Bir şirketin özellik mühendisliği (feature engineering), toplama (aggregation) ve veri hazırlığı yapması, ardından ortaya çıkan özellikleri işlemek ve depolamak için bir AWS çözümüne ihtiyacı var. Hangi yaklaşım bu ihtiyaçları karşılar?

Doğru cevap, özellik mühendisliği ve veri hazırlığı için Amazon SageMaker Processing'i, ardından işlenmiş özellikleri yönetmek ve depolamak için SageMaker Feature Store'u kullanmaktır. SageMaker Processing, büyük veri kümeleri üzerinde özellik mühendisliği, veri dönüştürme ve model değerlendirme gibi görevleri gerçekleştirmek için tasarlanmıştır. SageMaker Feature Store ise, makine öğrenimi modelleri için özelliklerin depolanması, güncellenmesi ve sunulması için özel olarak optimize edilmiş, amaca yönelik bir depodur. Diğer seçenekler uygun değildir: SageMaker Model Monitor, model performansını izlemek için kullanılır, özellik mühendisliği veya veri alımı için değildir. S3'te JSON olarak özellik depolamak, Feature Store'un sağladığı yönetim ve performans avantajlarından yoksundur. Amazon Managed Service for Apache Flink, gerçek zamanlı veri akışlarını işlemek için uygundur ancak doğrudan özellik mühendisliği ve toplama için SageMaker Processing kadar entegre bir çözüm sunmaz. SageMaker batch transform job, çıkarım yapmak için kullanılır, özellik mühendisliği veya sürekli özellik depolama için değildir. DynamoDB, özellik depolama için kullanılabilse de, Feature Store'un ML'e özel yeteneklerine sahip değildir.