Un científico de datos definió transformaciones e ingeniería de características en SageMaker Data Wrangler y las guardó en SageMaker Feature Store. Periódicamente, llegan nuevos datos históricos a S3 y deben transformarse y agregarse al feature store en línea, preparados para el entrenamiento y la inferencia utilizando integraciones nativas. ¿Qué solución requiere el menor esfuerzo de desarrollo?

La opción correcta es usar Amazon EventBridge porque es un servicio de orquestación sin servidor que puede reaccionar a eventos en S3 (como la llegada de nuevos datos) y activar directamente un pipeline de SageMaker. Esto minimiza el esfuerzo de desarrollo, ya que EventBridge se integra de forma nativa con S3 y SageMaker. Las otras opciones requieren más esfuerzo de desarrollo: Una función de AWS Lambda podría usarse, pero requeriría escribir código para invocar el pipeline de SageMaker, lo que añade complejidad. AWS Step Functions es una opción de orquestación potente, pero es más adecuada para flujos de trabajo complejos con múltiples pasos y lógica condicional, siendo excesivo para una simple activación basada en eventos. Apache Airflow es una herramienta de orquestación de código abierto que requeriría configurar y mantener un clúster, lo que implica un esfuerzo operativo y de desarrollo significativamente mayor.