È necessario produrre vettori di embedding da una raccolta di frasi in inglese in modo che i modelli a valle possano utilizzarli. Le frasi spesso riutilizzano le parole in contesti diversi e includono coppie domanda-risposta; gli embedding dovrebbero catturare il contesto delle parole e le informazioni sulla sequenza/QA. Quali opzioni di SageMaker possono generare embedding che soddisfano queste esigenze? (Scegliere due.)

L'algoritmo Amazon SageMaker seq2seq è ideale per generare embedding contestuali e sensibili alla sequenza, poiché è progettato per compiti di elaborazione del linguaggio naturale (NLP) che coinvolgono la mappatura di sequenze di input a sequenze di output, catturando efficacemente il contesto delle parole e le relazioni di sequenza/QA. L'algoritmo Amazon SageMaker Object2Vec è una soluzione versatile per generare embedding per vari tipi di oggetti, inclusi testi, e può essere addestrato per catturare relazioni semantiche e contestuali complesse, rendendolo adatto per le coppie domanda-risposta e il contesto delle parole. BlazingText, sia in modalità Skip-gram che CBOW, produce embedding di parole (word embeddings) ma non cattura il contesto a livello di frase o le relazioni di sequenza/QA in modo così efficace come seq2seq o Object2Vec, poiché si concentra principalmente sulle co-occorrenze delle parole. L'uso di BlazingText con una RNN personalizzata è una soluzione più complessa e non è un algoritmo SageMaker predefinito che soddisfa direttamente i requisiti specifici come Object2Vec o seq2seq.