Un fabricante de motores de aeronaves recopila 200 métricas de series temporales durante las pruebas y desea una detección casi en tiempo real de defectos críticos, conservando todos los datos para análisis fuera de línea. ¿Qué enfoque es MÁS eficaz para la detección de anomalías casi en tiempo real?

La opción correcta es la más eficaz porque aborda los requisitos de detección casi en tiempo real y la persistencia de datos. Amazon Kinesis Data Firehose ingiere los datos de forma escalable y los envía a Amazon S3 para su análisis posterior. Kinesis Data Analytics, con la aplicación Random Cut Forest, permite la detección de anomalías en tiempo real directamente en el flujo de datos. Las opciones incorrectas son: Usar AWS IoT Analytics con Jupyter notebooks no es ideal para la detección casi en tiempo real debido a la naturaleza interactiva y potencialmente manual de los notebooks. Ingerir y almacenar datos en Amazon S3 y luego usar un clúster de Amazon EMR para k-means clustering es un enfoque por lotes, no adecuado para la detección casi en tiempo real. Usar el algoritmo Random Cut Forest de Amazon SageMaker fuera de línea (offline) no cumple con el requisito de detección casi en tiempo real.