Un'azienda di vendita al dettaglio ha operatori che classificano manualmente i reclami dei clienti in categorie e memorizzano ogni record di reclamo (inclusa la sua categoria) in un database centrale. L'azienda non dispone di un team di data science e necessita di una soluzione che non richieda competenze di machine learning per assegnare automaticamente le categorie e instradare i reclami in arrivo alle code. Quale approccio soddisfa questi vincoli?

L'opzione corretta sfrutta Amazon Comprehend Custom Classification, un servizio di machine learning completamente gestito che non richiede competenze di ML. Consente di addestrare un classificatore personalizzato fornendo un file CSV con il testo del reclamo e la categoria (claimtext e claimlabel). Una volta addestrato, il classificatore può essere richiamato tramite API per prevedere le categorie dei nuovi reclami e instradarli. Le opzioni che propongono Amazon SageMaker Object2Vec o Latent Dirichlet Allocation (LDA) richiedono competenze di machine learning per la preparazione dei dati, l'addestramento del modello e l'interpretazione dei risultati, che l'azienda non possiede. L'opzione con Amazon Textract è superflua perché i dati sono già strutturati in un database, quindi non è necessario estrarli da documenti non strutturati.