Een fabrikant van vliegtuigmotoren verzamelt 200 tijdreeksstatistieken tijdens tests en wil kritieke defecten bijna in realtime detecteren, terwijl alle gegevens worden bewaard voor offline analyse. Welke aanpak is HET MEEST effectief voor bijna-realtime anomaliedetectie?

De meest effectieve aanpak voor bijna-realtime anomaliedetectie is het gebruik van Amazon Kinesis Data Firehose voor data-inname en het opslaan van de ruwe data in Amazon S3 voor latere offline analyse. Tegelijkertijd kan Kinesis Data Analytics, met de ingebouwde Random Cut Forest (RCF)-applicatie, de streaminggegevens verwerken om anomalieën in bijna-realtime te detecteren. RCF is een effectief algoritme voor het identificeren van afwijkingen in streaming data. De andere opties zijn minder geschikt: AWS IoT Analytics is goed voor IoT-gegevens, maar Jupyter notebooks zijn niet optimaal voor bijna-realtime detectie op streaming data. Amazon EMR met Apache Spark en k-means clustering is een krachtige offline analyseoplossing, niet primair voor bijna-realtime detectie. Amazon SageMaker's RCF-algoritme offline gebruiken voldoet niet aan de eis van bijna-realtime detectie.