Un'azienda necessita di feature engineering, aggregazione e preparazione dei dati, quindi di una soluzione AWS per elaborare e archiviare le feature risultanti. Quale approccio soddisfa queste esigenze?

L'opzione corretta è la più adatta perché Amazon SageMaker Feature Processing è progettato per l'elaborazione e l'ingestione di feature, mentre SageMaker Feature Store è specificamente creato per la gestione e l'archiviazione efficiente delle feature per l'addestramento e l'inferenza dei modelli, supportando sia l'accesso online che offline. Le altre opzioni sono meno appropriate: Amazon SageMaker Model Monitor è per il monitoraggio dei modelli in produzione, non per l'elaborazione o l'ingestione di feature. L'archiviazione in un bucket S3 in formato JSON non offre le capacità di gestione e accesso rapido di un feature store. Amazon Managed Service for Apache Flink è per l'elaborazione di stream in tempo reale, ma l'ingestione diretta in Feature Store è solo una parte della soluzione e non copre l'intero processo di feature engineering e aggregazione in modo ottimale come Feature Processing. Un job di trasformazione batch di SageMaker può trasformare i dati, ma l'archiviazione in DynamoDB, sebbene possibile, non è la soluzione più specializzata o efficiente per la gestione delle feature rispetto a un feature store dedicato.