Firma musi wyodrębnić nazwy składników z rekordów przepisów przechowywanych jako pliki tekstowe w zasobniku Amazon S3. Aplikacja internetowa będzie wysyłać zapytania do tabeli DynamoDB, używając nazw składników, aby określić wynik odżywiania. Firma może tolerować rekordy niezwiązane z żywnością i błędy, a także nie ma pracowników z doświadczeniem w ML. Które rozwiązanie jest NAJBARDZIEJ opłacalne?

Poprawne rozwiązanie jest najbardziej opłacalne, ponieważ wykorzystuje Amazon Comprehend, usługę uczenia maszynowego do przetwarzania języka naturalnego (NLP), która jest w pełni zarządzana i nie wymaga doświadczenia w ML. S3 Event Notifications wywołują funkcję Lambda po umieszczeniu nowego pliku, a Lambda używa Comprehend do ekstrakcji nazw składników, które następnie są zapisywane w DynamoDB. Jest to efektywne i skalowalne. Opcja z Amazon Forecast jest nieprawidłowa, ponieważ Forecast służy do prognozowania szeregów czasowych, a nie do ekstrakcji tekstu. Opcja z Amazon Polly jest niepraktyczna i kosztowna, ponieważ wymaga ręcznej pracy i nie automatyzuje ekstrakcji składników. Opcja z Amazon SageMaker jest mniej opłacalna, ponieważ SageMaker wymaga większej wiedzy z zakresu ML i zarządzania modelami, co jest sprzeczne z wymaganiem braku doświadczenia w ML.