Un'azienda deve estrarre i nomi degli ingredienti dai record delle ricette archiviati come file di testo in un bucket Amazon S3. Un'applicazione web interrogherà una tabella DynamoDB utilizzando i nomi degli ingredienti per determinare un punteggio nutrizionale. L'azienda può tollerare record non alimentari ed errori e non ha dipendenti con esperienza in ML. Qual è la soluzione PIÙ conveniente?

La soluzione più conveniente è utilizzare le notifiche di eventi S3 per PutObject, che attivano una funzione AWS Lambda. Questa funzione Lambda può quindi utilizzare Amazon Comprehend, un servizio di machine learning pre-addestrato per l'elaborazione del linguaggio naturale (NLP), per estrarre i nomi degli ingredienti dai file di testo. L'output di Comprehend viene poi memorizzato in DynamoDB. Questa opzione è conveniente perché Comprehend è un servizio gestito che non richiede esperienza in ML, ed è progettato per l'estrazione di entità da testo non strutturato. Le altre opzioni sono meno adatte: Amazon Forecast è un servizio di previsione, non per l'estrazione di entità da testo. Amazon Polly converte il testo in parlato e Amazon SNS è un servizio di messaggistica; queste non sono soluzioni automatizzate per l'estrazione di ingredienti e richiedono un costoso intervento manuale. Amazon SageMaker è una piattaforma completa per il machine learning che richiede competenze ML per costruire, addestrare e distribuire modelli personalizzati, rendendola meno conveniente per un'azienda senza esperienza in ML.