Une entreprise doit extraire des entités nommées d'un PDF pour entraîner un classifieur. Quelle approche permettra d'extraire ces entités et de les enregistrer dans les DÉLAIS les plus courts ?

L'approche la plus rapide consiste à utiliser Amazon Comprehend. Comprehend est un service de traitement du langage naturel (NLP) entièrement géré qui peut directement extraire des entités nommées (NER) de documents, y compris des PDF, sans nécessiter de configuration complexe ou de développement de modèles. Les résultats peuvent être facilement stockés dans Amazon S3. Les autres options sont moins efficaces : Exécuter un outil OCR open source sur SageMaker nécessiterait le déploiement et la gestion d'un environnement, ainsi que le développement ou l'intégration d'un modèle NER, ce qui est plus long. Utiliser Amazon Textract pour extraire les entités, puis Amazon Comprehend pour convertir le contenu extrait en texte est redondant et incorrect. Textract est un service OCR qui extrait le texte des documents, mais il ne réalise pas l'extraction d'entités nommées. Comprehend est le service approprié pour NER. Utiliser Amazon Textract avec Amazon Augmented AI (A2I) pour extraire les entités est également incorrect. Textract extrait le texte, et A2I est utilisé pour la révision humaine des prédictions de ML, pas pour l'extraction directe d'entités nommées.