DifícilOpción múltiple

Pregunta de práctica de AI-102

Está creando un modelo personalizado de reconocimiento de entidades nombradas (NER) utilizando Azure AI Language. Después de etiquetar 200 documentos, entrena el modelo y obtiene una precisión del 85% pero solo un 60% de exhaustividad (recall). ¿Qué acción tiene más probabilidades de mejorar la exhaustividad?

Elige la mejor respuesta.

Respuesta correcta

  • CAumentar el número de documentos etiquetados, especialmente aquellos que contienen las entidades objetivo

Explicación

Una baja exhaustividad en un modelo NER personalizado indica por lo general que el modelo no logra identificar muchas instancias de las entidades objetivo. Aumentar el número de documentos etiquetados, especialmente aquellos que contienen las entidades objetivo, proporciona más ejemplos positivos para que el modelo aprenda, mejorando directamente su capacidad para reconocer dichas entidades y aumentando así la exhaustividad.

Por qué cada opción es correcta o incorrecta

A

Incorrecta

Reducir el umbral de confianza

Reducir el umbral de confianza admite más predicciones de baja certeza, lo que eleva la exhaustividad pero deprime simultáneamente la precisión del 85%. Es tentador porque el ajuste de umbrales es un recurso legítimo cuando un modelo es demasiado conservador, pero aquí la brecha proviene de etiquetas de entidades insuficientes o desequilibradas, no del límite de decisión.

B

Incorrecta

Aumentar las horas de entrenamiento

Las horas de entrenamiento controlan la duración de la optimización, no la cobertura de etiquetas; las épocas adicionales no pueden enseñar al modelo entidades ausentes en los 200 documentos etiquetados. Es tentador porque un entrenamiento más prolongado a veces eleva métricas débiles, pero una exhaustividad del 60% con un 85% de precisión apunta a ejemplos de entidades faltantes o desequilibrados.

C

Correcta

Aumentar el número de documentos etiquetados, especialmente aquellos que contienen las entidades objetivo

Una baja exhaustividad significa que el modelo pasa por alto muchas entidades verdaderas, normalmente porque los datos de entrenamiento subrepresentan sus contextos y variaciones. Agregar más documentos etiquetados que contengan las entidades objetivo expone al modelo a esos patrones, elevando la exhaustividad mientras la precisión se mantiene ampliamente estable.

D

Incorrecta

Cambiar a una característica diferente de Azure AI Language

Cambiar de característica abandona el conjunto de datos etiquetado y no puede elevar la exhaustividad en este modelo NER; aborda un problema completamente diferente. Es tentador cuando el NER personalizado parece la herramienta incorrecta, pero el modelo ya alcanza el 85% de precisión, por lo que el enfoque de extracción de entidades en sí mismo está funcionando.

Para profundizar

En el NER personalizado de Azure AI Language, la precisión y la exhaustividad se compensan mutuamente mediante el umbral de confianza del modelo y la distribución de los datos de entrenamiento. La exhaustividad mide cuántas menciones de entidades verdaderas encontró el modelo; una baja exhaustividad por lo general significa que el modelo ha visto muy pocos ejemplos de las formas de superficie, contextos o casos límite de la entidad. Agregar documentos etiquetados que contengan las entidades objetivo, especialmente frases variadas y ejemplos negativos cercanos a los fallos, le da al modelo más señales para generalizar. Reducir el umbral de confianza mostraría más predicciones, pero típicamente a costa de la precisión, no como una solución real de exhaustividad. Aumentar las horas de entrenamiento no ayuda si los datos carecen de cobertura, y cambiar de característica abandona el esquema personalizado. Una solución realista es etiquetar 100 documentos más ricos en el tipo de entidad omitido, y luego volver a entrenar y reevaluar la curva de precisión-exhaustividad.

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.