Un minorista tiene 1000 reseñas de clientes (cada una etiquetada por problemas de durabilidad) y muchas reseñas contienen campos vacíos. El equipo debe construir un modelo para detectar reseñas que mencionen la durabilidad del producto y tenerlo listo en 2 días. ¿Cuál es el enfoque más directo para cumplir con este requisito de 2 días?

Entrenar un clasificador de texto personalizado con Amazon Comprehend es la opción más directa. Comprehend es un servicio de PNL completamente administrado que permite crear clasificadores personalizados con un conjunto de datos etiquetados relativamente pequeño (1000 reseñas). Esto reduce significativamente el tiempo de desarrollo y la complejidad operativa, haciendo posible cumplir con el plazo de 2 días. Las otras opciones requieren más tiempo y experiencia. Implementar una red neuronal recurrente en SageMaker con Gluon y MXNet implica un desarrollo de modelo más profundo. Entrenar un modelo BlazingText en SageMaker en modo Word2Vec se enfoca en incrustaciones de palabras, no directamente en la clasificación de texto. Un modelo sequence-to-sequence en SageMaker es para tareas como traducción o resumen, no para clasificación binaria de texto.