Музыкальная стриминговая компания передает рейтинги песен в бакет S3, и у нее есть AWS Glue Data Catalog, указывающий на этот бакет. Компания хочет создать репозиторий для этих рейтингов, который будет синхронизирован как для пакетного обучения, так и для вывода в реальном времени. Какое решение удовлетворяет этому требованию?

SageMaker Feature Store — это специализированное хранилище для машинного обучения, предназначенное для хранения, извлечения и совместного использования признаков для обучения и вывода в реальном времени. Он обеспечивает синхронизацию признаков для пакетного и потокового использования, что идеально соответствует требованиям компании. Возможность применения тегов и индексов помогает в организации и поиске признаков. Amazon Athena — это интерактивный сервис запросов, который позволяет анализировать данные непосредственно в S3 с использованием стандартного SQL. Хотя он может использоваться для подготовки данных, он не является хранилищем признаков, оптимизированным для ML-вывода в реальном времени, и не обеспечивает синхронизацию признаков между обучением и выводом. AWS Lake Formation — это сервис, который упрощает создание безопасных озер данных. Он фокусируется на управлении доступом и безопасности данных, а не на хранении признаков для ML-моделей с возможностью вывода в реальном времени. SageMaker Data Wrangler — это инструмент для подготовки и преобразования данных. Функция Generate Data Insights помогает в исследовании данных, но не является решением для хранения признаков для обучения и вывода.