar a detecção de anomalias de forma gerenciada.