Um cientista de dados definiu transformações e engenharia de features no SageMaker Data Wrangler e os salvou no SageMaker Feature Store. Novos dados históricos chegam periodicamente no S3 e devem ser transformados e adicionados ao feature store online, preparados para treinamento e inferência usando integrações nativas. Qual solução exige o menor esforço de desenvolvimento?

A opção correta é usar o Amazon EventBridge para acionar um pipeline SageMaker predefinido. O EventBridge pode ser configurado para reagir a eventos de S3 (como a chegada de novos objetos), e a integração nativa com o SageMaker permite que ele inicie diretamente um pipeline. Este pipeline pode conter os passos de transformação definidos no Data Wrangler e carregar os dados no Feature Store, minimizando o esforço de desenvolvimento, pois aproveita as integrações existentes e a reusabilidade do pipeline. As outras opções exigem mais esforço: Uma função Lambda para executar um pipeline SageMaker precisaria de código para invocar o pipeline, aumentando a complexidade. AWS Step Functions é uma boa ferramenta de orquestração, mas para um acionamento simples baseado em S3, o EventBridge é mais direto e com menos sobrecarga. Apache Airflow é uma ferramenta de orquestração poderosa, mas exige a configuração e manutenção de um ambiente Airflow, o que representa um esforço de desenvolvimento e operacional significativamente maior do que o EventBridge para este caso de uso específico.