Bir veri bilimcisi bir BigQuery ML modeli oluşturdu. Her kullanıcı için tahminleri <100 ms gecikme süresiyle bir REST API aracılığıyla sunmanız gerekiyor. Tahmin sorgusu şudur: SELECT predicted_label, user_id FROM ML.PREDICT(MODEL 'dataset.model', TABLE user_features). Sunum hattını nasıl oluşturmalısınız?

Doğru cevap, düşük gecikmeli tahmin sunumu için Bigtable'ı kullanmaktır. BigQuery ML modelleri toplu tahminler için optimize edilmiştir ve tek bir kullanıcı için doğrudan sorgulama, 100 ms'den daha yüksek gecikmelere neden olabilir. Bir Dataflow hattı kullanarak tüm tahminleri BigQuery'den alıp Bigtable'a yazmak, API'nin kullanıcı bazında hızlıca tahminlere erişmesini sağlar. Bigtable, milisaniye düzeyinde gecikmelerle yüksek okuma/yazma performansı sunan bir NoSQL veritabanıdır. Diğer seçenekler neden yanlış: ML.PREDICT sorgusuna WHERE yan tümcesi eklemek, BigQuery'nin modelden her seferinde yalnızca bir tahmin almasına neden olur, bu da 100 ms gecikme süresi gereksinimini karşılamaz. BigQuery toplu işlemlerde daha verimlidir. Yetkili bir görünüm oluşturmak, yalnızca erişim kontrolü sağlar, performans sorununu çözmez. Sorgu yine BigQuery'de çalışacak ve gecikme süresi gereksinimini karşılamayacaktır. Dataflow işi oluşturmak ve doğrudan Dataflow çalışanlarının sonuçları döndürmesine izin vermek, her istek için bir Dataflow işi başlatma veya sürekli bir Dataflow işi üzerinden karmaşık bir API katmanı oluşturma gereksinimi doğurur, bu da gereksiz karmaşıklık ve muhtemelen daha yüksek gecikme demektir. Bigtable gibi optimize edilmiş bir depolama katmanı daha uygundur.