Ein Anbieter liefert alle 3–4 Tage bereinigte, gebrauchsfertige Trainingsdaten an den Amazon S3-Bucket des Unternehmens. Das Unternehmen verfügt über eine SageMaker-Pipeline, um das Modell neu zu trainieren. Der ML-Ingenieur benötigt die Pipeline, um automatisch ausgeführt zu werden, wenn neue Daten in S3 mit dem geringsten Betriebsaufwand ankommen. Welche Lösung sollte er implementieren?

Die korrekte Lösung ist, eine Amazon EventBridge-Regel zu erstellen, die auf S3-Objekt-Erstellungsereignisse reagiert und die SageMaker-Pipeline als Ziel konfiguriert. EventBridge bietet eine serverlose, ereignisgesteuerte Architektur, die S3-Ereignisse direkt erfassen und Aktionen auslösen kann, was den geringsten Betriebsaufwand bedeutet. Eine S3-Lifecycle-Regel ist für die Verwaltung des Objektlebenszyklus gedacht, nicht für die Auslösung von Workflows. Eine AWS Lambda-Funktion könnte dies zwar tun, erfordert aber mehr Entwicklungs- und Wartungsaufwand als EventBridge, da sie den Bucket aktiv scannen müsste oder über S3-Ereignisbenachrichtigungen konfiguriert werden müsste, was im Grunde das nachbildet, was EventBridge nativ bietet. Amazon MWAA (Managed Workflows for Apache Airflow) ist eine robuste Orchestrierungslösung, aber für diesen spezifischen Anwendungsfall, bei dem es nur um die Auslösung einer SageMaker-Pipeline basierend auf einem S3-Ereignis geht, ist EventBridge die einfachere und kostengünstigere Lösung mit dem geringsten Betriebsaufwand.