공개 웹 애플리케이션이 대량의 자유 형식 사용자 피드백을 수집합니다. 제품 관리자는 대규모 과거 데이터 세트를 고정된 범주(예: UI 문제, 성능 문제, 기능 요청, 채팅 문제)로 분류했습니다. ML 엔지니어는 Amazon SageMaker를 사용하여 새로운 피드백의 다중 클래스 분류를 자동화해야 합니다. 이 작업에 가장 적합한 SageMaker 알고리즘은 무엇입니까?

정답은 SageMaker BlazingText 알고리즘입니다. BlazingText는 텍스트 분류 작업에 효율적이며, 특히 대규모 데이터셋에서 좋은 성능을 보입니다. 단어 임베딩을 사용하여 자유 형식 텍스트를 고정된 범주로 분류하는 데 적합합니다. SageMaker Latent Dirichlet Allocation (LDA) 및 Neural Topic Model (NTM)은 주로 토픽 모델링에 사용되어 문서 내의 숨겨진 토픽을 식별합니다. 이는 주어진 문제처럼 미리 정의된 범주로 분류하는 것이 아니라, 텍스트 내에서 새로운 토픽을 발견하는 데 더 적합합니다. SageMaker CatBoost는 테이블 형식 데이터에 최적화된 경사 부스팅 알고리즘으로, 텍스트 분류에는 적합하지 않습니다.