あるデータサイエンティストがBigQuery MLモデルを作成しました。あなたは、100ミリ秒未満のレイテンシでREST APIを介してユーザーごとの予測を提供する必要があります。予測クエリは次のとおりです: SELECT predicted_label, user_id FROM ML.PREDICT(MODEL 'dataset.model', TABLE user_features)。サービングパイプラインはどのように構築すべきですか？

BigQuery MLのモデルからリアルタイムに近い低レイテンシで予測を提供するには、予測結果を高速に読み出せるデータベースに保存することが重要です。Bigtableはミリ秒単位のレイテンシで大量のデータを処理できるNoSQLデータベースであり、この要件に最適です。Dataflowパイプラインを使用してBigQuery MLの予測結果をBigtableに書き込むことで、アプリケーションはBigtableからユーザーごとの予測を迅速に取得できます。 他の選択肢は、リアルタイム予測の要件を満たしません。BigQueryは分析クエリに優れていますが、個別の予測を低レイテンシで取得するのには適していません。Dataflowワーカーから直接結果を返す方法は、API経由でのアクセスには不向きです。