Ein Flugzeugtriebwerkshersteller erfasst während des Testens 200 Zeitreihen-Metriken und möchte kritische Defekte nahezu in Echtzeit erkennen, während alle Daten für die Offline-Analyse aufbewahrt werden. Welcher Ansatz ist am effektivsten für die Anomalieerkennung nahezu in Echtzeit?

Die Verwendung von Amazon Kinesis Data Firehose zur Datenerfassung und Kinesis Data Analytics mit der Random Cut Forest (RCF)-Anwendung ist die effektivste Lösung, da sie eine Anomalieerkennung nahezu in Echtzeit für Streaming-Daten ermöglicht. Firehose persistiert die Daten gleichzeitig in Amazon S3 für die Offline-Analyse, was die Anforderung erfüllt, alle Daten aufzubewahren. AWS IoT Analytics ist für IoT-Daten optimiert, aber Kinesis Data Analytics bietet eine direktere Echtzeit-Anomalieerkennung. Das Ausführen von Jupyter Notebooks innerhalb von IoT Analytics ist eher für die explorative Analyse als für die Echtzeit-Erkennung geeignet. Die Aufnahme und Speicherung in Amazon S3 mit Amazon EMR oder dem Amazon SageMaker RCF-Algorithmus sind Offline-Ansätze und erfüllen nicht die Anforderung der Echtzeit-Erkennung.