Una banca acquisisce dati grezzi sulle transazioni da un data stream di Amazon Kinesis. La soluzione deve calcolare le medie mobili dal flusso, archiviare tali caratteristiche in SageMaker Feature Store e fornirle ai modelli quasi in tempo reale. Quale design soddisfa questi requisiti?

Questa soluzione è la più efficiente perché Kinesis Data Analytics SQL è progettato per calcolare aggregazioni in tempo reale su flussi di dati, come le medie mobili. La funzione Lambda funge da connettore leggero per pubblicare i risultati aggregati direttamente in SageMaker Feature Store come un online feature group, garantendo l'accesso quasi in tempo reale per i modelli. Le altre opzioni sono meno adatte: Inviare a S3 e usare SageMaker Processing introduce latenza e non è ottimale per requisiti quasi in tempo reale. Scrivere direttamente in Feature Store e calcolare con GetRecord non è il modo corretto di usare Feature Store per aggregazioni complesse e non è efficiente per le medie mobili. Usare un offline feature group non soddisfa il requisito di disponibilità quasi in tempo reale.