DifícilOpción múltiple

Pregunta de práctica de PMLE

Una institución financiera quiere usar Natural Language API para realizar un análisis de sentimiento en los comentarios de los clientes, pero el lenguaje específico del dominio (por ejemplo, 'bullish', 'bearish') no se clasifica correctamente. Tienen 200 ejemplos etiquetados. ¿Qué enfoque minimiza el esfuerzo de codificación a la vez que mejora la precisión?

Elige la mejor respuesta.

Respuesta correcta

  • DUsar AutoML Natural Language para entrenar un modelo personalizado

Explicación

AutoML Natural Language le permite entrenar un modelo personalizado con sus 200 ejemplos etiquetados sin escribir código, mejorando directamente la precisión para términos específicos del dominio como 'bullish' y 'bearish'. Este enfoque aprovecha el aprendizaje por transferencia de los modelos previamente entrenados de Google, minimizando el esfuerzo de codificación al tiempo que se adapta a su vocabulario y patrones de sentimiento únicos.

Por qué cada opción es correcta o incorrecta

A

Incorrecta

Enviar una solicitud de función a Google para obtener términos específicos del dominio

Una solicitud de función a Google no ofrece ninguna mejora de precisión dentro del cronograma del proyecto, ya que las decisiones sobre la hoja de ruta están fuera del control del cliente. Es tentador cuando una API administrada carece de cobertura de dominio, pero el escenario proporciona 200 ejemplos etiquetados precisamente para que AutoML Natural Language pueda entrenar un modelo específico del dominio ahora.

B

Incorrecta

Crear un diccionario de sentimientos personalizado y pasarlo a la Natural Language API

La Natural Language API no acepta ningún parámetro de diccionario de sentimientos personalizado; los pesos de su modelo son fijos, por lo que proporcionar términos de dominio no cambia nada. Es tentador porque las anulaciones de léxico funcionan en herramientas como VADER o spaCy, pero aquí la API no expone dicho enlace, lo que deja a AutoML como la ruta admitida.

C

Incorrecta

Construir un modelo de TensorFlow personalizado para el sentimiento

Construir un modelo de TensorFlow exige una codificación sustancial, infraestructura de entrenamiento y ajuste, lo que contradice el requisito de mínimo esfuerzo a pesar de tener solo 200 ejemplos etiquetados. Es tentador cuando existen datos etiquetados y la precisión importa, pero la clasificación de AutoML Natural Language se entrena con esos ejemplos utilizando mucho menos código.

D

Correcta

Usar AutoML Natural Language para entrenar un modelo personalizado

AutoML Natural Language entrena un modelo de sentimiento personalizado con los 200 ejemplos etiquetados a través de la consola, aprendiendo términos de dominio como 'bullish' y 'bearish' que la Natural Language API previamente entrenada clasifica erróneamente. Esto cumple con la restricción de codificación mínima mientras se adapta al vocabulario financiero.

Para profundizar

AutoML Natural Language le permite entrenar un modelo personalizado de clasificación de texto o de sentimiento a partir de ejemplos etiquetados mediante una canalización administrada que gestiona la tokenización, la extracción de características y el ajuste de hiperparámetros, de modo que el desarrollador proporciona un conjunto de datos en CSV o JSONL y recibe un punto de conexión de modelo implementado. Con aproximadamente 200 ejemplos etiquetados, esto se encuentra dentro del mínimo recomendado para una tarea de clasificación de una sola etiqueta, y captura vocabulario de dominio como bullish o bearish que el modelo general previamente entrenado clasifica erróneamente. La Natural Language API no acepta un diccionario de sentimientos personalizado, y construir un modelo de TensorFlow exige mucho más esfuerzo de ingeniería. Una sutileza es que AutoML divide los datos para el entrenamiento, la validación y las pruebas, por lo que el equilibrio de etiquetas entre las clases importa más que el recuento bruto. Esto es importante cuando la jerga financiera sesga las puntuaciones de sentimiento genéricas.

Sobre estas preguntas de práctica

Esta es una de las preguntas de práctica originales de PMLE de Courseiva, escrita para aprender y nunca copiada de exámenes reales ni de dumps.

Traducida del original en inglés con IA y revisada para comprobar el sentido. Los códigos de examen, los comandos y los nombres de productos se mantienen tal como aparecen en el examen.