Розничная компания в настоящее время имеет операторов, которые вручную классифицируют претензии клиентов по категориям и сохраняют каждую запись претензии (включая ее категорию) в центральной базе данных. У компании нет команды специалистов по данным, и ей требуется решение, не требующее опыта в области машинного обучения, для автоматического назначения категорий и маршрутизации входящих претензий в очереди. Какой подход соответствует этим ограничениям?

Правильный ответ — использование пользовательской классификации Amazon Comprehend. Это решение идеально подходит, поскольку оно не требует опыта в области машинного обучения (нет команды специалистов по данным) и позволяет автоматизировать категоризацию претензий. Amazon Comprehend — это полностью управляемый сервис обработки естественного языка (NLP), который может обучать пользовательские классификаторы на основе предоставленных данных (claimlabel и claimtext) без необходимости написания кода или управления инфраструктурой ML. Неверные варианты: Использование Amazon SageMaker Object2Vec или Latent Dirichlet Allocation (LDA) требует значительного опыта в области машинного обучения и настройки моделей, что противоречит ограничению отсутствия команды специалистов по данным. Использование Amazon Textract не является основным решением для классификации текста. Textract предназначен для извлечения текста и данных из документов, а не для категоризации текстовых претензий, уже находящихся в базе данных.