Uma fabricante de veículos coleta telemetria via MQTT de muitos veículos. Os dados são processados a cada 5 minutos e copiados para um armazenamento on-premises para detecção de anomalias por aplicativos personalizados. Como o armazenamento on-premises não consegue escalar para picos, os dados são perdidos. Qual solução baseada na AWS com o menor overhead operacional resolve as necessidades de escalabilidade e análise?

A opção correta utiliza o AWS IoT Core para ingestão de dados MQTT, que é o serviço ideal para telemetria de dispositivos IoT. As regras do IoT Core podem rotear as mensagens diretamente para o Amazon Kinesis Data Firehose, que é um serviço totalmente gerenciado para carregar dados em destinos como o Amazon S3, resolvendo a necessidade de escalabilidade e persistência. O Amazon Kinesis Data Analytics pode então processar esses dados em tempo real para detecção de anomalias com baixo overhead operacional. As outras opções são menos ideais: AWS IoT Greengrass é para computação de borda, não para ingestão centralizada. Amazon MSK adiciona complexidade de gerenciamento. AWS IoT FleetWise é mais focado em padronização de dados de veículos, e o Kinesis Data Stream exige mais gerenciamento que o Firehose para persistência no S3. Transformações de ML do AWS Glue são para processamento em lote, não em tempo real. Amazon MQ para RabbitMQ é um broker de mensagens, mas o IoT Core é mais adequado para ingestão de IoT. Amazon Lookout for Metrics é uma boa opção para detecção de anomalias, mas a ingestão inicial não é a mais eficiente.