Een retailer heeft 1.000 klantrecensies (elk gelabeld op duurzaamheidsproblemen) en veel recensies bevatten lege velden. Het team moet een model bouwen om recensies te detecteren die productduurzaamheid vermelden en dit binnen 2 dagen klaar hebben. Welke aanpak is de meest directe manier om aan deze eis van 2 dagen te voldoen?

De meest directe aanpak is het trainen van een aangepaste tekstclassificator met Amazon Comprehend. Comprehend is een volledig beheerde Natural Language Processing (NLP)-dienst die snel en efficiënt aangepaste modellen kan bouwen met een relatief kleine dataset (1.000 gelabelde recensies) en minimale code. Dit voldoet aan de tijdsbeperking van 2 dagen. Het implementeren van een recurrent neuraal netwerk (RNN) in Amazon SageMaker met Gluon en Apache MXNet zou te veel tijd kosten voor ontwikkeling, training en tuning, wat niet past binnen de 2-dagen deadline. Het trainen van een ingebouwd BlazingText-model in Amazon SageMaker met de Word2Vec-modus is primair voor woordinsluitingen en niet direct voor tekstclassificatie. Een ingebouwd sequence-to-sequence-model in Amazon SageMaker is bedoeld voor taken zoals machinetranslatie of tekstsamenvatting, niet voor de binaire classificatie van duurzaamheidsproblemen.