Ogni mattina, una società di autonoleggio necessita di insight automatizzati sulla domanda di prenotazioni del giorno precedente. I dati devono essere trasmessi in streaming a S3 quasi in tempo reale, rilevare i veicoli ad alta domanda per località e apparire su una dashboard che si aggiorna automaticamente. Quale approccio offre questo risultato con il minor sforzo di sviluppo?

Questa opzione è la più efficiente perché Kinesis Data Firehose è progettato per lo streaming di dati quasi in tempo reale verso S3 con il minimo sforzo di configurazione e gestione, eliminando la necessità di gestire server. QuickSight ML Insights è una funzionalità integrata che rileva automaticamente anomalie e outlier, come i veicoli ad alta domanda, senza richiedere lo sviluppo di modelli di machine learning complessi o la gestione di SageMaker. QuickSight si aggiorna automaticamente, soddisfacendo il requisito della dashboard. Le opzioni che includono Kinesis Data Streams richiedono una gestione più complessa, come la gestione degli shard e lo sviluppo di applicazioni consumer, aumentando lo sforzo di sviluppo. L'utilizzo di SageMaker per addestrare e distribuire un modello Random Cut Forest (RCF) per il rilevamento degli outlier, sebbene tecnicamente fattibile, introduce una complessità e uno sforzo di sviluppo significativi rispetto all'utilizzo delle funzionalità ML integrate di QuickSight, che sono sufficienti per il caso d'uso descritto.