Vous devez produire des vecteurs d'intégration (embedding vectors) à partir d'une collection de phrases en anglais afin que les modèles en aval puissent les utiliser. Les phrases réutilisent souvent des mots dans différents contextes et incluent des paires question-réponse ; les intégrations doivent capturer le contexte des mots et les informations de séquence/QA. Quelles options SageMaker peuvent générer des intégrations qui répondent à ces besoins ? (Choisissez-en deux.)

L'algorithme SageMaker seq2seq est conçu pour les tâches de séquence à séquence, ce qui le rend apte à capturer le contexte des mots et les informations de séquence, y compris les paires question-réponse. Il génère des intégrations contextuelles. L'algorithme SageMaker Object2Vec est un algorithme d'apprentissage supervisé polyvalent qui peut apprendre des intégrations pour des paires d'objets, ce qui est idéal pour les paires question-réponse et pour capturer des relations complexes et le contexte. BlazingText en mode Skip-gram ou CBOW génère des intégrations de mots non contextuelles, ce qui signifie qu'un mot aura la même intégration quel que soit son contexte dans une phrase. Cela ne répond pas à l'exigence de capturer le contexte des mots et les informations de séquence/QA. L'utilisation de BlazingText avec un RNN personnalisé est une approche plus complexe qui pourrait fonctionner, mais les options natives SageMaker seq2seq et Object2Vec sont des solutions plus directes et intégrées pour ce cas d'utilisation spécifique.