Un'azienda deve estrarre entità nominate da un PDF per addestrare un classificatore. Quale approccio estrarrà tali entità e le salverà nel MINOR tempo possibile?

L'opzione corretta è la più efficiente perché Amazon Comprehend è un servizio di Natural Language Processing (NLP) completamente gestito che include funzionalità di Named Entity Recognition (NER) pre-addestrate. Può elaborare direttamente documenti PDF (o testo estratto da essi) per identificare e classificare entità come nomi di persone, luoghi e organizzazioni, richiedendo il minimo sforzo e tempo per l'implementazione. L'archiviazione su S3 è uno standard per l'output. Le altre opzioni sono meno efficienti: L'OCR open source su SageMaker richiede la gestione dell'infrastruttura e lo sviluppo/integrazione di modelli, aumentando notevolmente il tempo. Amazon Textract è eccellente per l'estrazione di testo e dati da documenti, ma non esegue NER. Avrebbe comunque bisogno di Comprehend per l'analisi delle entità, aggiungendo un passaggio non necessario se il PDF è già testuale o se Comprehend può gestirlo direttamente. Amazon Textract con A2I aggiunge un ciclo di revisione umana, utile per alta precisione ma non per la minimizzazione del tempo, e non esegue comunque NER direttamente.