Il prossimo anno addestrerai modelli ML e dovrai archiviare la telemetria dei veicoli nel cloud, minimizzando i costi. Quale approccio di archiviazione dovresti usare?

L'opzione corretta è "Fare in modo che il veicolo comprima snapshot orari e li memorizzi in un bucket Cloud Storage Coldline". Questo approccio è il più conveniente per dati a cui si accede raramente, come la telemetria storica per l'addestramento di modelli ML. La compressione riduce lo spazio di archiviazione e i costi di rete. Cloud Storage Coldline offre costi di archiviazione molto bassi con un costo di recupero dati leggermente più alto, accettabile per l'addestramento ML non in tempo reale. Le altre opzioni sono meno ideali: Cloud Storage Nearline è più costoso di Coldline e non offre un vantaggio significativo per questo caso d'uso. Trasmettere dati in tempo reale a Dataflow e BigQuery/Bigtable è costoso e non necessario per snapshot orari destinati all'addestramento ML, che non richiede bassa latenza. BigQuery è ottimizzato per l'analisi, non per l'archiviazione a basso costo di grandi volumi di dati grezzi di telemetria. Cloud Bigtable è un database NoSQL a bassa latenza, anch'esso non adatto per l'archiviazione a basso costo di dati storici.