Una empresa minorista actualmente tiene operadores que clasifican manualmente las reclamaciones de los clientes en categorías y almacenan cada registro de reclamación (incluida su categoría) en una base de datos central. La empresa no tiene un equipo de ciencia de datos y necesita una solución que no requiera experiencia en machine learning para asignar automáticamente categorías y enrutar las reclamaciones entrantes a las colas. ¿Qué enfoque cumple con estas restricciones?

La opción correcta es la que mejor se adapta a las restricciones de no requerir experiencia en machine learning y automatizar la clasificación. Amazon Comprehend es un servicio de procesamiento de lenguaje natural (NLP) completamente administrado que no requiere conocimientos de ML para su uso. Su función de clasificación personalizada permite entrenar un modelo con datos existentes (claimlabel y claimtext) en formato CSV, que es un formato de exportación común para bases de datos. Luego, la aplicación puede integrarse fácilmente con la API de Comprehend para predecir categorías y enrutar reclamaciones. Las otras opciones son incorrectas porque: Usar Amazon SageMaker Object2Vec o Latent Dirichlet Allocation (LDA) requeriría experiencia en ML para seleccionar, entrenar y optimizar los modelos, lo cual contradice la restricción del problema. Amazon Textract se utiliza para extraer texto y datos de documentos escaneados o PDFs, no para extraer datos directamente de una base de datos.