Ein Einzelhandelsunternehmen lässt derzeit Kundenbeschwerden manuell von Operatoren kategorisieren und speichert jeden Beschwerdedatensatz (einschließlich seiner Kategorie) in einer zentralen Datenbank. Das Unternehmen hat kein Data-Science-Team und benötigt eine Lösung, die keine Machine-Learning-Kenntnisse erfordert, um eingehende Beschwerden automatisch Kategorien zuzuordnen und an Warteschlangen weiterzuleiten. Welcher Ansatz erfüllt diese Anforderungen?

Die korrekte Option ist die beste Wahl, da Amazon Comprehend Custom Classification eine vollständig verwaltete Lösung für Textklassifizierung ist, die keine ML-Kenntnisse erfordert. Sie können einfach eine CSV-Datei mit Text und entsprechenden Labels bereitstellen, um ein Modell zu trainieren. Die Integration über die API ist unkompliziert. Die Option mit Amazon SageMaker Object2Vec erfordert ML-Kenntnisse, um das Modell zu trainieren und zu optimieren, was der Anforderung widerspricht. Die Option mit Amazon SageMaker Latent Dirichlet Allocation (LDA) ist für die Themenmodellierung gedacht, nicht für die Klassifizierung mit vordefinierten Labels, und erfordert ebenfalls ML-Kenntnisse. Amazon Textract ist für die Extraktion von Text aus Dokumenten gedacht, nicht für die direkte Extraktion aus einer Datenbank, und ist hier ein unnötiger Zwischenschritt.