Een ML-engineer moet betekenisvolle, unieke trefwoorden uit documenten extraheren met behulp van AWS-services met zo min mogelijk operationeel beheer. Welke aanpak voldoet aan deze vereiste?

De correcte optie is het gebruik van Amazon Comprehend. Dit is een volledig beheerde AWS-service voor natuurlijke taalverwerking (NLP) die specifiek is ontworpen voor taken zoals sleutelwoordextractie en entiteitsherkenning, wat direct aansluit bij de behoefte aan minimale operationele overhead. Comprehend biedt ingebouwde functionaliteit voor 'key phrase extraction' en 'custom entity recognition', waardoor het een serverloze en efficiënte oplossing is. De andere opties vereisen meer operationeel beheer: NLTK op EC2-instances vereist het beheer van de EC2-instances en de NLTK-bibliotheek. Amazon SageMaker met BlazingText is een krachtige optie, maar het handmatig toepassen van stemming, stop-woordverwijdering en TF-IDF voegt complexiteit toe die meer operationeel beheer vereist dan een volledig beheerde service zoals Comprehend. Lambda-functies met Python-scripts voor stemming en stop-woordverwijdering, gevolgd door n-grams, vereist het schrijven en onderhouden van de code en het beheer van de Lambda-functies.