Platforma podcastowa wykrywa niskie zaangażowanie, analizując 10-minutowe przesuwne okno zdarzeń użytkownika. Musisz pozyskiwać zdarzenia i przetwarzać dane z ostatnich 10 minut przed uruchomieniem wnioskowania, minimalizując narzuty operacyjne. Który projekt jest najlepszy?

Poprawna odpowiedź to użycie Amazon Kinesis Data Streams do pozyskiwania zdarzeń i Amazon Kinesis Data Analytics do transformacji danych z ostatnich 10 minut. Kinesis Data Streams to usługa strumieniowania danych w czasie rzeczywistym, idealna do zbierania zdarzeń. Kinesis Data Analytics umożliwia przetwarzanie danych strumieniowych w czasie rzeczywistym za pomocą SQL lub Apache Flink, co jest optymalne do analizy przesuwnego okna czasowego bez konieczności zarządzania serwerami. Inne opcje są mniej efektywne: Użycie Amazon MSK (Managed Streaming for Apache Kafka) jest możliwe, ale Kinesis Data Streams jest często prostsze w zarządzaniu dla wielu zastosowań. Połączenie MSK z Kinesis Data Analytics jest technicznie wykonalne, ale Kinesis Data Streams jest bardziej natywnym rozwiązaniem w ekosystemie AWS dla tego typu zadania. Dostarczanie danych do S3 za pomocą Kinesis Data Firehose, a następnie użycie AWS Lambda do transformacji, wprowadza dodatkowe opóźnienia i złożoność, ponieważ dane musiałyby być odczytywane z S3, co nie jest idealne dla przetwarzania w czasie rzeczywistym w oknie przesuwnym. Użycie Amazon MSK z AWS Lambda do transformacji wymagałoby zarządzania logiką okienkowania w Lambdzie, co jest bardziej złożone i mniej wydajne niż wykorzystanie wbudowanych możliwości Kinesis Data Analytics do przetwarzania strumieniowego.