Analityk danych utworzył model BigQuery ML. Musisz udostępniać prognozy dla poszczególnych użytkowników za pośrednictwem interfejsu REST API z opóźnieniem <100 ms. Zapytanie o prognozę to: SELECT predicted_label, user_id FROM ML.PREDICT(MODEL 'dataset.model', TABLE user_features). Jak należy zbudować potok udostępniania?

Prawidłowa odpowiedź zakłada użycie Bigtable ze względu na jego zdolność do obsługi zapytań o niskim opóźnieniu (<100 ms) dla danych klucz-wartość, co jest idealne do pobierania prognoz dla poszczególnych użytkowników. Dataflow jest używany do jednorazowego lub okresowego ładowania wszystkich prognoz z BigQuery ML do Bigtable. Dodanie klauzuli WHERE do zapytania ML.PREDICT i przyznanie roli BigQuery Data Viewer nie spełni wymagań dotyczących niskiego opóźnienia, ponieważ BigQuery nie jest przeznaczone do obsługi zapytań o pojedyncze rekordy w czasie rzeczywistym z tak niskim opóźnieniem. Tworzenie autoryzowanego widoku również nie rozwiąże problemu opóźnień. Użycie zadania Dataflow do uruchomienia zapytania i zwrócenia wyników przez pracowników Dataflow jest zbyt skomplikowane i nieefektywne dla pojedynczych zapytań w czasie rzeczywistym, wprowadzając dodatkowe opóźnienia związane z uruchamianiem i zarządzaniem zadaniami Dataflow.