Een bedrijf moet ingrediëntnamen extraheren uit receptgegevens die zijn opgeslagen als tekstbestanden in een Amazon S3-bucket. Een webapplicatie zal een DynamoDB-tabel bevragen met behulp van de ingrediëntnamen om een voedingsscore te bepalen. Het bedrijf kan niet-voedselgerelateerde records en fouten tolereren en heeft geen medewerkers met ML-expertise. Welke oplossing is het MEEST kosteneffectief?

De correcte optie is het meest kosteneffectief omdat het gebruikmaakt van S3 Event Notifications om een Lambda-functie te triggeren bij het uploaden van nieuwe receptbestanden. Deze Lambda-functie gebruikt vervolgens Amazon Comprehend, een volledig beheerde Natural Language Processing (NLP)-dienst, om ingrediëntnamen te extraheren. Comprehend is ideaal voor deze taak omdat het geen ML-expertise vereist en direct kan worden gebruikt voor tekstextractie, wat de kosten en complexiteit minimaliseert. De geëxtraheerde gegevens worden direct in DynamoDB opgeslagen, wat een serverloze en schaalbare database is. De andere opties zijn minder geschikt: Amazon Forecast is een machine learning-dienst voor tijdreeksvoorspellingen, niet voor tekstextractie. Amazon Polly converteert tekst naar spraak en is niet relevant voor het extraheren van ingrediëntnamen. Het handmatig luisteren naar audio en berekenen van scores is inefficiënt en duur. Amazon SageMaker is een krachtige ML-dienst, maar vereist aanzienlijke ML-expertise voor het bouwen, trainen en implementeren van modellen, wat in strijd is met de vereiste dat het bedrijf geen ML-expertise heeft en de oplossing kosteneffectief moet zijn.