Un banco ingiere datos de transacciones en bruto desde un stream de datos de Amazon Kinesis. La solución debe calcular promedios móviles a partir del stream, almacenar esas características en SageMaker Feature Store y servirlas a los modelos casi en tiempo real. ¿Qué diseño cumple con estos requisitos?

La opción correcta utiliza Kinesis Data Analytics para calcular promedios móviles en tiempo real directamente desde el stream de Kinesis. Luego, una función Lambda ingiere estos resultados procesados en SageMaker Feature Store como un grupo de características en línea, lo que permite el servicio casi en tiempo real a los modelos. Las opciones incorrectas son: Enviar a S3 y usar SageMaker Processing introduce latencia, ya que S3 no es una fuente de datos en tiempo real para promedios móviles continuos. Escribir directamente en Feature Store y calcular promedios con GetRecord no es el propósito de GetRecord y no permite el cálculo continuo de promedios móviles sobre el stream. Cargar en Feature Store como grupo fuera de línea y calcular en el momento de la consulta no cumple con el requisito de servicio casi en tiempo real, ya que un grupo fuera de línea está diseñado para entrenamiento y procesamiento por lotes.