DifícilOpción múltiple

Pregunta de práctica de AI-900

Un bufete de abogados necesita categorizar automáticamente documentos (por ejemplo, 'contract', 'pleading', 'memo') y extraer cláusulas específicas como 'indemnity' y 'confidentiality'. Cuentan con un gran conjunto de ejemplos etiquetados para ambas tareas. ¿Qué combinación de características de Azure AI Language deben utilizar?

Elige la mejor respuesta.

Respuesta correcta

  • BTEXT: Clasificación de texto personalizada y reconocimiento de entidades nombradas personalizado

Explicación

El bufete de abogados necesita categorizar documentos (una tarea de clasificación de texto) y extraer cláusulas específicas (una tarea de reconocimiento de entidades nombradas). La clasificación de texto personalizada permite entrenar un modelo con ejemplos etiquetados para clasificar documentos en categorías como 'contract' o 'pleading', mientras que el reconocimiento de entidades nombradas (NER) personalizado se puede entrenar para extraer entidades específicas del dominio, como las cláusulas 'indemnity' y 'confidentiality', del texto. Azure AI Language es compatible con ambas características personalizadas, lo que permite al bufete construir modelos adaptados utilizando su conjunto de datos etiquetado.

Por qué cada opción es correcta o incorrecta

A

Incorrecta

TEXT: Análisis de sentimientos preconstruido y extracción de frases clave

El análisis de sentimientos preconstruido y la extracción de frases clave son características genéricas de Azure AI Language. El análisis de sentimientos solo asigna una puntuación de positividad, negatividad o neutralidad por oración o documento, mientras que la extracción de frases clave devuelve una lista estadística de frases destacadas como 'contract' o 'client' sin ningún entrenamiento en el dominio legal. Estas herramientas no se pueden entrenar con la taxonomía personalizada de un bufete, por lo que no pueden categorizar documentos en clases específicas de un bufete de abogados como 'non-disclosure agreement' ni extraer entidades personalizadas como 'indemnification clause'. Debido a que el requisito es de categorías personalizadas y entidades nombradas personalizadas, estas funciones de NLP genéricas preconstruidas son insuficientes.

B

Correcta

TEXT: Clasificación de texto personalizada y reconocimiento de entidades nombradas personalizado

La clasificación de texto personalizada y el reconocimiento de entidades nombradas (NER) personalizado son las capacidades correctas de Azure AI Language. La clasificación de texto personalizada le permite entrenar un modelo en documentos etiquetados para asignarlos a sus propias categorías legales (por ejemplo, 'NDA', 'employment contract', 'litigation hold'), mientras que el NER personalizado entrena un modelo para extraer tipos de entidades definidos por el usuario, como fechas de vigencia de contratos, cláusulas de ley aplicable o partes nombradas. Ambos requieren un conjunto de datos de entrenamiento etiquetado y producen un punto de conexión personalizado que infiere etiquetas y entidades estructuradas a partir de nuevos documentos. Esto coincide directamente con la necesidad del bufete de abogados de categorizar documentos automáticamente y extraer información específica a nivel de cláusula, a diferencia de cualquier servicio preconstruido genérico.

C

Incorrecta

TEXT: Respuestas a preguntas y resumen de conversaciones

Las respuestas a preguntas y el resumen de conversaciones están diseñados para diferentes cargas de trabajo. Las respuestas a preguntas de Azure AI Language devuelven fragmentos de respuestas de una base de conocimiento o un conjunto de documentos en respuesta a consultas, pero no asignan a cada documento una etiqueta de categoría predefinida. El resumen de conversaciones (extractivo o abstractivo) condensa una transcripción de conversación en puntos clave o un resumen; no clasifica documentos en tipos legales personalizados ni extrae entidades nombradas estructuradas como identificadores de cláusulas específicos. Estas herramientas están destinadas a preguntas y respuestas interactivas o a resumir chats y reuniones, no para la categorización de documentos por lotes en una práctica legal.

D

Incorrecta

TEXT: Detección de idiomas y traducción

La detección de idiomas y la traducción abordan propiedades lingüísticas superficiales, no la semántica ni la estructura específica del dominio. La detección de idiomas utiliza un clasificador preconstruido para identificar el idioma dominante del texto (por ejemplo, inglés frente a español), mientras que Azure Translator convierte texto entre idiomas utilizando traducción automática estadística o neuronal. Ninguna de las características se puede entrenar con las propias categorías del bufete de abogados, y no producen ninguna clasificación estructurada de documentos ni extracción de entidades legales. Debido a que la tarea requiere categorizar documentos en tipos específicos del bufete y extraer entidades nombradas personalizadas, estas operaciones a nivel de idioma son irrelevantes y no pueden lograr el objetivo.

Para profundizar

Esta pregunta evalúa la distinción entre modelos de NLP generales preconstruidos y modelos personalizados entrenables en Azure AI Language. Las características preconstruidas como el análisis de sentimientos, la extracción de frases clave, la detección de idiomas y la traducción se entrenan con datos genéricos a escala web y están congeladas; no se pueden inyectar categorías o tipos de entidades específicos del dominio. La clasificación de texto personalizada y el NER personalizado, en cambio, permiten aportar documentos etiquetados y entrenar un modelo supervisado que aprende su taxonomía y esquema de entidades específicos, para luego implementarlo como un punto de conexión en tiempo real o por lotes. Un punto sutil pero importante es que los modelos personalizados requieren un esquema de etiquetado bien diseñado y suficientes datos de entrenamiento representativos (típicamente de unas pocas docenas a unos pocos cientos de ejemplos por clase) para lograr una precisión confiable; de lo contrario, el modelo sobreajustará o pasará por alto casos límite. Una idea errónea común es que la 'IA' puede categorizar cualquier texto de forma predeterminada, pero en la práctica los dominios legales o médicos casi siempre necesitan NLP personalizado porque el vocabulario, las estructuras de las cláusulas y los tipos de entidades están altamente especializados. La implicación en el mundo real para un bufete de abogados es que utilizar la clasificación de texto personalizada y el NER personalizado no solo automatiza el enrutamiento de documentos a las áreas de práctica, sino que también estructura información clave (por ejemplo, la ley aplicable, la fecha de terminación) para flujos de trabajo de búsqueda posterior, cumplimiento y descubrimiento electrónico.

Sobre estas preguntas de práctica

Esta es una de las preguntas de práctica originales de AI-900 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.