Você tem dados CSV históricos no S3 contendo a demanda do inventário de produtos e precisa prepará-los para o Amazon Forecast. Como você deve transformar e carregar os dados para que o Forecast possa treinar modelos de forma eficaz?

A opção correta é usar o AWS Glue ETL para dividir o CSV em um conjunto de dados de série temporal de destino e um conjunto de dados de metadados de item, e então carregar ambos os CSVs para o Amazon S3. O Amazon Forecast requer que os dados de entrada estejam em formatos específicos (conjunto de dados de destino, conjuntos de dados relacionados e metadados de item) e armazenados no S3. O AWS Glue ETL é uma ferramenta robusta e escalável para transformar e preparar dados para esse fim. As outras opções estão incorretas porque: O Amazon Aurora não é o armazenamento de dados preferencial para o Forecast; o S3 é o local esperado para os arquivos de entrada. Carregar dados diretamente de uma máquina local para o Forecast não é uma prática escalável nem recomendada para grandes volumes de dados. Além disso, o Forecast não exige um conjunto de dados de série temporal relacionado se os dados originais forem apenas de demanda do inventário. O Forecast não utiliza o formato protobuf RecordIO para seus dados de entrada; ele espera arquivos CSV ou Parquet no S3.