Une entreprise a besoin d'ingénierie de fonctionnalités, d'agrégation et de préparation de données, puis d'une solution AWS pour traiter et stocker les fonctionnalités résultantes. Quelle approche répond à ces besoins ?

L'approche correcte est d'utiliser Amazon SageMaker Feature Processing et SageMaker Feature Store. SageMaker Feature Processing est conçu pour l'ingénierie, l'agrégation et la préparation des données, ce qui correspond aux besoins de l'entreprise. SageMaker Feature Store est un référentiel spécialisé pour le stockage, la gestion et la récupération des fonctionnalités pour l'entraînement et l'inférence des modèles ML. Les autres options sont moins appropriées : SageMaker Model Monitor est utilisé pour détecter la dérive de modèle et la dérive de données après le déploiement, pas pour l'ingénierie de fonctionnalités initiale. Stocker des fonctionnalités brutes dans S3 au format JSON n'offre pas les capacités de gestion et de récupération optimisées de Feature Store. Amazon Managed Service for Apache Flink est un excellent outil de traitement de flux, mais l'option suggère de l'utiliser pour transformer les données et les ingérer directement dans Feature Store, ce qui n'est pas son cas d'utilisation principal pour l'ingénierie de fonctionnalités par lots ou la préparation avancée. Un job de transformation par lots SageMaker peut transformer des données, mais stocker des fonctionnalités dans DynamoDB n'est pas la solution la plus optimisée pour la gestion des fonctionnalités ML par rapport à Feature Store.