Una piattaforma di podcast rileva un basso coinvolgimento analizzando una finestra scorrevole di 10 minuti di eventi utente. È necessario acquisire gli eventi e trasformare i dati degli ultimi 10 minuti prima di eseguire l'inferenza con un sovraccarico operativo minimo. Qual è il design migliore?

La risposta corretta è acquisire gli eventi con Amazon Kinesis Data Streams e utilizzare Amazon Kinesis Data Analytics per trasformare i dati degli ultimi 10 minuti prima dell'inferenza. Kinesis Data Streams è ideale per l'acquisizione di grandi volumi di dati di streaming in tempo reale. Kinesis Data Analytics, in particolare con SQL o Apache Flink, è progettato per elaborare flussi di dati in tempo reale e supporta finestre temporali (come una finestra scorrevole di 10 minuti) per aggregare o trasformare i dati, minimizzando il sovraccarico operativo. Le opzioni che includono Amazon MSK sono meno adatte perché, sebbene MSK sia un servizio Kafka gestito, Kinesis Data Streams è spesso più semplice da integrare e gestire per molti casi d'uso di streaming su AWS. L'uso di AWS Lambda per la trasformazione di finestre temporali complesse potrebbe richiedere una logica più complessa e una gestione dello stato che Kinesis Data Analytics gestisce intrinsecamente. L'opzione con Kinesis Data Firehose e S3 introduce una latenza maggiore e non è ottimizzata per l'elaborazione in tempo reale di finestre temporali.