Een detailhandelsbedrijf verzamelt klantcommentaren van sociale media, zijn website en gesprekslogs. Elke productvermelding kan tot meerdere door het bedrijf gedefinieerde categorieën (labels) behoren die elkaar niet uitsluiten. Een vermelding van “Sample Yogurt” moet bijvoorbeeld worden gelabeld als "yogurt", "snack" en "dairy product". Welke functie moet het team gebruiken om hun model te trainen, gebruikmakend van Amazon Comprehend en met de snelste levering als vereiste?

De juiste keuze is Aangepaste classificatie in multi-label modus. Dit komt omdat de klantcommentaren aan meerdere, niet-uitsluitende categorieën (labels) kunnen worden toegekend, zoals beschreven in het voorbeeld van "Sample Yogurt" dat zowel "yogurt", "snack" als "dairy product" is. Multi-label classificatie is specifiek ontworpen voor scenario's waarin een enkel item gelijktijdig meerdere labels kan hebben. Aangepaste classificatie in multi-class modus is onjuist omdat dit wordt gebruikt wanneer elk item precies één label uit een reeks onderling uitsluitende labels krijgt. Aangepaste entiteitsherkenning is onjuist omdat dit gericht is op het identificeren van specifieke entiteiten (zoals productnamen of locaties) in tekst, niet op het categoriseren van de hele tekst. Vooraf gebouwde Comprehend-modellen zijn onjuist omdat deze geen ondersteuning bieden voor aangepaste, domeinspecifieke labels en de flexibiliteit van multi-label classificatie voor dit specifieke gebruiksscenario.