Aşağı akış modellerinin kullanabilmesi için bir İngilizce cümle koleksiyonundan gömme vektörleri üretmeniz gerekiyor. Cümleler genellikle kelimeleri farklı bağlamlarda yeniden kullanır ve soru-cevap çiftleri içerir; gömmelerin kelime bağlamını ve dizi/QA bilgilerini yakalaması gerekir. Bu ihtiyaçları karşılayan gömmeleri hangi SageMaker seçenekleri üretebilir? (İki tane seçin.)

Amazon SageMaker seq2seq algoritması, metin dizilerini anlamsal olarak zengin gömmelere dönüştürmek için tasarlanmıştır. Özellikle kelime bağlamını ve dizi bilgilerini yakalayarak soru-cevap çiftleri gibi karmaşık ilişkileri modelleyebilir. Amazon SageMaker Object2Vec algoritması ise herhangi bir nesne çiftini (bu durumda cümleler) düşük boyutlu, yoğun vektör gösterimlerine eşlemek için genel bir yöntem sunar. Bu, kelime bağlamını ve dizi/QA bilgilerini içeren gömmeler oluşturmak için çok yönlü bir seçenektir. BlazingText algoritmaları (Skip-gram ve CBOW modları), kelime düzeyinde gömmeler oluşturmak için optimize edilmiştir, ancak cümle düzeyindeki bağlamı ve soru-cevap çiftleri gibi karmaşık ilişkileri yakalamakta seq2seq veya Object2Vec kadar etkili değildir. BlazingText'i özel bir RNN ile birleştirmek ek bir geliştirme gerektirir ve SageMaker'ın yerleşik algoritmaları kadar doğrudan bir çözüm değildir.