Un equipo preprocesará texto con etiquetado de partes del discurso (part-of-speech tagging) y extracción de frases clave, luego alimentará el texto procesado a un clasificador personalizado ya implementado y entrenado con Apache MXNet. ¿Qué enfoque permite al equipo entregar esta solución más rápidamente?

La opción correcta aprovecha Amazon Comprehend para las tareas de PNL predefinidas (etiquetado de partes del discurso y extracción de frases clave), lo que acelera el desarrollo al evitar la necesidad de construir y entrenar modelos desde cero para estas funciones. Luego, integra el clasificador personalizado existente de MXNet utilizando AWS Deep Learning Containers en SageMaker. Esto permite al equipo reutilizar su modelo entrenado sin reescribirlo, mientras se beneficia de la infraestructura gestionada de SageMaker para la implementación. Las opciones incorrectas son menos eficientes: Usar Amazon Comprehend para la clasificación requeriría entrenar un nuevo clasificador personalizado dentro de Comprehend o usar sus clasificadores pre-entrenados, lo que no aprovecha el clasificador MXNet ya existente. Dividir las tareas de PNL entre SageMaker y Comprehend añade complejidad innecesaria. Reemplazar el clasificador personalizado de MXNet con el algoritmo LDA incorporado de SageMaker no cumple con el requisito de usar el clasificador ya implementado y entrenado.