DifícilOpción múltiple

Pregunta de práctica de AI-900

Una firma legal necesita procesar automáticamente miles de documentos judiciales. El sistema debe identificar y redactar información personal sensible como nombres, direcciones y números de seguro social. Además, debe extraer entidades específicas del ámbito legal como números de caso, nombres de jueces y referencias a estatutos. La firma cuenta con un conjunto pequeño de documentos anotados manualmente con estas entidades legales. ¿Qué combinación de características de Azure AI Language deberían usar?

Elige la mejor respuesta.

Respuesta correcta

  • APII detection y custom named entity recognition (NER)

Explicación

La firma necesita tanto PII detection para redactar información personal sensible como custom NER para extraer entidades específicas del ámbito legal, tales como números de caso y nombres de jueces a partir de un conjunto pequeño de documentos anotados. Azure AI Language proporciona una característica de PII detection preconstruida para datos sensibles comunes y una capacidad de custom NER que se puede entrenar con los documentos anotados de la firma para reconocer entidades específicas del dominio.

Por qué cada opción es correcta o incorrecta

A

Correcta

PII detection y custom named entity recognition (NER)

PII detection en Azure AI Language identifica y protege automáticamente datos personales sensibles como nombres, números de teléfono y direcciones, lo cual es esencial para la redacción. Custom named entity recognition (NER) va más allá al entrenar un modelo con documentos legales anotados para extraer entidades específicas del dominio como números de caso, nombres de tribunales y nombres de jueces. Usar ambas en conjunto cubre los requisitos de redacción de la firma y las necesidades de extracción especializada que los modelos preconstruidos no pueden resolver.

B

Incorrecta

Prebuilt entity recognition y key phrase extraction

Prebuilt entity recognition encuentra categorías generales como personas, ubicaciones, organizaciones, fechas y cantidades, por lo que podría encontrar el nombre de un juez como persona pero no sabría que es un juez, y pasaría por alto los números de caso y las referencias a estatutos. Key phrase extraction enumera los temas principales, no entidades estructuradas. Ninguna de las dos redacta información personal, lo cual requiere PII detection, y las entidades legales necesitan un modelo custom NER.

C

Incorrecta

Sentiment analysis y language detection

Sentiment analysis asigna una puntuación positiva, negativa o neutral al texto, mientras que language detection simplemente identifica en qué idioma está escrito el documento. Ninguna de las dos operaciones extrae o redacta fragmentos de texto, y ninguna intenta identificar entidades legales o datos personales. Usar estas capacidades dejaría toda la información sensible y los detalles específicos del caso intactos.

D

Incorrecta

Únicamente PII detection

PII detection por sí sola solo reconoce un conjunto fijo de tipos de información personal, como números de seguro social, correos electrónicos y direcciones físicas. No se le puede enseñar a reconocer entidades específicas del ámbito legal como números de caso, identificadores de expediente o nombres de oficiales judiciales, porque estos no pertenecen a ninguna categoría de PII predefinida. Por lo tanto, el requisito de extracción de la firma queda sin cumplir sin un modelo entrenado a medida.

Para profundizar

Azure AI Language ofrece varias características preconstruidas y personalizables, y este escenario requiere dos de ellas. La detección de información de identificación personal (PII) viene preconstruida. Identifica categorías como nombres de personas, direcciones, números de teléfono, direcciones de correo electrónico y números de identificación gubernamental como los números de seguro social de EE. UU., y puede devolver el texto con esas entidades redactadas. No requiere entrenamiento y admite muchos idiomas, con una opción de dominio para información de salud protegida. El reconocimiento de entidades nombradas personalizadas (custom NER) gestiona entidades que los modelos preconstruidos no conocen, como números de caso, nombres de jueces y referencias a estatutos. Se etiquetan ejemplos de cada entidad en un conjunto de documentos en Language Studio, se entrena un modelo, se evalúa en documentos retenidos y se implementa en un punto de conexión. Un conjunto modesto de documentos representativos y bien etiquetados suele ser suficiente para empezar, y la firma ya cuenta con uno. Juntas, las dos características cubren ambos requisitos, por lo cual la opción A es correcta. El reconocimiento de entidades preconstruido (opción B) reconoce categorías generales como persona, ubicación, organización, fechas y cantidades, por lo que encontraría los nombres de jueces como personas pero no como jueces, y no reconocería los números de caso ni las referencias a estatutos; la extracción de frases clave enumera los temas principales, no entidades específicas. El análisis de sentimientos y la detección de idiomas (opción C) no identifican entidades en absoluto. PII detection por sí sola (opción D) gestiona la redacción pero no las entidades legales. En AI-900, busque la palabra 'custom' o una mención de datos etiquetados en un escenario: esto indica un modelo personalizado en lugar de una característica preconstruida.

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.