我们有一个用Python编写的预测服务，提供机器学习服务，你可以向它发送一组数据，它会进行异常检测或预测等操作。
我想使用Kafka Streams来处理实时数据。
有两种选择：
1. Kafka Streams作业仅完成ETL功能：加载数据，进行简单转换并将数据保存到Elastic Search。然后定期启动计时器从ES中加载数据，并调用预测服务进行计算，并将结果保存回ES。 2. Kafka Streams作业除了ETL之外，还完成所有其他任务。当Kafka Streams作业完成ETL后，将数据发送到预测服务，并将计算结果保存到Kafka中，消费者将从Kafka中转发结果到ES。
我认为第二种方式更实时，但我不知道在流作业中执行这么多的预测任务是否是一个好主意。
对于这样的应用程序，是否有任何常见模式或建议？
我想使用Kafka Streams来处理实时数据。
有两种选择：
1. Kafka Streams作业仅完成ETL功能：加载数据，进行简单转换并将数据保存到Elastic Search。然后定期启动计时器从ES中加载数据，并调用预测服务进行计算，并将结果保存回ES。 2. Kafka Streams作业除了ETL之外，还完成所有其他任务。当Kafka Streams作业完成ETL后，将数据发送到预测服务，并将计算结果保存到Kafka中，消费者将从Kafka中转发结果到ES。
我认为第二种方式更实时，但我不知道在流作业中执行这么多的预测任务是否是一个好主意。
对于这样的应用程序，是否有任何常见模式或建议？
