Producent silników lotniczych zbiera 200 metryk szeregów czasowych podczas testów i chce wykrywać krytyczne wady w czasie zbliżonym do rzeczywistego, zachowując jednocześnie wszystkie dane do analizy offline. Które podejście jest NAJSKUTECZNIEJSZE do wykrywania anomalii w czasie zbliżonym do rzeczywistego?

Prawidłowa odpowiedź jest najskuteczniejsza, ponieważ Amazon Kinesis Data Firehose umożliwia pozyskiwanie danych szeregów czasowych w czasie rzeczywistym, a Kinesis Data Analytics z aplikacją Random Cut Forest (RCF) jest przeznaczony do wykrywania anomalii w strumieniach danych w czasie zbliżonym do rzeczywistego. RCF to algorytm uczenia maszynowego, który skutecznie identyfikuje anomalie w danych szeregów czasowych. Dodatkowo, Firehose może utrwalać dane w Amazon S3, co spełnia wymóg zachowania wszystkich danych do analizy offline. Pozostałe opcje są mniej odpowiednie: AWS IoT Analytics jest przeznaczony do danych IoT, ale uruchamianie Jupyter Notebooks do wykrywania anomalii nie zapewnia wykrywania w czasie zbliżonym do rzeczywistego. Klastrowanie k-means w Amazon EMR jest rozwiązaniem offline i nie nadaje się do wykrywania anomalii w czasie zbliżonym do rzeczywistego. Użycie algorytmu RCF z Amazon SageMaker offline również nie spełnia wymogu wykrywania w czasie zbliżonym do rzeczywistego.