Firma handlowa zatrudnia obecnie operatorów, którzy ręcznie klasyfikują reklamacje klientów do kategorii i przechowują każdy rekord reklamacji (wraz z jego kategorią) w centralnej bazie danych. Firma nie posiada zespołu ds. analizy danych i potrzebuje rozwiązania, które nie wymaga wiedzy z zakresu uczenia maszynowego, aby automatycznie przypisywać kategorie i kierować przychodzące reklamacje do kolejek. Które podejście spełnia te ograniczenia?

Prawidłowa odpowiedź to użycie niestandardowej klasyfikacji Amazon Comprehend. Firma nie posiada zespołu ds. analizy danych i potrzebuje rozwiązania, które nie wymaga wiedzy z zakresu uczenia maszynowego. Amazon Comprehend to w pełni zarządzana usługa NLP, która umożliwia tworzenie niestandardowych klasyfikatorów tekstu bez pisania kodu ML ani zarządzania infrastrukturą. Wymaga danych treningowych w formacie CSV z etykietami i tekstem, co idealnie pasuje do istniejących danych firmy. Integracja z API jest prosta. Pozostałe opcje są nieprawidłowe, ponieważ: Amazon SageMaker Object2Vec i Latent Dirichlet Allocation (LDA) to algorytmy SageMaker, które wymagają pewnej wiedzy z zakresu uczenia maszynowego do efektywnego trenowania, strojenia i wdrażania modeli, co jest sprzeczne z wymaganiami firmy. Amazon Textract służy do wyodrębniania tekstu i danych z dokumentów, a nie do wyodrębniania danych z bazy danych.