Debe producir vectores de incrustación (embedding vectors) a partir de una colección de oraciones en inglés para que los modelos posteriores puedan utilizarlos. Las oraciones a menudo reutilizan palabras en diferentes contextos e incluyen pares de preguntas y respuestas (QA); las incrustaciones deben capturar el contexto de las palabras y la información de secuencia/QA. ¿Qué opciones de SageMaker pueden generar incrustaciones que satisfagan estas necesidades? (Elija dos).

El algoritmo SageMaker seq2seq es adecuado porque los modelos secuencia a secuencia, como los codificadores-decodificadores, son excelentes para capturar el contexto de las palabras y la información secuencial en oraciones, lo que es crucial para las incrustaciones contextuales y las relaciones QA. El algoritmo SageMaker Object2Vec es una solución generalizada para aprender incrustaciones de objetos arbitrarios, incluidas secuencias de texto. Puede aprender incrustaciones de pares de preguntas y respuestas, lo que lo hace ideal para capturar las relaciones contextuales y secuenciales requeridas. BlazingText en modo Skip-gram o CBOW genera incrustaciones de palabras (word embeddings) que no capturan el contexto de las palabras dentro de una oración ni la información secuencial o de QA. Aunque BlazingText es eficiente, sus modos estándar se centran en la co-ocurrencia de palabras, no en el contexto a nivel de oración o las relaciones de secuencia complejas. La combinación de BlazingText con una RNN personalizada requeriría un desarrollo e implementación significativos, lo que no es una opción de SageMaker lista para usar.