Sprzedawca detaliczny posiada 1000 recenzji klientów (każda oznaczona pod kątem obaw dotyczących trwałości), a wiele recenzji zawiera puste pola. Zespół musi zbudować model do wykrywania recenzji wspominających o trwałości produktu i mieć go gotowego w ciągu 2 dni. Które podejście jest najbardziej bezpośrednim sposobem na spełnienie tego 2-dniowego wymagania?

Wytrenowanie niestandardowego klasyfikatora tekstu za pomocą Amazon Comprehend jest najbardziej bezpośrednim podejściem, ponieważ Comprehend to w pełni zarządzana usługa NLP, która umożliwia szybkie tworzenie niestandardowych klasyfikatorów tekstu bez konieczności zarządzania infrastrukturą ani pisania kodu. Dzięki 1000 oznaczonych recenzji i wymogowi 2-dniowego terminu, Comprehend oferuje gotowe rozwiązanie do szybkiego wdrożenia. Implementowanie rekurencyjnej sieci neuronowej w Amazon SageMaker przy użyciu Gluon i Apache MXNet wymagałoby znacznie więcej czasu na rozwój, strojenie i zarządzanie infrastrukturą. Wytrenowanie wbudowanego modelu BlazingText w Amazon SageMaker przy użyciu trybu Word2Vec jest bardziej odpowiednie do generowania osadzeń słów, a nie do bezpośredniej klasyfikacji tekstu, i również wymagałoby dodatkowych kroków do zbudowania klasyfikatora. Użycie wbudowanego modelu sequence-to-sequence w Amazon SageMaker jest przeznaczone do zadań takich jak tłumaczenie maszynowe lub podsumowywanie, a nie do klasyfikacji binarnej recenzji.