Ein Unternehmen benötigt Feature Engineering, Aggregation und Datenaufbereitung sowie eine AWS-Lösung zur Verarbeitung und Speicherung der resultierenden Features. Welcher Ansatz erfüllt diese Anforderungen?

Die korrekte Option nutzt Amazon SageMaker Feature Processing für die Feature-Engineering-, Aggregations- und Datenaufbereitungsaufgaben, was genau den Anforderungen entspricht. Anschließend wird SageMaker Feature Store verwendet, um die resultierenden Features effizient zu verwalten und zu speichern, was sowohl Online- als auch Offline-Zugriff ermöglicht. Die anderen Optionen sind weniger geeignet: SageMaker Model Monitor dient der Überwachung der Modellleistung und Datenqualität nach dem Training, nicht der Feature-Verarbeitung und -Speicherung. Amazon Managed Service for Apache Flink kann Daten transformieren, aber die direkte Aufnahme in Feature Store ist nicht die primäre oder effizienteste Methode für diesen Anwendungsfall, insbesondere wenn SageMaker Feature Processing verfügbar ist. SageMaker Batch-Transformationsjobs sind für Inferenz auf großen Datensätzen konzipiert, nicht primär für Feature Engineering und die Speicherung in DynamoDB, was für große Mengen von Features weniger optimiert ist als Feature Store.