某银行从 Amazon Kinesis 数据流中获取原始交易数据。该解决方案必须计算数据流的滚动平均值，将这些特征存储在 SageMaker Feature Store 中，并以近实时方式将其提供给模型。哪种设计符合这些要求？

正确答案是使用 Kinesis Data Analytics SQL 应用程序计算滚动平均值并发出结果流，然后让 Lambda 消费该结果流并将平均值作为在线特征组发布到 SageMaker Feature Store。Kinesis Data Analytics SQL 应用程序非常适合对流数据进行近实时聚合（如滚动平均值），并能直接处理 Kinesis 数据流。Lambda 函数可以高效地从 Kinesis Data Analytics 的输出流中获取处理后的数据，并将其写入 SageMaker Feature Store 的在线特征组，满足近实时提供特征的需求。 其他选项不符合要求： 将数据流发送到 S3 并运行 SageMaker Processing 作业会引入批处理延迟，无法满足近实时要求。 SageMaker Feature Store 不支持在内部使用 GetRecord API 计算滚动平均值，它主要用于存储和检索特征。 将数据加载到离线特征组并在查询时计算滚动平均值不符合将特征存储在 Feature Store 中并以近实时方式提供的要求。