Uma equipe irá pré-processar texto com marcação de classes gramaticais (part-of-speech tagging) e extração de frases-chave, e então alimentar o texto processado em um classificador personalizado já implementado e treinado com Apache MXNet. Qual abordagem permite que a equipe entregue essa solução mais rapidamente?

A opção correta é a mais rápida porque o Amazon Comprehend gerencia a marcação de classes gramaticais e a extração de frases-chave como serviços totalmente gerenciados, eliminando a necessidade de desenvolver ou configurar esses componentes. A implantação do classificador MXNet personalizado usando AWS Deep Learning Containers (DLCs) com SageMaker permite reutilizar o modelo existente sem reescrevê-lo ou adaptá-lo a uma nova estrutura, aproveitando a infraestrutura otimizada do SageMaker para inferência. A primeira opção está incorreta porque o Amazon Comprehend não oferece classificação personalizada com modelos MXNet já treinados. A segunda opção introduz uma biblioteca de PNL separada no SageMaker para marcação de classes gramaticais, o que é um passo adicional e mais lento do que usar o Comprehend para ambas as tarefas de pré-processamento. A terceira opção sugere o uso do algoritmo LDA (Latent Dirichlet Allocation) integrado do SageMaker para classificação, o que não é um classificador personalizado e exigiria re-treinamento, além de ser uma abordagem diferente do classificador MXNet existente.