Een mediabedrijf heeft een zeer groot archief met ongelabelde afbeeldingen, tekst, audio en video en moet snel assets indexeren, zodat onderzoekers relevante content kunnen vinden. Het team heeft beperkte ML-expertise. Welke aanpak levert het snelst doorzoekbare tags op?

De correcte optie is het gebruik van Amazon Rekognition, Amazon Comprehend en Amazon Transcribe. Deze AWS-diensten zijn volledig beheerd en vooraf getraind, waardoor ze direct inzetbaar zijn voor het automatisch taggen van afbeeldingen (Rekognition), tekst (Comprehend), en audio/video (Transcribe). Dit vereist minimale ML-expertise en levert de snelste resultaten op voor het indexeren van een groot, ongelabeld archief. Het handmatig labelen via Amazon Mechanical Turk is te tijdrovend en kostbaar voor een "zeer groot archief" en levert niet de snelste doorzoekbare tags op. Het trainen van aangepaste modellen met Amazon SageMaker of het bouwen van modellen op AWS Deep Learning AMI's vereist aanzienlijke ML-expertise, data-voorbereiding en trainingstijd, wat niet voldoet aan de eis van "snel" en "beperkte ML-expertise".