Uno scienziato dei dati ha definito trasformazioni e feature engineering in SageMaker Data Wrangler e li ha salvati in SageMaker Feature Store. Nuovi dati storici arrivano periodicamente in S3 e devono essere trasformati e aggiunti al feature store online, preparati per l'addestramento e l'inferenza utilizzando integrazioni native. Quale soluzione richiede il minor sforzo di sviluppo?

La risposta corretta è "Utilizzare Amazon EventBridge per attivare una pipeline SageMaker predefinita per eseguire le trasformazioni quando vengono rilevati nuovi dati in S3". Questo perché EventBridge può essere configurato per rilevare automaticamente l'arrivo di nuovi dati in un bucket S3 (tramite eventi S3) e attivare direttamente una pipeline SageMaker. Le pipeline SageMaker sono ideali per orchestrare flussi di lavoro ML, inclusi il pre-processing e l'ingestione nel Feature Store, e riutilizzano le trasformazioni definite in Data Wrangler. Questa soluzione è nativa di AWS, completamente gestita e richiede uno sforzo di sviluppo minimo per l'orchestrazione. Le altre opzioni sono meno efficienti: L'utilizzo di AWS Lambda per eseguire una pipeline SageMaker è possibile, ma EventBridge offre un'integrazione più diretta e meno codice da scrivere per il trigger basato su S3. AWS Step Functions potrebbe orchestrarlo, ma EventBridge è più specifico e leggero per il trigger iniziale basato su eventi S3. Apache Airflow richiederebbe la gestione di un'infrastruttura esterna e un maggiore sforzo di sviluppo per l'integrazione con i servizi AWS, non essendo una soluzione nativa completamente gestita per questo scenario.