Un'azienda archivia documenti in Amazon S3 ma non ha categorie di prodotto predefinite. Uno scienziato dei dati deve creare un modello per derivare le categorie di prodotto per tutti i documenti con la massima efficienza operativa. Qual è la soluzione più efficiente dal punto di vista operativo?

La risposta corretta è addestrare un SageMaker Neural Topic Model (NTM) perché NTM è un algoritmo di apprendimento non supervisionato specificamente progettato per scoprire argomenti latenti (o categorie) in una raccolta di documenti, senza la necessità di etichette predefinite. Questo soddisfa direttamente il requisito di derivare categorie di prodotto quando non esistono categorie predefinite e offre un'elevata efficienza operativa in quanto è un algoritmo integrato di SageMaker. Le altre opzioni sono meno efficienti o appropriate: Costruire un modello di clustering personalizzato richiede uno sforzo significativo per lo sviluppo, la containerizzazione e la gestione, riducendo l'efficienza operativa rispetto a un algoritmo integrato. Tokenizzare i documenti e addestrare un modello k-means di SageMaker è una soluzione possibile, ma NTM è più specializzato e spesso più efficace per la scoperta di argomenti nei dati testuali, offrendo una migliore rappresentazione semantica. Addestrare un modello SageMaker BlazingText è meno adatto in questo scenario. BlazingText è eccellente per la classificazione del testo (quando le categorie sono note) o per generare incorporamenti di parole, ma non è ottimizzato per la scoperta non supervisionata di argomenti come NTM.