Une banque ingère des données de transactions brutes à partir d'un flux de données Amazon Kinesis. La solution doit calculer des moyennes glissantes à partir du flux, stocker ces caractéristiques dans SageMaker Feature Store et les servir aux modèles en quasi temps réel. Quelle conception répond à ces exigences ?

L'option correcte utilise Kinesis Data Analytics SQL pour calculer les moyennes glissantes directement sur le flux de données en temps réel, ce qui est idéal pour les exigences de quasi temps réel. La fonction Lambda agit comme un connecteur efficace pour ingérer ces caractéristiques calculées dans SageMaker Feature Store en tant que groupe de caractéristiques en ligne, permettant un accès rapide pour les modèles. Les autres options sont moins optimales : Envoyer vers S3 avec Kinesis Data Firehose puis utiliser SageMaker Processing introduit une latence trop élevée pour le "quasi temps réel". Écrire directement dans Feature Store et calculer les moyennes avec GetRecord n'est pas la bonne approche ; Feature Store est un magasin de caractéristiques, pas un moteur de calcul de moyennes glissantes sur des flux. Charger les données dans Feature Store en tant que groupe hors ligne puis calculer au moment de la requête ne répond pas à l'exigence de calcul des moyennes glissantes à partir du flux et de service en quasi temps réel, car les calculs seraient effectués à chaque requête plutôt que pré-calculés.