Ein Data Scientist hat Transformationen und Feature Engineering in SageMaker Data Wrangler definiert und diese im SageMaker Feature Store gespeichert. Neue historische Daten landen regelmäßig in S3 und müssen transformiert und dem Online Feature Store hinzugefügt werden, vorbereitet für Training und Inferenz unter Verwendung nativer Integrationen. Welche Lösung erfordert den geringsten Entwicklungsaufwand?

Die korrekte Antwort ist die Verwendung von Amazon EventBridge, um eine vordefinierte SageMaker-Pipeline auszulösen, wenn neue Daten in S3 erkannt werden. Dies ist die Lösung mit dem geringsten Entwicklungsaufwand, da EventBridge native Integrationen mit S3-Ereignissen und SageMaker-Pipelines bietet. Es ermöglicht eine ereignisgesteuerte Orchestrierung ohne zusätzlichen Code für die Pipeline-Ausführung. Die Verwendung einer AWS Lambda-Funktion würde zusätzlichen Code erfordern, um die Pipeline zu starten. Ein AWS Step Functions-Zustand würde ebenfalls mehr Konfiguration und Definition der Workflow-Schritte bedeuten. Apache Airflow ist ein leistungsstarkes Orchestrierungstool, erfordert jedoch eine separate Bereitstellung und Wartung der Airflow-Umgebung, was den Entwicklungsaufwand erhöht.