DifícilOpción múltiple

Pregunta de práctica de AI-102

Una organización utiliza Azure AI Search para potenciar una base de conocimientos interna. Observan que los resultados de búsqueda devuelven documentos irrelevantes. El índice incluye un campo 'content' con texto completo y un campo 'tags' con metadatos. Los usuarios suelen buscar términos específicos que aparecen en el campo 'tags'. ¿Cómo debe configurar el índice de búsqueda para mejorar la relevancia?

Elige la mejor respuesta.

Respuesta correcta

  • BConfigurar un perfil de puntuación con un peso mayor para el campo 'tags'.

Explicación

Configurar un perfil de puntuación con un peso mayor para el campo 'tags' aumenta la puntuación de relevancia de los documentos donde los términos de búsqueda coinciden con las etiquetas, priorizando así dichos resultados. La opción A (puntuación basada en la frescura) favorecería los documentos más nuevos, pero no aborda la coincidencia en las etiquetas. La opción C configura el campo 'tags' para que utilice el analizador 'keyword', lo que cambia la tokenización pero no ajusta la ponderación de los campos. La opción D habilita la búsqueda semántica en el campo 'content', lo que mejora la comprensión de consultas en lenguaje natural pero no aumenta específicamente el peso del campo de etiquetas.

Por qué cada opción es correcta o incorrecta

A

Incorrecta

Agregar un perfil de puntuación personalizado basado en la frescura.

La clasificación por frescura no puede potenciar las coincidencias de etiquetas, ya que los perfiles de puntuación ponderan campos o funciones, no el campo en el que incide el término de una consulta; el problema del planteamiento es la ubicación del término en 'tags'. Un perfil de frescura se adapta a fuentes de noticias o contenido sensible al tiempo donde la actualidad debe anteponerse a la relevancia textual.

B

Correcta

Configurar un perfil de puntuación con un peso mayor para el campo 'tags'.

Los perfiles de puntuación aplican pesos de campo durante la evaluación de consultas, por lo que potenciar el campo 'tags' eleva los documentos cuyos metadatos coinciden con los términos del usuario. Esto aborda directamente el problema de relevancia, ya que las etiquetas contienen los términos específicos que los usuarios buscan, mientras que el campo de texto completo 'content' diluye las puntuaciones de coincidencia.

C

Incorrecta

Establecer que el campo 'tags' utilice el analizador 'keyword'.

El analizador keyword trata todo el valor de las etiquetas como un único token, por lo que las búsquedas de etiquetas de varias palabras no logran coincidir con términos individuales. Se adapta a campos que contienen identificadores individuales indivisibles, como códigos de producto o identificadores exactos, no a metadatos de múltiples términos.

D

Incorrecta

Habilitar la búsqueda semántica en el campo 'content'.

La búsqueda semántica reordena el campo 'content' utilizando modelos de lenguaje, pero el planteamiento indica que los usuarios buscan términos contenidos en 'tags', los cuales la clasificación semántica no consulta. Es tentador porque la búsqueda semántica mejora genuinamente la relevancia para consultas en lenguaje natural sobre prosa, y sería correcta si los términos que no coinciden estuvieran en el cuerpo de texto completo en lugar de en los metadatos.

Para profundizar

Los perfiles de puntuación de Azure AI Search permiten potenciar campos específicos mediante pesos aplicados durante la clasificación BM25. Un peso de, por ejemplo, 5 en 'tags' multiplica la contribución de la frecuencia de términos de ese campo, de modo que un documento cuyas etiquetas coinciden con la consulta supera a uno donde el término aparece solo en el texto del cuerpo. Los pesos son por campo y por perfil, y se pueden combinar varios perfiles con funciones como la frescura o la magnitud. Un detalle sutil: los pesos de los campos solo afectan al componente BM25; si la reordenación semántica está habilitada, el reordenador L1 puede anular las mejoras léxicas, por lo que ambos deben ajustarse en conjunto. Asimismo, el analizador 'keyword' trata todo el campo como un solo token, lo que ayuda a los filtros de coincidencia exacta pero destruye la recuperación de coincidencias parciales, lo cual suele ser una mala elección para la búsqueda de etiquetas. La ponderación es la solución menos invasiva y solo requiere una actualización de perfil sin necesidad de reindexar.

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.