Специалист по данным создал модель BigQuery ML. Вам необходимо предоставлять прогнозы для каждого пользователя через REST API с задержкой менее 100 мс. Запрос для прогнозирования: SELECT predicted_label, user_id FROM ML.PREDICT(MODEL 'dataset.model', TABLE user_features). Как следует построить конвейер обслуживания?

Для обеспечения задержки менее 100 мс при обслуживании прогнозов для каждого пользователя через REST API, наиболее эффективным решением является предварительный расчет и кэширование прогнозов. Конвейер Dataflow, считывающий все прогнозы из BigQuery ML, записывающий их в Bigtable, а затем обслуживающий их через API, позволяет избежать выполнения запросов ML.PREDICT в реальном времени для каждого пользователя, что может быть медленным. Bigtable разработан для высокопроизводительных операций чтения/записи с низкой задержкой, что идеально подходит для этого сценария. Неправильные варианты: Добавление WHERE к ML.PREDICT и использование BigQuery Data Viewer: BigQuery не предназначен для обслуживания запросов с низкой задержкой для отдельных записей, и выполнение ML.PREDICT для каждого запроса будет слишком медленным. Создание авторизованного представления: Это не решает проблему задержки BigQuery при обслуживании отдельных прогнозов. Создание задания Dataflow для выполнения запроса и возврата результатов: Dataflow не является оптимальным решением для обслуживания запросов с низкой задержкой, так как он предназначен для пакетной или потоковой обработки, а не для интерактивного обслуживания.