Un détaillant dispose de 1 000 avis clients (chacun étiqueté pour des problèmes de durabilité) et de nombreux avis contiennent des champs vides. L'équipe doit créer un modèle pour détecter les avis mentionnant la durabilité des produits et le rendre opérationnel en 2 jours. Quelle approche est la plus directe pour respecter cette exigence de 2 jours ?

La formation d'un classifieur de texte personnalisé à l'aide d'Amazon Comprehend est l'approche la plus directe car Comprehend est un service de ML entièrement géré qui excelle dans l'analyse de texte et la classification personnalisée. Il nécessite un minimum de code et de configuration, ce qui permet de respecter le délai de 2 jours, surtout avec seulement 1 000 avis étiquetés. Les autres options impliquent des frameworks de ML plus complexes (Gluon, MXNet, BlazingText, modèles séquence-à-séquence) et Amazon SageMaker, qui offrent plus de flexibilité mais nécessitent une expertise plus approfondie en ML et un temps de développement et de déploiement considérablement plus long, ce qui ne correspond pas à l'exigence de 2 jours.