一家飛機引擎製造商在測試期間收集了 200 個時間序列指標，並希望近乎即時地偵測關鍵缺陷，同時保留所有資料以供離線分析。哪種方法對於近乎即時的異常偵測最有效？

正確答案透過 Amazon Kinesis Data Firehose 擷取資料，確保資料近乎即時地流入。接著，Amazon Kinesis Data Analytics 搭配 Random Cut Forest (RCF) 應用程式能即時偵測異常，這對於關鍵缺陷的近乎即時偵測至關重要。最後，透過 Firehose 將串流資料持久化到 Amazon S3，滿足了保留所有資料以供離線分析的需求。 其他選項不符合近乎即時偵測的要求： AWS IoT Analytics 雖然能處理時間序列資料，但其 Jupyter Notebook 執行通常用於批次分析，而非即時偵測。 Amazon EMR 搭配 Apache Spark 和 k-means 叢集主要用於批次處理，不適合近乎即時的異常偵測。 Amazon S3 儲存和 Amazon SageMaker 的 RCF 演算法離線使用，無法提供即時偵測能力。