一家飞机发动机制造商在测试期间收集了 200 个时间序列指标，并希望近乎实时地检测关键缺陷，同时保留所有数据以供离线分析。哪种方法对于近乎实时的异常检测最有效？

正确答案是使用 Amazon Kinesis Data Firehose 进行数据摄取，并使用 Kinesis Data Analytics 和 Random Cut Forest 应用程序进行实时异常检测，然后通过 Firehose 将流数据持久化到 Amazon S3 以供后续分析。这种方法最有效，因为它满足了近乎实时检测和数据持久化的双重需求。Kinesis Data Firehose 提供简化的数据摄取，Kinesis Data Analytics 结合 RCF 算法能够对流数据进行实时异常检测。同时，通过 Firehose 将数据持久化到 S3，确保了所有数据都可用于离线分析。 其他选项不满足所有要求： 使用 AWS IoT Analytics 并在 Jupyter Notebook 中检测异常虽然可行，但 Jupyter Notebook 不适合近乎实时的持续异常检测。 使用 Amazon EMR 和 k-means 聚类是离线批处理方法，不适用于近乎实时检测。 使用 Amazon SageMaker 的 RCF 算法离线检测异常，同样不满足近乎实时的要求。