一位数据科学家创建了一个 BigQuery ML 模型。您必须通过 REST API 提供每个用户的预测，且延迟低于 100 毫秒。预测查询为：SELECT predicted_label, user_id FROM ML.PREDICT(MODEL 'dataset.model', TABLE user_features)。您应该如何构建服务管道？

正确答案是创建一个 Dataflow 流水线，将 BigQuery ML 预测结果写入 Bigtable。这是因为 BigQuery ML 的 ML.PREDICT 查询在执行时可能需要较长时间，无法满足 100 毫秒的低延迟要求。将所有用户的预测结果预先写入低延迟的 NoSQL 数据库（如 Bigtable），API 就可以通过 userid 快速检索到单个用户的预测，从而满足延迟要求。Dataflow 负责高效地处理和传输数据，Bigtable 则提供毫秒级的读写性能。 其他选项不正确的原因： 在 ML.PREDICT 查询中添加 WHERE 子句并不能保证低延迟，因为每次查询仍然需要 BigQuery ML 模型进行推理，这可能超过 100 毫秒。 为预测查询创建授权视图并共享数据集，同样无法解决 BigQuery ML 推理本身的延迟问题。 使用 Dataflow 作业直接运行查询并让 worker 返回结果，本质上与直接查询 BigQuery 类似，仍然受限于 BigQuery ML 的推理时间，无法满足低延迟要求。