Specjalista ds. danych zdefiniował transformacje i inżynierię cech w SageMaker Data Wrangler i zapisał je w SageMaker Feature Store. Nowe dane historyczne okresowo trafiają do S3 i muszą zostać przetransformowane i dodane do internetowego magazynu cech, przygotowane do trenowania i wnioskowania przy użyciu natywnych integracji. Które rozwiązanie wymaga najmniejszego wysiłku deweloperskiego?

Prawidłowa odpowiedź to użycie Amazon EventBridge do wyzwolenia predefiniowanego potoku SageMaker. EventBridge umożliwia łatwe tworzenie reguł, które reagują na zdarzenia z różnych źródeł AWS, w tym S3. Kiedy nowe dane pojawią się w S3, EventBridge może wykryć to zdarzenie i automatycznie uruchomić potok SageMaker, który został już zdefiniowany w Data Wrangler. To rozwiązanie minimalizuje wysiłek deweloperski, ponieważ wykorzystuje natywne integracje AWS i nie wymaga pisania dodatkowego kodu do orkiestracji. Pozostałe opcje są mniej optymalne: Funkcje AWS Lambda wymagałyby napisania kodu do monitorowania S3 i wywoływania potoku, co zwiększa wysiłek deweloperski. AWS Step Functions jest potężnym narzędziem do orkiestracji, ale w tym przypadku EventBridge oferuje prostsze i bardziej bezpośrednie rozwiązanie dla zdarzeń opartych na S3. Apache Airflow to zewnętrzne narzędzie, które wymagałoby dodatkowej konfiguracji i zarządzania, co zwiększa złożoność i wysiłek.