Un team pre-elaborerà il testo con il tagging part-of-speech e l'estrazione di frasi chiave, quindi alimenterà il testo elaborato in un classificatore personalizzato già implementato e addestrato con Apache MXNet. Quale approccio consente al team di fornire questa soluzione più rapidamente?

L'opzione corretta è la più rapida perché sfrutta servizi gestiti per le attività di pre-elaborazione e riutilizza il classificatore esistente. Amazon Comprehend è un servizio NLP completamente gestito che offre tagging part-of-speech ed estrazione di frasi chiave out-of-the-box, riducendo significativamente il tempo di sviluppo. Per il classificatore personalizzato già addestrato con Apache MXNet, l'uso di AWS Deep Learning Containers (DLC) con SageMaker permette di implementare il modello esistente senza doverlo riscrivere o riaddestrare, fornendo un ambiente pre-configurato e ottimizzato. Le altre opzioni sono meno efficienti: La prima opzione suggerisce di usare Amazon Comprehend per la classificazione, ma il problema specifica un classificatore personalizzato già esistente, rendendo questa soluzione non ottimale per riutilizzare il lavoro svolto. La seconda opzione introduce complessità non necessarie mescolando librerie NLP in SageMaker con Comprehend e DLC, aumentando il lavoro di integrazione. La terza opzione propone l'algoritmo LDA integrato di SageMaker per la classificazione, ma LDA è un algoritmo di topic modeling, non un classificatore supervisionato, e non rispetta il requisito di riutilizzare il classificatore personalizzato esistente.