Eine Bank nimmt Rohdaten von Transaktionen aus einem Amazon Kinesis-Datenstrom auf. Die Lösung muss gleitende Durchschnitte aus dem Datenstrom berechnen, diese Features im SageMaker Feature Store speichern und sie Modellen nahezu in Echtzeit zur Verfügung stellen. Welches Design erfüllt diese Anforderungen?

Die korrekte Antwort ist die Verwendung von Kinesis Data Analytics SQL, da es eine leistungsstarke, nahezu echtzeitnahe Lösung zur Berechnung gleitender Durchschnitte auf Streaming-Daten bietet. Eine Lambda-Funktion kann dann diese aggregierten Ergebnisse effizient in den SageMaker Feature Store als Online-Feature-Gruppe schreiben, was den Modellen einen schnellen Zugriff ermöglicht. Die Option mit Kinesis Data Firehose an S3 und SageMaker Processing ist zu langsam für Near-Realtime-Anforderungen, da sie Batch-Verarbeitung beinhaltet. Das direkte Schreiben in den Feature Store und die Berechnung mit GetRecord API ist nicht praktikabel für komplexe Aggregationen wie gleitende Durchschnitte und überlastet den Feature Store. Die Option mit Offline-Feature-Gruppe und Berechnung zur Abfragezeit erfüllt ebenfalls nicht die Near-Realtime-Anforderung, da die Aggregation nicht im Voraus erfolgt.