Szpital wdrożył API RESTful, używając Amazon API Gateway i AWS Lambda, do przesyłania raportów w formatach PDF i JPEG. Szpital musi zmodyfikować kod Lambda, aby identyfikować chronione informacje zdrowotne (PHI) w raportach. Które rozwiązanie spełnia to wymaganie przy NAJMNIEJSZYM nakładzie operacyjnym?

Poprawna odpowiedź to użycie Amazon Textract do wyodrębnienia tekstu z raportów, a następnie Amazon Comprehend Medical do identyfikacji PHI. Amazon Textract to usługa OCR (optyczne rozpoznawanie znaków), która automatycznie wyodrębnia tekst i dane z zeskanowanych dokumentów, w tym PDF i JPEG, co jest idealne dla raportów. Amazon Comprehend Medical to wyspecjalizowana usługa przetwarzania języka naturalnego (NLP), która identyfikuje i wyodrębnia informacje medyczne (w tym PHI) z niestrukturyzowanego tekstu. To rozwiązanie minimalizuje nakład operacyjny, ponieważ są to w pełni zarządzane usługi AWS, niewymagające budowania ani utrzymywania modeli ML. Użycie istniejących bibliotek Pythona wymagałoby znacznego wysiłku programistycznego i utrzymania. Amazon SageMaker do identyfikacji PHI wymagałoby budowania i trenowania własnych modeli ML, co jest bardziej złożone. Amazon Rekognition jest przeznaczony głównie do analizy obrazów i wideo, a nie do precyzyjnego wyodrębniania tekstu z dokumentów w formacie PDF/JPEG, co sprawia, że Textract jest lepszym wyborem dla tego etapu.