Компании необходимо извлекать названия ингредиентов из записей рецептов, хранящихся в виде текстовых файлов в бакете Amazon S3. Веб-приложение будет запрашивать таблицу DynamoDB, используя названия ингредиентов, для определения показателя питательности. Компания может допускать записи, не относящиеся к продуктам питания, и ошибки, и у нее нет сотрудников с опытом в области машинного обучения. Какое решение является НАИБОЛЕЕ экономически эффективным?

Правильный вариант использует S3 Event Notifications для запуска функции AWS Lambda при загрузке нового файла. Lambda, в свою очередь, использует Amazon Comprehend, сервис машинного обучения для обработки естественного языка (NLP), для извлечения сущностей (названий ингредиентов) из текстовых файлов. Comprehend идеально подходит для этой задачи, так как не требует опыта в области машинного обучения и является экономически эффективным для извлечения информации из неструктурированного текста. Результаты сохраняются в DynamoDB для дальнейшего использования. Неправильные варианты: Amazon Forecast предназначен для прогнозирования временных рядов, а не для извлечения сущностей из текста. Использование Amazon Polly для создания аудио и ручной обработки сотрудниками является крайне неэффективным и дорогостоящим решением. Amazon SageMaker требует значительного опыта в области машинного обучения для создания, обучения и развертывания моделей, что противоречит требованию отсутствия такого опыта у компании.