Publiczna aplikacja internetowa zbiera duże ilości swobodnego tekstu od użytkowników. Menedżerowie produktu oznaczyli duży historyczny zbiór danych w stały zestaw kategorii (na przykład problemy z interfejsem użytkownika, problemy z wydajnością, prośby o nowe funkcje, problemy z czatem). Inżynier ML musi zautomatyzować klasyfikację wieloklasową nowych opinii za pomocą Amazon SageMaker. Który algorytm SageMaker jest najbardziej odpowiedni do tego zadania?

BlazingText to algorytm SageMaker, który efektywnie radzi sobie z klasyfikacją tekstu, w tym z klasyfikacją wieloklasową. Może działać w trybie FastText, co jest bardzo szybkie i skuteczne dla dużych zbiorów danych tekstowych, takich jak opinie użytkowników. LDA i NTM to algorytmy do modelowania tematów (topic modeling), które służą do odkrywania ukrytych tematów w tekście, a nie do klasyfikacji tekstu do predefiniowanych kategorii. CatBoost to algorytm do uczenia maszynowego oparty na drzewach decyzyjnych, który jest przeznaczony głównie do danych tabelarycznych, a nie do bezpośredniej pracy z danymi tekstowymi, choć można go użyć z cechami wyodrębnionymi z tekstu.