目前，我正在开发一个基于NLP分析和可视化文本数据的系统。
后端（Python + Flask + AWS EC2）处理分析，并使用API将结果反馈到仅处理交互式可视化的前端（FLASK + D3 + Heroku）应用程序。
现在，原型中的分析是一个基本的python函数，这意味着在大文件上分析需要花费更长的时间，从而在API数据桥接到前端期间导致请求超时。以及许多文件的分析都是在线性阻塞队列中完成的。
因此，要扩展此原型，我需要将Analysis(text)函数修改为后台任务，这样它就不会阻止进一步执行，并且一旦函数完成就可以进行回调。输入文本是从AWS S3提取的，输出是一种相对较大的JSON格式，也打算存储在AWS S3中，因此API桥将简单地提取此JSON，其中包含前端应用程序中所有图形的数据。（我发现S3比创建大型关系数据库结构来存储持久数据要容易一些。）
我正在用Celery做一些简单的示例，并发现它很适合作为解决方案，但是我只是在AWS Lambda中进行了一些阅读，从规模上看，这似乎是一个更好的解决方案...
该Analysis(text)函数使用一个预先构建的模型，并从相对常见的NLP python包中进行操作。由于我缺乏扩展原型的经验，因此我想询问您的经验，并判断哪种解决方案最适合这种情况。
谢谢 ：）