Bir uçak motoru üreticisi, test sırasında 200 zaman serisi metriği toplar ve çevrimdışı analiz için tüm verileri saklarken kritik kusurların gerçek zamanlıya yakın tespitini ister. Gerçek zamanlıya yakın anomali tespiti için EN etkili yaklaşım hangisidir?

Bu yaklaşım, gerçek zamanlıya yakın anomali tespiti için en uygun çözümü sunar. Kinesis Data Firehose, verileri kolayca alıp Kinesis Data Analytics'e yönlendirir. Kinesis Data Analytics, Random Cut Forest (RCF) gibi yerleşik algoritmalarla akış verileri üzerinde gerçek zamanlı anomali tespiti yapabilir. Ayrıca, Firehose aracılığıyla verilerin Amazon S3'e kalıcı olarak depolanması, çevrimdışı analiz ve uzun vadeli saklama gereksinimini karşılar. Diğer seçenekler ise gerçek zamanlıya yakın gereksinimi karşılamaz veya daha az etkilidir: AWS IoT Analytics, gerçek zamanlıya yakın analizden ziyade toplu analizler için daha uygundur ve Jupyter notebook'ları gerçek zamanlı akış analizi için ideal değildir. Amazon EMR ve Apache Spark, büyük veri kümeleri üzerinde güçlü çevrimdışı analizler sunsa da, gerçek zamanlıya yakın anomali tespiti için gecikme süreleri daha yüksek olabilir. Amazon SageMaker'ın RCF algoritması güçlü bir anomali tespit aracıdır ancak bu seçenek, verilerin Amazon S3'e alınmasından sonra çevrimdışı tespiti vurgulayarak gerçek zamanlıya yakın gereksinimi karşılamaz.