Ein Einzelhandelsunternehmen sammelt Kundenkommentare aus sozialen Medien, von seiner Website und aus Anrufprotokollen. Jede Produkterwähnung kann zu mehreren vom Unternehmen definierten Kategorien (Labels) gehören, die sich nicht gegenseitig ausschließen. Zum Beispiel sollte eine Erwähnung von „Sample Yogurt“ als „Joghurt“, „Snack“ und „Milchprodukt“ gekennzeichnet werden. Welches Feature sollte das Team unter Verwendung von Amazon Comprehend und der Notwendigkeit der schnellsten Bereitstellung verwenden, um sein Modell zu trainieren?

Die korrekte Antwort ist die benutzerdefinierte Klassifizierung im Multi-Label-Modus. Da jede Produkterwähnung mehreren nicht-exklusiven Kategorien zugeordnet werden kann (z. B. „Joghurt“, „Snack“ und „Milchprodukt“ für „Sample Yogurt“), ist der Multi-Label-Modus erforderlich. Dieser Modus ermöglicht es einem einzelnen Textdokument, gleichzeitig mehreren vordefinierten Labels zugeordnet zu werden. Der Multi-Class-Modus ist falsch, da er davon ausgeht, dass jedes Dokument genau einer von mehreren Klassen angehört. Die benutzerdefinierte Entitätserkennung ist für das Extrahieren spezifischer Entitäten (z. B. Produktnamen) gedacht, nicht für die Kategorisierung von Texten. Vorgefertigte Comprehend-Modelle sind nicht geeignet, da sie keine benutzerdefinierten Kategorien für produktspezifische Klassifizierungen unterstützen.