Une plateforme de podcast enregistre des événements utilisateur à volume élevé et exécute un modèle de détection d'anomalies à l'aide d'une fenêtre glissante de 10 minutes. Chaque événement nécessite de petites transformations avant l'inférence. Quelle conception d'ingestion et de prétraitement des événements fournit les transformations requises avec le moins de frais opérationnels ?

La bonne réponse est d'ingérer les événements avec Amazon Kinesis Data Streams et d'appliquer des transformations dans une application Amazon Kinesis Data Analytics (Apache Flink) pour produire la fenêtre transformée de 10 minutes pour l'inférence. Cette approche est optimale car Kinesis Data Streams gère l'ingestion d'événements à volume élevé en temps réel. Kinesis Data Analytics avec Apache Flink est idéal pour les transformations de données en continu, y compris les fenêtres glissantes, offrant une solution gérée avec des frais opérationnels minimaux. Les autres options sont moins efficaces pour ce cas d'utilisation : L'API AWS AppSync GraphQL avec DynamoDB et Lambda pourrait introduire une latence plus élevée et des frais opérationnels supplémentaires pour la gestion des fenêtres glissantes. L'ingestion via Kinesis Data Streams vers S3 avec Kinesis Data Firehose, puis l'utilisation d'AWS Glue, est plus adaptée aux traitements par lots et ne serait pas idéale pour une fenêtre glissante en temps quasi réel. L'ingestion avec Amazon MSK et une fonction Lambda pourrait fonctionner, mais la gestion de MSK est plus complexe et la fonction Lambda devrait gérer la logique de fenêtrage, augmentant les frais opérationnels par rapport à Kinesis Data Analytics.