Musisz wygenerować wektory osadzenia (embedding vectors) z kolekcji zdań w języku angielskim, aby mogły z nich korzystać modele niższego poziomu. Zdania często ponownie wykorzystują słowa w różnych kontekstach i zawierają pary pytań i odpowiedzi; osadzenia powinny uwzględniać kontekst słów oraz informacje o sekwencji/QA. Które opcje SageMaker mogą generować osadzenia spełniające te potrzeby? (Wybierz dwie.)

Algorytm Amazon SageMaker seq2seq jest odpowiedni, ponieważ modele sekwencja-do-sekwencji (seq2seq) są zaprojektowane do przetwarzania danych sekwencyjnych, takich jak zdania, i potrafią uwzględniać kontekst słów oraz relacje między pytaniami i odpowiedziami. Algorytm Amazon SageMaker Object2Vec jest również właściwy, ponieważ jest to ogólny algorytm osadzania, który może uczyć się osadzeń dla dowolnych par obiektów, w tym par pytań i odpowiedzi, i uwzględniać kontekst. BlazingText w trybie Skip-gram lub CBOW generuje osadzenia słów (word embeddings), ale nie uwzględnia kontekstu całego zdania ani relacji sekwencyjnych/QA w tak zaawansowany sposób jak seq2seq czy Object2Vec. Łączenie BlazingText z niestandardową siecią RNN wymagałoby dodatkowego, niestandardowego rozwoju, co wykracza poza zakres gotowych algorytmów SageMaker spełniających te potrzeby.