Компании требуется разработка признаков (feature engineering), агрегация и подготовка данных, а затем решение AWS для обработки и хранения полученных признаков. Какой подход удовлетворяет этим требованиям?

Правильный ответ — использование Amazon SageMaker Feature Processing для обработки и загрузки данных, а затем SageMaker Feature Store для управления и хранения признаков. SageMaker Feature Processing позволяет выполнять сложную инженерию признаков и агрегацию данных. SageMaker Feature Store специально разработан для централизованного хранения, управления и обслуживания признаков для обучения и инференса, обеспечивая согласованность и повторное использование. Неправильные варианты: Amazon SageMaker Model Monitor предназначен для мониторинга производительности моделей и дрейфа данных, а не для обработки или хранения признаков. Хранение признаков в S3 в формате JSON не обеспечивает функциональность управления и обслуживания, предлагаемую Feature Store. Amazon Managed Service for Apache Flink (ранее Kinesis Data Analytics for Apache Flink) подходит для потоковой обработки данных, но прямое преобразование и загрузка в Feature Store через Flink не является стандартным или наиболее эффективным подходом для всех этапов инженерии признаков. Задания Amazon SageMaker batch transform используются для инференса больших объемов данных, а не для инженерии признаков или их хранения. DynamoDB может хранить данные, но не оптимизирована для управления признаками, как Feature Store, и не предоставляет те же возможности для ML-рабочих нагрузок.