Um fabricante de motores de aeronaves coleta 200 métricas de séries temporais durante testes e deseja detecção quase em tempo real de defeitos críticos, mantendo todos os dados para análise offline. Qual abordagem é MAIS eficaz para detecção de anomalias quase em tempo real?

A abordagem correta utiliza o Amazon Kinesis Data Firehose para ingestão eficiente dos dados de séries temporais, direcionando-os para o Amazon Kinesis Data Analytics. O Kinesis Data Analytics, com seu aplicativo Random Cut Forest (RCF), é ideal para detecção de anomalias em tempo real em fluxos de dados, atendendo ao requisito de "quase em tempo real". Além disso, o Firehose pode persistir os dados brutos no Amazon S3, garantindo que todos os dados estejam disponíveis para análise offline, conforme solicitado. As outras opções são menos eficazes: O AWS IoT Analytics é bom para IoT, mas executar notebooks Jupyter para detecção em tempo real não é a solução mais escalável ou eficiente para fluxos contínuos. Usar Amazon S3 e Amazon EMR com k-means é uma solução robusta para análise batch, mas não para detecção "quase em tempo real". O algoritmo RCF do Amazon SageMaker offline também é para análise batch, não para detecção em tempo real.