Chaque matin, une entreprise de location de voitures a besoin d'informations automatisées sur la demande de réservations de la veille. Les données doivent être diffusées en continu vers S3 en temps quasi réel, détecter les véhicules à forte demande par emplacement et apparaître sur un tableau de bord qui se rafraîchit automatiquement. Quelle approche permet d'y parvenir avec le moins d'effort de développement ?

L'option correcte utilise Kinesis Data Firehose pour la diffusion en continu vers S3, car il s'agit d'un service entièrement géré qui nécessite moins d'efforts de développement que Kinesis Data Streams. Data Streams nécessite la gestion des shards et des consommateurs. L'option correcte utilise également QuickSight ML Insights pour la détection des anomalies et la visualisation. QuickSight ML Insights est une fonctionnalité intégrée qui permet de détecter automatiquement les valeurs aberrantes sans avoir besoin de développer et de déployer des modèles ML personnalisés dans SageMaker, ce qui réduit considérablement l'effort de développement. Les autres options impliquent soit Kinesis Data Streams (plus d'efforts), soit SageMaker pour la détection des anomalies (plus d'efforts de développement ML).