Uma empresa de streaming de música precisa de um pipeline de recursos que armazene recursos para treinamento offline e para inferência online, preserve o histórico de recursos e forneça aos cientistas de dados acesso pesquisável. Qual opção atende a essas necessidades com o menor overhead operacional?

O Amazon SageMaker Feature Store é a solução mais adequada porque foi projetado especificamente para gerenciar recursos de ML para treinamento e inferência, oferecendo armazenamentos online e offline. Ele preserva o histórico de recursos automaticamente e permite que cientistas de dados pesquisem e reutilizem grupos de recursos com controle de acesso via IAM, minimizando o overhead operacional. A opção de usar um único armazenamento online para treinamento e inferência não é ideal, pois o armazenamento online é otimizado para baixa latência e não para grandes volumes de dados de treinamento. Usar buckets S3 separados com versionamento e Athena exigiria mais gerenciamento manual e integração complexa para replicar a funcionalidade do Feature Store. Duas tabelas DynamoDB com versionamento e movimentação de dados para S3 para treinamento introduziriam complexidade e overhead significativos, além de não oferecerem a mesma facilidade de pesquisa e gerenciamento de histórico que o Feature Store.