Un data scientist a défini des transformations et de l'ingénierie de fonctionnalités dans SageMaker Data Wrangler et les a enregistrées dans SageMaker Feature Store. De nouvelles données historiques arrivent périodiquement dans S3 et doivent être transformées et ajoutées au Feature Store en ligne, préparées pour l'entraînement et l'inférence à l'aide d'intégrations natives. Quelle solution nécessite le moins d'effort de développement ?

La bonne réponse est d'utiliser Amazon EventBridge pour déclencher un pipeline SageMaker prédéfini. EventBridge peut être configuré pour réagir aux événements S3 (comme l'arrivée de nouveaux fichiers), ce qui en fait une solution sans serveur et à faible effort pour déclencher automatiquement le pipeline SageMaker Data Wrangler. Le pipeline SageMaker Data Wrangler, une fois défini, encapsule les transformations et l'ingénierie des fonctionnalités, et peut être directement intégré avec Feature Store. Les autres options nécessitent plus d'effort de développement ou sont moins optimisées pour ce cas d'utilisation. Une fonction Lambda peut exécuter un pipeline, mais EventBridge offre une intégration plus directe et moins de code à maintenir pour le déclenchement basé sur S3. AWS Step Functions est puissant pour l'orchestration complexe, mais peut être excessif pour un simple déclenchement de pipeline. Apache Airflow est une solution d'orchestration tierce qui nécessiterait une configuration et une maintenance supplémentaires par rapport aux services AWS natifs.