翻訳は機械翻訳により提供されています。提供された翻訳内容と英語版の間で齟齬、不一致または矛盾がある場合、英語版が優先します。

# データソースと取り込み
<a name="feature-store-ingest-data"></a>

レコードは取り込みを介して特徴量グループに追加されます。ユースケースによっては、取り込まれたレコードが特徴量グループ内に保持される場合と保持されない場合があります。これは、特徴量グループが使用するストレージ設定がオフラインストアかオンラインストアかによって異なります。オフラインストアは履歴データベースとして使用され、通常、データ探索、機械学習 (ML) モデルトレーニング、バッチ推論に使用されます。オンラインストアは、レコードのリアルタイム検索として使用され、通常、ML モデルの配信に使用されます。特徴量ストアの概念と取り込みの詳細については、「[Feature Store の概念](feature-store-concepts.md)」を参照してください。

Amazon SageMaker Feature Store にデータを持ち込む方法は、複数あります。Feature Store には、データ取り込み用に `PutRecord` という 1 つの API コールが用意されています。これにより、バッチでまたはストリーミングソースからデータを取り込むことができます。Amazon SageMaker Data Wrangler を使って特徴量エンジニアリングを行い、Feature Store に特徴量を取り込むこともできます。Spark コネクタを介したバッチデータインジェストに Amazon EMR を使用することもできます。

次のトピックでは、以下の違いについて説明します。

**Topics**
+ [ストリームの取り込み](#feature-store-ingest-data-stream)
+ [Feature Store と Data Wranglerの連携](#feature-store-data-wrangler-integration)
+ [Amazon SageMaker Feature Store Spark を使用したバッチ取り込み](batch-ingestion-spark-connector-setup.md)

## ストリームの取り込み
<a name="feature-store-ingest-data-stream"></a>

Kafka や Kinesis などのストリーミングソースをデータソースとして使用してレコードを抽出し、トレーニング、推論、または特徴量作成のためにレコードをオンラインストアに直接フィードできます。レコードは、同期 `PutRecord` API コールを使用して、特徴量グループに取り込めます。これは同期 API コールであるため、1 つの API コールでプッシュできる更新は少量です。これにより、特徴値を最新に保ち、更新が検出されると値をすぐに公開できます。これらは特徴ストリーミングとも呼ばれます。**

## Feature Store と Data Wranglerの連携
<a name="feature-store-data-wrangler-integration"></a>

Data Wrangler は、データをインポート、準備、変換、特徴量化、分析するための、エンドツーエンドのソリューションを提供する Studio Classic の機能です。Data Wrangler を使用すると、特徴量エンジニアリングを行って、オンラインストアまたはオフラインストアの特徴量グループに取り込むことができます。

次の手順では、Data Wrangler からオンラインストアまたはオフラインストアに特徴量を追加する特徴量ストアの特徴量グループを作成するために必要なソースコードをすべて含む Jupyter Notebook をエクスポートします。

コンソールで Data Wrangler データフローをエクスポートする手順は、デフォルトのエクスペリエンスとして有効にしたのが、[Amazon SageMaker Studio](studio-updated.md) か [Amazon SageMaker Studio Classic](studio.md) かによって異なります。

### Studio がデフォルトのエクスペリエンスである場合に、Data Wrangler データフローを特徴量ストアにエクスポートするには (コンソール)
<a name="feature-store-ingest-data-wrangler-integration-with-studio-updated"></a>

1. 「[Amazon SageMaker Studio を起動する](studio-updated-launch.md)」の手順に従って、Studio コンソールを開きます。

1. 左側のナビゲーションパネルから **[データ]** を選択して、ドロップダウンリストを展開します。

1. ドロップダウンリストから、**[Data Wrangler]** を選択します。

1. Amazon SageMaker Canvas のインスタンスが既に実行されている場合は、**[Canvas を開く]** をクリックします。

   SageMaker Canvas のインスタンスが実行中でない場合は、**[Canvas で実行]** をクリックします。

1. SageMaker Canvas コンソールで、左側のナビゲーションペインから **[Data Wrangler]** を選択します。

1. **[データフロー]** をクリックしてデータフローを表示します。

1. **[\+]** をクリックして、ドロップダウンリストを展開します。

1. **[データフローをエクスポート]** をクリックして、ドロップダウンリストを展開します。

1. **[SageMaker 特徴量ストアに保存 (JupyterLab Notebook 経由)]** を選択します。

1. **[データフローをノートブックとしてエクスポート]** で、以下のいずれかのオプションを選択します。
   + **[ローカルコピーをダウンロード]** を選択すると、データフローをローカルマシンにダウンロードできます。
   + **[S3 ロケーションにエクスポート]** を選択すると、データフローを Amazon Simple Storage Service の場所にダウンロードし、Amazon S3 の場所を入力するか、**[参照]** を選択して Amazon S3 ロケーションを検索できます。

1. **[エクスポート]** を選択します。

 特徴量グループが作成されたら、複数の特徴量グループ間でデータを選択して結合し、Data Wrangler で新たにエンジニアリングした特徴量を作成し、データセットを S3 バケットにエクスポートすることもできます。

Feature Store にエクスポートする方法の詳細については、「[SageMaker AI Feature Store にエクスポートする](https://docs.aws.amazon.com/sagemaker/latest/dg/data-wrangler-data-export.html#data-wrangler-data-export-feature-store)」を参照してください。