Je moet embedding-vectoren genereren uit een verzameling Engelse zinnen, zodat downstream-modellen deze kunnen gebruiken. Zinnen hergebruiken vaak woorden in verschillende contexten en bevatten vraag-antwoord-paren; de embeddings moeten de woordcontext en sequentie-/QA-informatie vastleggen. Welke SageMaker-opties kunnen embeddings genereren die aan deze behoeften voldoen? (Kies twee.)

De Amazon SageMaker seq2seq-algoritme is geschikt voor het vastleggen van context en sequentie-informatie, omdat het specifiek is ontworpen voor taken zoals machinetranslatie en tekstsamenvatting, waarbij de volgorde van woorden cruciaal is. Het Amazon SageMaker Object2Vec-algoritme is flexibel en kan worden geconfigureerd om embeddings te genereren die zowel context als relaties tussen objecten (zoals vraag-antwoord-paren) vastleggen, door middel van een Siamese netwerkarchitectuur. BlazingText in Skip-gram of CBOW-modus genereert woordembeddings die voornamelijk gebaseerd zijn op lokale context, maar minder geschikt zijn voor het vastleggen van complexe sequentie-informatie of relaties in vraag-antwoord-paren. Het combineren van BlazingText met een aangepast RNN is een complexere oplossing dan de kant-en-klare SageMaker-algoritmen die al aan de vereisten voldoen.