Un ingeniero de ML debe extraer palabras clave significativas y únicas de documentos utilizando servicios de AWS con la menor gestión operativa. ¿Qué enfoque cumple este requisito?

La opción correcta es usar Amazon Comprehend porque está diseñado para el procesamiento de lenguaje natural (NLP) y ofrece reconocimiento de entidades personalizadas y extracción de frases clave como servicios gestionados. Esto minimiza la sobrecarga operativa, ya que no requiere configurar ni mantener infraestructura. Las otras opciones tienen las siguientes desventajas: Ejecutar NLTK en instancias EC2: Implica gestión de infraestructura (EC2) y desarrollo de código para NLTK y LDA, lo que aumenta la carga operativa. Usar Amazon SageMaker con BlazingText: Aunque SageMaker es un servicio gestionado, requeriría la configuración de un entorno, el entrenamiento del modelo BlazingText y la implementación de lógica personalizada para lematización, eliminación de stop-words y cálculo de TF-IDF, lo que es más complejo que usar Comprehend directamente para la extracción de palabras clave. Almacenar documentos en S3 y usar funciones Lambda: Si bien Lambda es sin servidor, requeriría escribir y mantener código Python para la lematización, eliminación de stop-words y la lógica de n-gramas, lo que añade una carga de desarrollo y mantenimiento mayor que Comprehend.