Une entreprise de streaming musical diffuse des évaluations de chansons dans un compartiment S3 et dispose d'un AWS Glue Data Catalog pointant vers ce compartiment. L'entreprise souhaite un référentiel pour ces évaluations qui reste synchronisé pour l'entraînement par lots et l'inférence en temps réel. Quelle solution répond à cette exigence ?

SageMaker Feature Store est la solution la plus adaptée car il est conçu pour stocker, gérer et servir des caractéristiques pour l'entraînement par lots et l'inférence en temps réel, garantissant ainsi la synchronisation. L'ingestion des données S3 permet de centraliser les caractéristiques et d'y appliquer des balises et des index pour une meilleure organisation et récupération. Amazon Athena est un service de requête interactif qui permet d'analyser des données dans S3, mais il ne fournit pas de référentiel centralisé et synchronisé pour l'inférence en temps réel. AWS Lake Formation est un service qui facilite la construction de lacs de données sécurisés, mais il ne gère pas spécifiquement les caractéristiques pour l'entraînement et l'inférence de modèles ML de manière synchronisée. SageMaker Data Wrangler est un outil de préparation de données, et sa fonction Generate Data Insights est utilisée pour l'exploration et la visualisation des données, non pour le stockage et la synchronisation des caractéristiques.