Firma chce, aby model ML analizował recenzje z mediów społecznościowych i oznaczał każdą z nich jako neutralną, pozytywną lub negatywną. Które podejście do modelowania jest odpowiednie dla tego wymagania?

Klasyfikacja jest odpowiednim podejściem, ponieważ celem jest przypisanie każdej recenzji do jednej z predefiniowanych kategorii (neutralna, pozytywna, negatywna). Jest to klasyczny problem klasyfikacji tekstu, gdzie model uczy się mapować dane wejściowe (tekst recenzji) na jedną z dyskretnych klas wyjściowych. Generowanie otwarte (Open-ended generation) jest nieodpowiednie, ponieważ służy do tworzenia nowego tekstu, a nie do kategoryzowania istniejącego. Streszczanie tekstu (Text summarization) jest błędne, gdyż jego celem jest skrócenie tekstu przy zachowaniu jego głównego sensu, a nie przypisanie mu sentymentu. Tłumaczenie maszynowe (Machine translation) również nie pasuje, ponieważ służy do konwersji tekstu z jednego języka na inny.