Банк получает необработанные данные транзакций из потока данных Amazon Kinesis. Решение должно вычислять скользящие средние из потока, сохранять эти признаки в SageMaker Feature Store и предоставлять их моделям практически в реальном времени. Какой дизайн соответствует этим требованиям?

Правильный ответ использует Kinesis Data Analytics SQL для вычисления скользящих средних непосредственно из потока Kinesis. Это эффективно, так как Kinesis Data Analytics предназначен для обработки потоковых данных в реальном времени. Затем функция AWS Lambda потребляет результирующий поток и записывает обработанные признаки в SageMaker Feature Store как онлайн-группу признаков, обеспечивая доступность данных для моделей практически в реальном времени. Неправильные варианты: Отправка в S3 через Kinesis Data Firehose, а затем использование SageMaker Processing, вносит задержку и не подходит для обработки "практически в реальном времени". Запись необработанных данных непосредственно в Feature Store и попытка вычисления скользящих средних с помощью API GetRecord не является эффективным способом обработки потоковых данных и вычисления агрегаций. Feature Store предназначен для хранения признаков, а не для их вычисления из необработанных данных. Использование офлайн-группы признаков не соответствует требованию "практически в реальном времени".