Uma empresa de streaming de música transmite classificações de músicas para um bucket S3 e tem um AWS Glue Data Catalog apontando para esse bucket. A empresa deseja um repositório para essas classificações que permaneça sincronizado para treinamento em lote e inferência em tempo real. Qual solução satisfaz esse requisito?

A ingestão de dados do bucket S3 para o SageMaker Feature Store é a solução ideal porque ele foi projetado especificamente para ser um repositório centralizado e gerenciado para recursos de ML. Ele mantém os recursos sincronizados para casos de uso de treinamento em lote e inferência em tempo real, o que é um requisito fundamental. A aplicação de tags e índices melhora a descoberta e a organização dos recursos. Usar o Amazon Athena com CTAS cria tabelas, mas não oferece a capacidade de sincronização em tempo real e gerenciamento de recursos que o Feature Store proporciona. O AWS Lake Formation foca na governança e segurança de dados em um data lake, não sendo um repositório de recursos otimizado para ML. A função Generate Data Insights no SageMaker Data Wrangler é para análise exploratória de dados e engenharia de recursos, não para um repositório de recursos persistente e sincronizado.