Un fabricant de moteurs d'avion collecte 200 métriques de séries temporelles pendant les tests et souhaite une détection quasi en temps réel des défauts critiques tout en conservant toutes les données pour une analyse hors ligne. Quelle est l'approche la PLUS efficace pour la détection d'anomalies quasi en temps réel ?

L'approche la plus efficace est d'utiliser Amazon Kinesis Data Firehose pour l'ingestion et Kinesis Data Analytics avec l'application Random Cut Forest (RCF) pour la détection d'anomalies en temps réel. Kinesis Data Firehose permet une ingestion de données quasi en temps réel et peut persister les données brutes vers Amazon S3 pour une analyse ultérieure, répondant ainsi à l'exigence de conservation de toutes les données. Kinesis Data Analytics, avec l'algorithme RCF intégré, est optimisé pour la détection d'anomalies sur des flux de données en temps réel. Les autres options sont moins efficaces pour la détection quasi en temps réel. AWS IoT Analytics est plus adapté à l'analyse de données IoT à plus grande échelle et n'offre pas la même capacité de détection d'anomalies en temps réel que Kinesis Data Analytics. L'utilisation d'un cluster Amazon EMR ou de SageMaker RCF hors ligne implique un traitement par lots, ce qui ne répond pas à l'exigence de "quasi en temps réel".