Bir veri bilimcisi, SageMaker Data Wrangler'da dönüşümleri ve özellik mühendisliğini tanımladı ve bunları SageMaker Feature Store'a kaydetti. Yeni geçmiş veriler periyodik olarak S3'e düşüyor ve yerel entegrasyonlar kullanılarak eğitim ve çıkarım için hazırlanmış, dönüştürülmüş ve çevrimiçi özellik deposuna eklenmesi gerekiyor. Hangi çözüm en az geliştirme çabası gerektirir?

Doğru cevap, S3'te yeni veri algılandığında dönüşümleri gerçekleştirmek için önceden tanımlanmış bir SageMaker pipeline'ını tetiklemek üzere Amazon EventBridge kullanmaktır. Bu çözüm, SageMaker Data Wrangler'da tanımlanan dönüşümlerin ve özellik mühendisliğinin SageMaker pipeline'ı olarak kaydedildiği ve EventBridge'in S3 olaylarına tepki vererek pipeline'ı otomatik olarak başlatabildiği senaryo için en az geliştirme çabası gerektirir. Bu, sunucusuz bir yaklaşım olup, manuel müdahale veya özel kodlama ihtiyacını en aza indirir. Diğer seçenekler daha fazla geliştirme çabası gerektirir: AWS Lambda işlevi kullanmak, S3 olaylarını dinlemek ve pipeline'ı çağırmak için özel kod yazmayı gerektirir. AWS Step Functions kullanmak, bir iş akışı tanımlamayı ve yönetmeyi gerektirir, bu da EventBridge'e göre daha karmaşık olabilir. Apache Airflow kullanmak, harici bir orkestrasyon aracı kurmayı ve yönetmeyi gerektirir ki bu, AWS ekosistemi içinde yerleşik çözümlere kıyasla daha fazla kurulum ve bakım çabası demektir.