Ein Unternehmen muss Zutatennamen aus Rezeptdatensätzen extrahieren, die als Textdateien in einem Amazon S3-Bucket gespeichert sind. Eine Webanwendung fragt eine DynamoDB-Tabelle mithilfe der Zutatennamen ab, um einen Nährwert-Score zu ermitteln. Das Unternehmen kann Datensätze, die keine Lebensmittel sind, und Fehler tolerieren und hat keine Mitarbeiter mit ML-Expertise. Welche Lösung ist die KOSTENGÜNSTIGSTE?

Die korrekte Lösung nutzt S3 Event Notifications, um eine Lambda-Funktion auszulösen, wenn neue Textdateien hochgeladen werden. Lambda ist kostengünstig, da es serverlos ist und nur bei Bedarf ausgeführt wird. Amazon Comprehend ist ein vollständig verwalteter NLP-Dienst, der Entitäten (wie Zutatennamen) aus unstrukturiertem Text extrahieren kann, ohne dass ML-Expertise erforderlich ist. Dies ist die kostengünstigste Option, da sie verwaltete Dienste nutzt und keine teuren ML-Modelle trainiert werden müssen. Die Option mit Amazon Forecast ist falsch, da Forecast für Zeitreihenprognosen und nicht für die Extraktion von Entitäten aus Text gedacht ist. Die Option mit Amazon Polly und manueller Berechnung ist ineffizient, teuer und fehleranfällig, da sie menschliche Arbeitskraft erfordert. Die Option mit Amazon SageMaker ist ebenfalls falsch, da SageMaker das Training und die Bereitstellung benutzerdefinierter ML-Modelle erfordert, was ML-Expertise und höhere Kosten mit sich bringt.