Una empresa necesita extraer entidades nombradas de un PDF para entrenar un clasificador. ¿Qué enfoque extraerá esas entidades y las guardará en el menor tiempo posible?

La opción correcta es usar Amazon Comprehend para extraer las entidades y almacenar la salida en Amazon S3. Amazon Comprehend es un servicio de procesamiento de lenguaje natural (NLP) que puede identificar y extraer entidades nombradas directamente de documentos, incluyendo PDFs, de manera eficiente y con un bajo tiempo de procesamiento. Almacenar la salida en S3 es una práctica estándar y escalable. Las otras opciones son menos eficientes o incorrectas: Ejecutar una herramienta OCR de código abierto en SageMaker requeriría más configuración, desarrollo y tiempo de ejecución, además de que el OCR solo convierte imágenes a texto, no extrae entidades nombradas directamente. Usar Amazon Textract para extraer entidades y luego Comprehend para convertir el contenido extraído a texto es incorrecto. Textract está diseñado para extraer texto y datos de documentos, y Comprehend para el análisis de texto. La frase "convertir el contenido extraído a texto" es redundante si Textract ya extrajo el texto. Usar Amazon Textract con Amazon Augmented AI (A2I) para extraer entidades es una opción para casos donde se requiere intervención humana para la revisión de extracciones de Textract. Aunque Textract puede extraer texto, no es su función principal la extracción de entidades nombradas como lo es para Comprehend, y A2I añadiría un paso adicional y tiempo si la extracción automática es suficiente.