Bank importuje surowe dane transakcyjne ze strumienia danych Amazon Kinesis. Rozwiązanie musi obliczać średnie kroczące ze strumienia, przechowywać te cechy w SageMaker Feature Store i udostępniać je modelom w czasie zbliżonym do rzeczywistego. Który projekt spełnia te wymagania?

Poprawna odpowiedź to użycie Kinesis Data Analytics SQL do obliczania średnich kroczących i emitowania strumienia wyników, a następnie przetwarzanie tego strumienia przez Lambda i publikowanie średnich w SageMaker Feature Store jako grupie cech online. Kinesis Data Analytics SQL jest idealne do obliczeń w czasie rzeczywistym na strumieniach danych, takich jak średnie kroczące. Lambda efektywnie przekształca i publikuje te wyniki w Feature Store, zapewniając dostępność cech w czasie zbliżonym do rzeczywistego. Pozostałe opcje są mniej optymalne: Wysyłanie do S3 i użycie SageMaker Processing wprowadza opóźnienia i nie spełnia wymagań czasu zbliżonego do rzeczywistego. Zapisywanie surowych danych do Feature Store i obliczanie średnich za pomocą GetRecord API jest nieefektywne i nie jest przeznaczone do przetwarzania w czasie rzeczywistym. Ładowanie do Feature Store jako grupy cech offline i obliczanie w czasie zapytania również nie spełnia wymagań czasu zbliżonego do rzeczywistego.