다운스트림 모델에서 사용할 수 있도록 영어 문장 컬렉션에서 임베딩 벡터를 생성해야 합니다. 문장은 종종 다른 컨텍스트에서 단어를 재사용하고 질문-답변 쌍을 포함하며, 임베딩은 단어 컨텍스트와 시퀀스/QA 정보를 캡처해야 합니다. 이러한 요구 사항을 충족하는 임베딩을 생성할 수 있는 SageMaker 옵션은 무엇입니까? (두 가지를 선택하세요.)

정답은 Amazon SageMaker seq2seq 알고리즘과 Amazon SageMaker Object2Vec 알고리즘입니다. Amazon SageMaker seq2seq 알고리즘은 시퀀스-투-시퀀스 모델링에 적합하며, 이는 문맥 정보와 시퀀스/QA 정보를 캡처하는 데 효과적입니다. 특히 질문-답변 쌍과 같이 순서가 중요한 데이터에 강점을 보입니다. Amazon SageMaker Object2Vec 알고리즘은 다양한 유형의 객체(단어, 문장 등)를 저차원 임베딩 벡터로 변환하는 데 사용될 수 있습니다. 이 알고리즘은 단어의 문맥적 의미와 시퀀스 정보를 모두 캡처할 수 있도록 설계되어 주어진 요구 사항에 부합합니다. Amazon SageMaker BlazingText(Skip-gram 모드)와 BlazingText(CBOW 모드)는 주로 단어 임베딩을 생성하지만, 문맥적 의미나 시퀀스/QA 정보를 캡처하는 데는 seq2seq나 Object2Vec만큼 효과적이지 않습니다. BlazingText를 Batch Skip-gram 모드와 사용자 지정 RNN을 결합하는 것은 SageMaker에서 직접 제공하는 알고리즘 옵션이 아니며, 사용자 지정 구현이 필요하므로 질문의 "SageMaker 옵션"에 해당하지 않습니다.