데이터 과학자가 SageMaker Data Wrangler에서 변환 및 특징 엔지니어링을 정의하고 SageMaker Feature Store에 저장했습니다. 새로운 과거 데이터가 주기적으로 S3에 저장되며, 기본 통합을 사용하여 훈련 및 추론을 위해 준비된 온라인 특징 스토어에 변환되어 추가되어야 합니다. 어떤 솔루션이 개발 노력이 가장 적게 필요할까요?

정답은 S3에서 새 데이터가 감지될 때 변환을 수행하도록 미리 정의된 SageMaker 파이프라인을 트리거하는 Amazon EventBridge를 사용하는 것입니다. EventBridge는 S3 이벤트(예: 새 객체 생성)에 반응하여 SageMaker 파이프라인 실행을 자동으로 시작할 수 있으므로, 최소한의 개발 노력으로 주기적인 데이터 처리 워크플로우를 구현할 수 있습니다. SageMaker Data Wrangler에서 정의된 변환은 파이프라인 내에서 재사용될 수 있습니다. AWS Lambda 함수를 사용하는 것은 가능하지만, 파이프라인 실행 로직을 직접 코딩해야 하므로 EventBridge 규칙을 사용하는 것보다 개발 노력이 더 듭니다. AWS Step Functions는 복잡한 워크플로우 오케스트레이션에 적합하지만, 이 시나리오에서는 EventBridge의 직접적인 통합이 더 간단하고 효율적입니다. Apache Airflow는 외부 도구이며 AWS 관리형 서비스가 아니므로 설정 및 유지 관리에 더 많은 노력이 필요합니다.