Een detailhandelsbedrijf heeft momenteel operators die handmatig klantclaims indelen in categorieën en elk claimrecord (inclusief de categorie) opslaan in een centrale database. Het bedrijf heeft geen data science-team en heeft een oplossing nodig die geen machine learning-expertise vereist om automatisch categorieën toe te wijzen en inkomende claims naar wachtrijen te routeren. Welke aanpak voldoet aan deze beperkingen?

De juiste optie is de beste oplossing omdat Amazon Comprehend custom classification speciaal is ontworpen voor tekstclassificatie zonder dat machine learning-expertise nodig is. Het bedrijf heeft bestaande gelabelde gegevens (claimlabel en claimtext), die direct kunnen worden gebruikt om een aangepaste classifier te trainen. De Comprehend API kan vervolgens eenvoudig worden geïntegreerd in de applicatie voor automatische categorisatie en routering. De andere opties zijn minder geschikt: Amazon SageMaker Object2Vec en Latent Dirichlet Allocation (LDA) vereisen machine learning-expertise voor modeltraining, evaluatie en implementatie, wat in strijd is met de beperkingen van het bedrijf. Amazon Textract is primair bedoeld voor het extraheren van tekst en gegevens uit documenten, niet voor het direct trainen van een classificatiemodel uit een database. Hoewel het tekst kan extraheren, is het een onnodige extra stap als de gegevens al in een database beschikbaar zijn.