Una empresa necesita extraer los nombres de los ingredientes de los registros de recetas almacenados como archivos de texto en un bucket de Amazon S3. Una aplicación web consultará una tabla de DynamoDB utilizando los nombres de los ingredientes para determinar una puntuación nutricional. La empresa puede tolerar registros y errores que no sean de alimentos y no tiene empleados con experiencia en ML. ¿Cuál es la solución MÁS rentable?

La opción correcta es la más rentable porque utiliza Amazon Comprehend, un servicio de procesamiento de lenguaje natural (NLP) completamente administrado, para extraer los nombres de los ingredientes. Comprehend es ideal para esta tarea, ya que puede identificar entidades (como nombres de ingredientes) en texto no estructurado sin necesidad de experiencia en ML. Las notificaciones de eventos de S3 y AWS Lambda proporcionan una arquitectura sin servidor y escalable que se activa automáticamente cuando se cargan nuevos archivos, minimizando los costos operativos. Las opciones incorrectas son menos rentables o apropiadas: Amazon Forecast se utiliza para la predicción de series temporales, no para la extracción de entidades de texto. Amazon Polly convierte texto en voz, lo cual es irrelevante para extraer ingredientes y requeriría una costosa intervención manual. Amazon SageMaker es una plataforma de ML para construir, entrenar e implementar modelos personalizados, lo que implica una mayor complejidad y costo, y no es necesario cuando Comprehend puede realizar la tarea de manera efectiva y más sencilla.