Un scientifique des données a créé un modèle BigQuery ML. Vous devez diffuser des prédictions par utilisateur via une API REST avec une latence inférieure à 100 ms. La requête de prédiction est la suivante : SELECT predicted_label, user_id FROM ML.PREDICT(MODEL 'dataset.model', TABLE user_features). Comment devez-vous construire le pipeline de diffusion ?

La bonne réponse est de créer un pipeline Dataflow qui lit toutes les prédictions utilisateur de la requête via BigQueryIO, écrit les prédictions dans Bigtable avec BigtableIO, et accorde au compte de service de l'application le rôle Bigtable Reader. Bigtable est une base de données NoSQL à faible latence, idéale pour la diffusion de prédictions individuelles avec des exigences de latence strictes (<100 ms). Le pipeline Dataflow permet de précalculer et de stocker efficacement toutes les prédictions. Les autres options sont incorrectes car : L'ajout d'une clause WHERE à ML.PREDICT pour chaque requête ne répondrait pas aux exigences de latence car chaque prédiction nécessiterait une exécution de requête BigQuery ML. Une vue autorisée ne résout pas le problème de latence pour les requêtes individuelles, car BigQuery n'est pas optimisé pour des lectures à faible latence par clé. Un job Dataflow exécutant la requête pour chaque prédiction introduirait une latence élevée due au démarrage du job et à l'exécution de la requête BigQuery.