FácilOpción múltiple

Pregunta de práctica de AI-102

Una organización de atención médica utiliza Azure Document Intelligence para procesar formularios de admisión de pacientes. Nota que las puntuaciones de confianza para la extracción de campos son bajas. ¿Cuál es la causa más probable?

Elige la mejor respuesta.

Respuesta correcta

  • CEl modelo personalizado se entrenó con solo 10 formularios etiquetados

Explicación

Los modelos personalizados en Azure Document Intelligence requieren un mínimo de cinco formularios etiquetados para el entrenamiento, pero las puntuaciones de confianza bajas suelen indicar datos de entrenamiento insuficientes. Con solo 10 formularios etiquetados, al modelo le faltan suficientes ejemplos para generalizar adecuadamente entre las variaciones de escritura a mano, formato y valores de campos, lo que genera una baja confianza en la extracción.

Por qué cada opción es correcta o incorrecta

A

Incorrecta

La resolución del documento es demasiado baja

Una resolución baja puede afectar al OCR, pero no constituye la causa principal de una baja confianza.

B

Incorrecta

No se analiza el diseño del documento

El análisis de diseño se realiza siempre; no afecta las puntuaciones de confianza.

C

Correcta

El modelo personalizado se entrenó con solo 10 formularios etiquetados

Los modelos personalizados requieren al menos 5 formularios etiquetados; más muestras mejoran la confianza.

D

Incorrecta

El tamaño del procesamiento por lotes es demasiado grande

El tamaño del lote no afecta las puntuaciones de confianza.

Para profundizar

Los modelos personalizados de Azure Document Intelligence aprenden la extracción de campos a partir de ejemplos etiquetados, y la precisión depende en gran medida del volumen y la variedad de los documentos de entrenamiento. Con solo diez formularios etiquetados, el modelo cuenta con muy pocos ejemplos para generalizar entre diseños, fuentes y variaciones de escritura a mano, por lo que las puntuaciones de confianza para los campos extraídos se mantendrán bajas y los errores aumentarán en documentos no vistos antes. Una resolución baja puede perjudicar el OCR, pero el síntoma descrito en todos los campos apunta a una insuficiencia de datos de entrenamiento. El análisis de diseño forma parte de la canalización (pipeline) y no es algo que quien realiza la llamada deshabilite. El tamaño del lote afecta el rendimiento (throughput), no la confianza por campo. La solución práctica consiste en etiquetar al menos cinco documentos por tipo de campo, idealmente quince o más, y volver a entrenar el modelo personalizado.

Sobre estas preguntas de práctica

Esta es una de las preguntas de práctica originales de AI-102 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.