Elke ochtend heeft een autoverhuurbedrijf geautomatiseerde inzichten nodig over de reserveringsvraag van de vorige dag. Gegevens moeten in bijna realtime naar S3 streamen, voertuigen met veel vraag per locatie detecteren en verschijnen op een dashboard dat automatisch wordt vernieuwd. Welke aanpak levert dit met de minste ontwikkelingsinspanning?

De correcte optie minimaliseert de ontwikkelingsinspanning door gebruik te maken van volledig beheerde services. Amazon Kinesis Data Firehose is ontworpen voor het streamen van gegevens naar S3 met minimale configuratie. Amazon QuickSight ML Insights biedt ingebouwde functionaliteit voor het detecteren van afwijkingen (zoals pieken in de vraag) zonder dat er een apart machine learning-model hoeft te worden getraind of geïmplementeerd, en kan de resultaten direct visualiseren op een automatisch vernieuwend dashboard. De andere opties vereisen meer ontwikkelingsinspanning. Het gebruik van Kinesis Data Streams vereist meer beheer en configuratie dan Firehose. Het trainen en gebruiken van een Random Cut Forest (RCF)-model in SageMaker voegt aanzienlijke ontwikkelingscomplexiteit toe voor het detecteren van uitschieters, terwijl QuickSight ML Insights dit out-of-the-box kan.