Каждое утро компании по прокату автомобилей требуются автоматизированные аналитические данные о спросе на бронирование за предыдущий день. Данные должны передаваться в S3 практически в реальном времени, выявлять транспортные средства с высоким спросом в каждом местоположении и отображаться на автоматически обновляемой панели мониторинга. Какой подход обеспечивает это с наименьшими усилиями по разработке?

Правильный ответ обеспечивает наименьшие усилия по разработке, используя Kinesis Data Firehose для простой потоковой передачи данных в S3 без необходимости управления серверами или сложной конфигурации. QuickSight ML Insights автоматически обнаруживает выбросы (транспортные средства с высоким спросом) и визуализирует их, что значительно снижает объем ручного кодирования и настройки ML-моделей. Неправильные варианты: Использование Kinesis Data Streams требует больше усилий по разработке и управлению, так как необходимо настраивать потребителей данных и масштабировать потоки. Обучение и использование модели Random Cut Forest (RCF) в SageMaker, хотя и эффективно для обнаружения аномалий, требует значительных усилий по разработке, развертыванию и обслуживанию модели, что противоречит требованию "наименьшие усилия".