Você deve produzir vetores de embedding a partir de uma coleção de frases em inglês para que os modelos downstream possam usá-los. As frases frequentemente reutilizam palavras em diferentes contextos e incluem pares de perguntas e respostas; os embeddings devem capturar o contexto das palavras e as informações de sequência/QA. Quais opções do SageMaker podem gerar embeddings que atendam a essas necessidades? (Escolha duas.)

O algoritmo SageMaker seq2seq é ideal para capturar informações de sequência e contexto, pois é projetado para mapear sequências de entrada para sequências de saída, o que é crucial para pares de perguntas e respostas e para entender o contexto de palavras. O algoritmo SageMaker Object2Vec é uma escolha excelente porque pode aprender embeddings para uma variedade de objetos, incluindo sequências de texto, e é capaz de capturar relações semânticas e contextuais complexas, o que é essencial para palavras com múltiplos significados e para a compreensão de pares QA. O BlazingText nos modos Skip-gram e CBOW são algoritmos de word embedding que geram embeddings para palavras individuais, mas não capturam o contexto da frase ou informações de sequência/QA de forma tão eficaz quanto os modelos baseados em sequência. Embora o BlazingText possa ser combinado com uma RNN personalizada, essa opção envolve a construção de uma solução personalizada, enquanto a pergunta busca opções prontas do SageMaker.