Ein Krankenhaus hat eine RESTful API unter Verwendung von Amazon API Gateway und AWS Lambda bereitgestellt, um Berichte in den Formaten PDF und JPEG hochzuladen. Das Krankenhaus muss den Lambda-Code ändern, um geschützte Gesundheitsinformationen (PHI) in den Berichten zu identifizieren. Welche Lösung erfüllt die Anforderung mit dem GERINGSTEN Betriebsaufwand?

Die korrekte Lösung ist die Verwendung von Amazon Textract zur Textextraktion und Amazon Comprehend Medical zur Identifizierung von PHI. Amazon Textract ist ein vollständig verwalteter Machine-Learning-Dienst, der Text und Daten aus praktisch jeder Datei extrahiert, einschließlich PDFs und JPEGs, was den Betrieb minimiert. Amazon Comprehend Medical ist speziell für die Verarbeitung unstrukturierter medizinischer Texte konzipiert und kann PHI, Krankheiten, Medikamente und Behandlungen erkennen, was es zur idealen Wahl für diese Aufgabe macht. Die Verwendung vorhandener Python-Bibliotheken zur Textextraktion und PHI-Identifizierung würde einen erheblichen Entwicklungs- und Wartungsaufwand erfordern. Amazon SageMaker ist ein umfassender Machine-Learning-Dienst, der zwar leistungsstark ist, aber für die reine PHI-Identifizierung einen höheren Betriebsaufwand als Comprehend Medical bedeuten würde, da ein benutzerdefiniertes Modell trainiert und verwaltet werden müsste. Amazon Rekognition ist primär für die Bild- und Videoanalyse gedacht und nicht optimal für die Textextraktion aus Dokumenten geeignet; Textract ist hier die spezialisierte und effizientere Lösung.