Una empresa almacena documentos en Amazon S3, pero no tiene categorías de productos predefinidas. Un científico de datos debe construir un modelo para derivar categorías de productos para todos los documentos con la máxima eficiencia operativa. ¿Cuál es la solución más eficiente operativamente?

Entrenar un SageMaker Neural Topic Model (NTM) es la solución más eficiente operativamente porque NTM está diseñado específicamente para descubrir temas latentes (categorías) en colecciones de documentos sin necesidad de etiquetas predefinidas. Es un algoritmo supervisado de forma débil que automatiza el proceso de categorización, lo que reduce la intervención manual y la complejidad del desarrollo. Construir un modelo de clustering personalizado implica un esfuerzo significativo en la creación y gestión de infraestructura (Dockerfile, ECR), lo que disminuye la eficiencia operativa. Tokenizar y convertir documentos en características tabulares para k-means es un enfoque válido para el clustering, pero NTM es inherentemente más adecuado para el descubrimiento de temas en texto, a menudo produciendo resultados más coherentes y semánticamente ricos. SageMaker BlazingText es principalmente para incrustaciones de palabras y clasificación de texto, no para el descubrimiento no supervisado de categorías.