Uma empresa precisa de engenharia de recursos (feature engineering), agregação e preparação de dados, e então uma solução AWS para processar e armazenar os recursos resultantes. Qual abordagem atende a essas necessidades?

A opção correta é usar o Amazon SageMaker Feature Processing para processar e ingerir os dados e o SageMaker Feature Store para gerenciar e armazenar os recursos. O SageMaker Feature Processing é uma ferramenta robusta para engenharia de recursos, agregação e preparação de dados em larga escala. O SageMaker Feature Store é um repositório de recursos totalmente gerenciado, ideal para armazenar e servir recursos para treinamento e inferência, garantindo consistência e reusabilidade. As outras opções são menos adequadas: O SageMaker Model Monitor é para monitoramento de modelos em produção, não para engenharia de recursos ou armazenamento. O Amazon Managed Service for Apache Flink pode ser usado para transformação de dados, mas a ingestão direta no Feature Store não é sua função principal e o Feature Processing é mais otimizado para a etapa de engenharia de recursos. Um trabalho de transformação em lote do SageMaker pode transformar dados, mas o DynamoDB não é o serviço mais otimizado para o armazenamento de grandes volumes de recursos de ML com as capacidades de gerenciamento e versionamento que o Feature Store oferece.