Een bedrijf slaat documenten op in Amazon S3, maar heeft geen vooraf gedefinieerde productcategorieën. Een data scientist moet een model bouwen om productcategorieën voor alle documenten af te leiden met maximale operationele efficiëntie. Welke oplossing is operationeel het meest efficiënt?

De meest operationeel efficiënte oplossing is het trainen van een SageMaker Neural Topic Model (NTM). NTM is een unsupervised learning-algoritme dat specifiek is ontworpen voor het ontdekken van latente onderwerpen (productcategorieën) in een verzameling documenten zonder vooraf gedefinieerde labels. Dit sluit perfect aan bij de vereiste om productcategorieën af te leiden zonder dat deze vooraf bekend zijn. Het bouwen van een aangepast clusteringmodel via Dockerfiles en ECR is complexer en minder efficiënt, omdat SageMaker al ingebouwde, geoptimaliseerde algoritmen biedt voor dit soort taken. Het tokeniseren van documenten en trainen van een SageMaker k-means model is mogelijk, maar k-means is minder geschikt voor tekstuele data dan NTM, dat speciaal is ontworpen voor topic modeling. Een SageMaker BlazingText model is primair gericht op tekstclassificatie of word embeddings, niet op het ontdekken van onbekende categorieën in een ongestructureerde dataset.