Zespół będzie wstępnie przetwarzał tekst za pomocą tagowania części mowy i ekstrakcji kluczowych fraz, a następnie przekazywał przetworzony tekst do niestandardowego klasyfikatora już zaimplementowanego i wytrenowanego za pomocą Apache MXNet. Które podejście pozwoli zespołowi najszybciej dostarczyć to rozwiązanie?

Poprawna odpowiedź to użycie Amazon Comprehend do tagowania części mowy i ekstrakcji kluczowych fraz oraz wdrożenie niestandardowego klasyfikatora MXNet za pomocą AWS Deep Learning Containers z SageMaker. Amazon Comprehend to zarządzana usługa NLP, która szybko i efektywnie wykonuje zadania takie jak tagowanie części mowy i ekstrakcja kluczowych fraz bez konieczności zarządzania infrastrukturą. Ponieważ zespół ma już wytrenowany klasyfikator MXNet, najszybszym sposobem jego wdrożenia jest użycie AWS Deep Learning Containers w SageMaker, które zapewniają wstępnie skonfigurowane środowiska do uruchamiania modeli MXNet. Pozostałe opcje są mniej optymalne: Użycie Amazon Comprehend do klasyfikacji jest nieodpowiednie, ponieważ zespół ma już niestandardowy klasyfikator. Użycie biblioteki NLP w SageMaker do tagowania części mowy wprowadza niepotrzebną złożoność, gdy Comprehend oferuje gotowe rozwiązanie. Użycie algorytmu LDA SageMaker jako klasyfikatora jest błędne, ponieważ LDA to algorytm modelowania tematów, a nie klasyfikacji, i ignoruje istniejący klasyfikator MXNet.