Ein Einzelhändler verfügt über 1.000 Kundenrezensionen (jede mit einem Label für Haltbarkeitsprobleme versehen), und viele Rezensionen enthalten leere Felder. Das Team muss ein Modell erstellen, um Rezensionen zu erkennen, die die Produkthaltbarkeit erwähnen, und dieses innerhalb von 2 Tagen fertigstellen. Welcher Ansatz ist der direkteste Weg, um diese 2-Tages-Anforderung zu erfüllen?

Die Schulung eines benutzerdefinierten Textklassifikators mit Amazon Comprehend ist der direkteste Weg, da Comprehend ein vollständig verwalteter NLP-Dienst ist, der für solche Klassifizierungsaufgaben optimiert ist und schnelle Modellentwicklung ermöglicht. Die 1.000 gelabelten Rezensionen sind eine gute Ausgangsbasis. Die anderen Optionen sind zeitaufwändiger: Ein rekurrentes neuronales Netzwerk in SageMaker von Grund auf zu implementieren, erfordert tiefere ML-Kenntnisse und mehr Entwicklungszeit. BlazingText im Word2Vec-Modus ist für Wort-Embeddings gedacht, nicht direkt für die Klassifizierung von Texten. Ein integriertes Sequenz-zu-Sequenz-Modell in SageMaker ist eher für Aufgaben wie maschinelle Übersetzung oder Textzusammenfassung geeignet und nicht die effizienteste Lösung für eine einfache Textklassifizierung.