一位資料科學家在 SageMaker Data Wrangler 中定義了轉換和特徵工程，並將它們儲存到 SageMaker Feature Store。新的歷史資料會定期到達 S3，並且必須經過轉換並新增到線上特徵儲存，準備好使用原生整合進行訓練和推論。哪種解決方案所需的開發工作量最少？

正確答案是使用 Amazon EventBridge 觸發預定義的 SageMaker pipeline。EventBridge 可以直接監聽 S3 事件（例如新物件建立），並將這些事件作為觸發器啟動 SageMaker pipeline。SageMaker pipeline 可以執行 Data Wrangler 定義的轉換和特徵工程，並將結果寫入 Feature Store，實現自動化和低開發工作量。 其他選項： AWS Lambda 函數：需要額外編寫 Lambda 程式碼來解析 S3 事件並啟動 SageMaker pipeline，增加了開發工作量。 AWS Step Functions：雖然可以協調工作流程，但直接用 EventBridge 觸發 SageMaker pipeline 更為簡潔，Step Functions 會增加不必要的複雜性。 Apache Airflow：需要部署和管理 Airflow 環境，並編寫 Airflow DAGs，這會顯著增加開發和維護工作量。