某銀行從 Amazon Kinesis data stream 擷取原始交易資料。該解決方案必須從串流計算滾動平均值，將這些特徵儲存在 SageMaker Feature Store 中，並以近乎即時的方式提供給模型。哪種設計符合這些要求？

正確答案是使用 Kinesis Data Analytics SQL 應用程式計算滾動平均值並發出結果串流，然後讓 Lambda 消耗該結果串流並將平均值發佈到 SageMaker Feature Store 作為線上特徵群組。Kinesis Data Analytics 專為即時串流資料分析而設計，能有效計算滾動平均值。Lambda 函數能將這些即時計算結果寫入 Feature Store 的線上特徵群組，滿足近乎即時存取的需求。 選項一和選項四涉及將資料寫入 S3 並使用 SageMaker Processing job，這會引入批次處理的延遲，不符合「近乎即時」的要求。選項二中，Feature Store 不具備在內部計算滾動平均值的能力，其主要功能是儲存和提供特徵。