ある金融サービス企業では、複数の ML チームが顧客の取引履歴から類似した特徴量を独自に計算しており、計算の重複とトレーニング・推論間での特徴量の不整合（トレーニング・サービングスキュー：学習時と推論時で異なる特徴量値が使われる問題）が発生している。 この問題を解決するための AWS のベストプラクティスはどれか。
SageMaker Feature Storeは特徴量の一元管理サービスです。オフラインストア（S3ベース、バッチ学習用）とオンラインストア（低レイテンシ、リアルタイム推論用）の二層構造で、学習・推論間の特徴量の一貫性を保証しトレーニング・サービングスキューを防止します。複数チームが同じ特徴量グループを再利用することで重複計算も排除できます。 選択肢Aは、バッチ学習には使えるが、リアルタイム推論向けの低レイテンシアクセスに対応するオンラインストアがなく、学習・推論間の一貫性も保証できません。 選択肢Cは、リアルタイムアクセスは可能だが、ML特化の特徴量グループ管理機能を持たずカスタム実装の工数が大きいです。 選択肢Dは、データ検索・クエリには優れるが、低レイテンシのオンラインサービングには不向きでリアルタイム推論の特徴量取得に適していません。