Een bank neemt ruwe transactiegegevens op uit een Amazon Kinesis-datastroom. De oplossing moet voortschrijdende gemiddelden berekenen uit de stroom, die kenmerken opslaan in SageMaker Feature Store en deze in bijna realtime aan modellen leveren. Welk ontwerp voldoet aan deze vereisten?

De juiste oplossing maakt gebruik van Kinesis Data Analytics SQL om voortschrijdende gemiddelden te berekenen uit de ruwe transactiestroom. Dit is efficiënt voor real-time aggregatie. De resultaatstroom wordt vervolgens door een AWS Lambda-functie geconsumeerd, die de berekende gemiddelden naar SageMaker Feature Store stuurt als een online feature group. Dit voldoet aan de vereisten voor het leveren van features in bijna real-time aan modellen. De andere opties zijn minder geschikt: Het gebruik van Kinesis Data Firehose naar S3 gevolgd door een SageMaker Processing-taak introduceert te veel latentie voor "bijna real-time" vereisten. Het rechtstreeks schrijven van ruwe gegevens naar Feature Store en het berekenen van voortschrijdende gemiddelden met de GetRecord API is inefficiënt en niet de bedoelde functionaliteit van Feature Store voor aggregaties. Het laden als een offline feature group en het berekenen tijdens de query voldoet niet aan de "bijna real-time" leveringsvereiste voor modellen.