Um aplicativo web público coleta grandes quantidades de feedback de usuários em formato de texto livre. Os gerentes de produto rotularam um grande conjunto de dados históricos em um conjunto fixo de categorias (por exemplo, problemas de UI, problemas de desempenho, solicitações de recursos, problemas de chat). Um engenheiro de ML deve automatizar a classificação multiclasse de novos feedbacks usando o Amazon SageMaker. Qual algoritmo do SageMaker é o mais apropriado para esta tarefa?

O algoritmo SageMaker BlazingText é o mais apropriado porque é otimizado para classificação de texto em larga escala e pode ser treinado eficientemente em grandes conjuntos de dados rotulados. Ele suporta a classificação de texto usando arquiteturas FastText, que são rápidas e eficazes para esta tarefa multiclasse. O Latent Dirichlet Allocation (LDA) e o Neural Topic Model (NTM) são algoritmos de modelagem de tópicos, usados para descobrir tópicos em uma coleção de documentos, não para classificação de texto pré-rotulado. O CatBoost é um algoritmo de boosting de gradiente para dados tabulares, não sendo ideal para dados de texto.