某公司需要从存储在 Amazon S3 存储桶中的文本文件食谱记录中提取配料名称。一个 Web 应用程序将使用配料名称查询 DynamoDB 表，以确定营养分数。该公司可以容忍非食品记录和错误，并且没有具备机器学习专业知识的员工。哪种解决方案的成本效益最高？

正确答案利用了S3事件通知触发Lambda函数，当新的食谱文件上传时自动处理。Lambda函数调用Amazon Comprehend，这是一个预训练的自然语言处理（NLP）服务，能够识别文本中的实体，包括配料名称。Comprehend无需机器学习专业知识，且成本效益高，符合公司要求。提取的配料名称随后存储在DynamoDB中，供Web应用程序查询。 其他选项不正确的原因： Amazon Forecast用于时间序列预测，不适用于文本实体提取。 Amazon Polly用于文本转语音，与配料提取无关，且手动计算营养分数效率低下。 Amazon SageMaker需要机器学习专业知识来构建和训练模型，与公司“没有机器学习专业知识”的条件不符，且通常比Comprehend成本更高。