Une équipe marketing dispose de cinq ans de rapports d'actualité au format PDF et doit en extraire des informations et des analyses de sentiment. La solution doit utiliser Amazon Textract pour traiter les PDF et nécessiter une surcharge opérationnelle minimale. Quelle solution répond à ces exigences ?

La bonne réponse est de fournir les informations extraites à Amazon Comprehend pour analyse et d'enregistrer l'analyse dans un compartiment Amazon S3. Amazon Textract est excellent pour extraire du texte et des données des PDF. Pour l'analyse des sentiments, Amazon Comprehend est un service de ML entièrement géré qui excelle dans cette tâche avec une surcharge opérationnelle minimale. Le stockage des résultats dans S3 est une solution rentable et évolutive pour les données non structurées. Stocker les informations extraites dans une table Amazon DynamoDB est moins adapté car DynamoDB est une base de données NoSQL clé-valeur et n'est pas optimisé pour le stockage de grands volumes de texte brut ou d'analyses de sentiments complexes. Utiliser Amazon SageMaker pour créer un modèle de sentiment nécessiterait plus de surcharge opérationnelle et d'expertise en ML que d'utiliser un service géré comme Comprehend. Fournir les informations extraites à Amazon Athena pour analyse est possible, mais Athena est plus adapté aux données structurées et ne fournit pas d'analyse de sentiment intégrée. Enfin, utiliser Amazon QuickSight pour visualiser et analyser les données est une étape ultérieure de visualisation, mais ne gère pas l'analyse de sentiment elle-même.