Bir araç kiralama şirketinin her sabah önceki günün rezervasyon talebi hakkında otomatik içgörülere ihtiyacı vardır. Veriler S3'e neredeyse gerçek zamanlı olarak akmalı, konuma göre yüksek talep gören araçları tespit etmeli ve otomatik olarak yenilenen bir gösterge tablosunda görünmelidir. En az geliştirme çabasıyla bunu sağlayan yaklaşım hangisidir?

Bu yaklaşım, en az geliştirme çabasıyla istenen sonuçları sağlar. Kinesis Data Firehose, akış verilerini S3'e neredeyse gerçek zamanlı olarak teslim etmek için yönetilen bir hizmettir ve altyapı yönetimi gerektirmez. QuickSight ML Insights, yüksek talep gören aykırı değerleri otomatik olarak tespit edebilir ve sonuçları yenilenen bir gösterge tablosunda görselleştirebilir. Bu, özel bir makine öğrenimi modeli oluşturma ve dağıtma ihtiyacını ortadan kaldırır. Diğer seçenekler daha fazla geliştirme çabası gerektirir. Kinesis Data Streams, Firehose'a göre daha fazla yönetim yükü getirir. SageMaker'da özel bir Random Cut Forest (RCF) modeli eğitmek ve dağıtmak, önemli bir geliştirme ve bakım çabası gerektirir. QuickSight ML Insights'ı Kinesis Data Streams ile kullanmak, yine de Kinesis Data Streams'in yönetim yükünü taşır.