Uma empresa precisa extrair nomes de ingredientes de registros de receitas armazenados como arquivos de texto em um bucket do Amazon S3. Uma aplicação web consultará uma tabela DynamoDB usando os nomes dos ingredientes para determinar uma pontuação nutricional. A empresa pode tolerar registros e erros não relacionados a alimentos e não tem funcionários com experiência em ML. Qual solução é a MAIS econômica?

A opção correta é a mais econômica porque utiliza serviços serverless e gerenciados. As Notificações de Eventos do S3 acionam a função Lambda apenas quando um novo arquivo é adicionado, evitando custos de computação ociosa. O Amazon Comprehend é um serviço de NLP totalmente gerenciado que pode extrair entidades (como nomes de ingredientes) sem a necessidade de experiência em ML, sendo ideal para o requisito da empresa. O DynamoDB é um banco de dados NoSQL serverless e escalável, adequado para armazenar os dados extraídos de forma eficiente. As outras opções são incorretas porque: Usar o Amazon Forecast é inadequado, pois ele é para previsão de séries temporais, não para extração de entidades de texto. A opção com Amazon Polly e intervenção manual é ineficiente, cara e não escalável, além de não automatizar a extração. O Amazon SageMaker exigiria desenvolvimento e treinamento de modelos de ML, o que é complexo e caro, e a empresa não tem experiência em ML.