Ein Team wird Text mit Part-of-Speech-Tagging und Schlüsselwortextraktion vorverarbeiten und den verarbeiteten Text dann in einen benutzerdefinierten Klassifikator einspeisen, der bereits mit Apache MXNet implementiert und trainiert wurde. Welcher Ansatz ermöglicht es dem Team, diese Lösung am schnellsten bereitzustellen?

Die schnellste Bereitstellung wird durch die Nutzung von verwalteten Diensten für die Vorverarbeitung und die Wiederverwendung des bestehenden Klassifikators erreicht. Amazon Comprehend bietet verwaltete Dienste für Part-of-Speech-Tagging und Schlüsselwortextraktion, was die Entwicklungszeit erheblich verkürzt. Die AWS Deep Learning Containers (DLCs) in SageMaker ermöglichen die einfache Bereitstellung des bereits trainierten benutzerdefinierten MXNet-Klassifikators, ohne dass die Umgebung manuell konfiguriert werden muss. Die Option, alles in Comprehend zu machen, ist falsch, da Comprehend keine benutzerdefinierten MXNet-Klassifikatoren unterstützt. Die Verwendung einer NLP-Bibliothek in SageMaker für POS-Tagging ist langsamer als Comprehend. Der integrierte LDA-Algorithmus von SageMaker kann nicht als Ersatz für einen bereits trainierten benutzerdefinierten Klassifikator dienen.