Vous devez créer un pipeline de maintenance prédictive en temps réel qui reçoit des données d'appareils provenant de sites distants (sans Direct Connect ni VPN). Le pipeline doit : ingérer les données dans Amazon S3 en temps réel, transformer les enregistrements bruts entrants en CSV propre pendant l'ingestion, stocker les enregistrements bruts originaux dans S3 et placer tous les enregistrements dont la transformation a échoué dans un emplacement S3 désigné pour examen humain. Quelle architecture nécessite le moins d'effort pour répondre à ces exigences ?

Cette option est la plus simple car Kinesis Data Firehose est conçu pour ingérer des données en temps réel dans S3 avec une configuration minimale. Il prend en charge nativement la transformation des données via AWS Lambda pendant l'ingestion, ce qui permet de convertir les données brutes en CSV propre. La fonctionnalité de sauvegarde des enregistrements source de Firehose gère automatiquement le stockage des enregistrements bruts originaux dans S3. De plus, Firehose peut diriger les enregistrements ayant échoué à la transformation vers un préfixe S3 spécifié pour examen humain, répondant ainsi à toutes les exigences avec le moins d'effort. Les autres options nécessitent plus de gestion. MSK introduit une complexité opérationnelle et des coûts supplémentaires. L'invocation d'un job AWS Glue Apache Spark depuis Firehose est possible mais plus complexe et coûteuse qu'une fonction Lambda pour une transformation simple. L'utilisation de Kinesis Data Streams avant Firehose ajoute une couche de complexité inutile pour ce cas d'utilisation.