Respuestas correctas
- ACobertura de vocabulario específica del dominio
- BTiempo de desarrollo e implementación
- DDisponibilidad de datos de entrenamiento etiquetados
Explicación
La cobertura de vocabulario específica del dominio (opción A) determina si un modelo reconoce la jerga de la industria, los nombres de productos y las abreviaturas en su texto. Los modelos preconstruidos pueden pasar por alto términos especializados, mientras que los modelos personalizados se pueden entrenar con datos de dominio, lo que convierte a la cobertura en un factor de selección decisivo. El tiempo de desarrollo y implementación (opción B) difiere notablemente: los modelos preconstruidos funcionan inmediatamente sin entrenamiento, mientras que los modelos personalizados requieren ciclos de etiquetado, entrenamiento y evaluación. Cuando la entrega rápida importa, esta diferencia de esfuerzo influye directamente en la decisión entre preconstruido y personalizado. La disponibilidad de datos de entrenamiento etiquetados (opción D) es fundamental porque los modelos personalizados requieren suficientes ejemplos etiquetados por clase para aprender patrones específicos de la tarea; sin ellos, el entrenamiento falla o se sobreajusta (overfitting). Los modelos preconstruidos no necesitan etiquetado. El enunciado pregunta qué factores influyen en la elección, y la disponibilidad de datos etiquetados determina directamente si un modelo personalizado es viable.
Para profundizar
Los modelos preconstruidos de Azure AI Language se entrenan en corpus amplios y de propósito general y exponen capacidades fijas como análisis de sentimientos, extracción de frases clave y reconocimiento de entidades con nombre a través de un punto de conexión compartido, por lo que no requieren datos etiquetados y se pueden invocar de inmediato. Los modelos personalizados, por el contrario, se construyen con características personalizadas de Azure AI Language, como la clasificación de texto personalizada o el reconocimiento de entidades con nombre (NER) personalizado, que requieren que cargue y etiquete expresiones específicas del dominio y luego entrene, evalúe e implemente un modelo en un punto de conexión dedicado. Esa canalización de entrenamiento introduce latencia y costo, y su calidad está limitada por el volumen y la consistencia de sus ejemplos etiquetados. Un caso realista es un proveedor de atención médica cuyas notas clínicas contienen terminología de especialidad que el modelo NER preconstruido clasifica erróneamente; el equipo debe sopesar si la recopilación de miles de notas anotadas justifica la precisión mejorada.
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.