Une entreprise doit extraire les noms d'ingrédients de fiches de recettes stockées sous forme de fichiers texte dans un compartiment Amazon S3. Une application web interrogera une table DynamoDB en utilisant les noms d'ingrédients pour déterminer un score nutritionnel. L'entreprise peut tolérer les enregistrements non alimentaires et les erreurs, et n'a pas d'employés ayant une expertise en ML. Quelle solution est la PLUS rentable ?

La solution correcte est la plus rentable car elle utilise Amazon Comprehend, un service de machine learning (ML) entièrement géré et pré-entraîné, idéal pour l'extraction d'entités (comme les noms d'ingrédients) à partir de texte sans nécessiter d'expertise en ML. Les notifications d'événements S3 et AWS Lambda forment une architecture sans serveur et rentable pour déclencher le traitement des nouveaux fichiers. Amazon Forecast est utilisé pour les prévisions de séries chronologiques, pas pour l'extraction d'entités. Amazon Polly convertit le texte en parole, ce qui est inapproprié pour cette tâche et implique une intervention manuelle coûteuse. Amazon SageMaker est une plateforme de ML plus complexe nécessitant une expertise pour construire, entraîner et déployer des modèles personnalisés, ce qui est contraire à l'exigence de ne pas avoir d'employés ayant une expertise en ML.