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.
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.