Uma empresa financeira recebe milhares de registros JSON de dados de mercado por segundo e precisa de uma solução AWS escalável com sobrecarga operacional mínima para detectar pontos de dados anômalos em tempo real. Qual projeto atende a esses requisitos?

A opção correta utiliza Amazon Kinesis Data Streams para ingestão de dados em tempo real, que é escalável e adequado para milhares de registros por segundo. A detecção de anomalias em tempo real é feita com a função RANDOMCUTFOREST no Amazon MSK for Apache Flink. O Apache Flink é ideal para processamento de streams em tempo real, e o Amazon MSK for Apache Flink oferece uma solução gerenciada, minimizando a sobrecarga operacional. As outras opções são menos eficientes ou não atendem a todos os requisitos. Implantar um endpoint do SageMaker e invocar uma função Lambda a partir do Kinesis Data Streams adiciona latência e complexidade desnecessárias para detecção de anomalias em tempo real, além de a função Lambda ter limites de tempo de execução. Executar Apache Kafka em instâncias EC2 aumenta a sobrecarga operacional, pois exige gerenciamento da infraestrutura. Enviar dados para uma fila SQS FIFO e usar AWS Glue ETL para detecção em lote não atende ao requisito de detecção em tempo real.