DifícilOpción múltiple

Pregunta de práctica de AI-900

Una firma legal necesita extraer automáticamente entidades personalizadas como 'Party Name', 'Effective Date' y 'Governing Law' de los contratos. Tienen un conjunto de contratos etiquetados manualmente para usar como datos de entrenamiento. ¿Qué característica de Azure AI Language deben usar?

Elige la mejor respuesta.

Respuesta correcta

  • CCustom Named Entity Recognition (Custom NER)

Explicación

Custom Named Entity Recognition (Custom NER) es la opción correcta porque permite a la firma legal entrenar un modelo en sus contratos etiquetados manualmente para extraer entidades específicas del dominio como 'Party Name', 'Effective Date' y 'Governing Law'. A diferencia del NER integrado, que solo reconoce tipos de entidad predefinidos, Custom NER aprende de los datos etiquetados proporcionados para identificar categorías personalizadas adaptadas a las necesidades de la firma.

Por qué cada opción es correcta o incorrecta

A

Incorrecta

Key Phrase Extraction

Key Phrase Extraction devuelve términos destacados de texto no estructurado sin etiquetas personalizadas o tipos de entidad, por lo que no puede aprender 'Party Name' o 'Governing Law'. Es tentador porque procesa contratos de inmediato, y se adaptaría a resumir temas en los documentos, no a entrenar un modelo de extracción a medida con datos etiquetados.

B

Incorrecta

Entity Linking

Entity Linking mapea menciones en texto a entradas en una base de conocimiento; no puede aprender tipos de entidad personalizados a partir de ejemplos etiquetados. Es tentador porque extrae entidades con nombre, pero ese escenario pertenece al reconocimiento de entidades con nombre personalizado (Custom NER), que se entrena en los contratos etiquetados de la firma para identificar Party Name, Effective Date y Governing Law.

C

Correcta

Custom Named Entity Recognition (Custom NER)

Custom NER se entrena en sus contratos etiquetados para extraer tipos de entidad a medida como 'Party Name' y 'Governing Law', los cuales los modelos preconstruidos no pueden reconocer. El conjunto de datos etiquetado manualmente es exactamente la entrada de entrenamiento que esta característica requiere, satisfaciendo la restricción del esquema personalizado.

D

Incorrecta

Built-in Named Entity Recognition

Built-in Named Entity Recognition detecta únicamente sus categorías preentrenadas —personas, organizaciones, fechas, ubicaciones— y no puede emitir etiquetas personalizadas como 'Governing Law'. Es tentador porque no necesita datos de entrenamiento, y sería correcto si la firma quisiera extraer entidades genéricas de los contratos sin ejemplos etiquetados.

Para profundizar

Custom NER en Azure AI Language le permite entrenar un modelo en su propio texto etiquetado para extraer tipos de entidad específicos de un dominio, tales como Party Name, Effective Date y Governing Law. Usted proporciona documentos etiquetados en Language Studio, entrena el modelo y lo despliega en un endpoint que devuelve intervalos de entidades y puntuaciones de confianza. El NER integrado reconoce categorías generales (persona, organización, fecha y hora) pero no campos legales personalizados, y Entity Linking mapea menciones a una base de conocimiento en lugar de extraer etiquetas arbitrarias. Una sutileza: Custom NER necesita un número mínimo de ejemplos etiquetados por entidad (normalmente de 10 a 15) y se beneficia de una anotación consistente; las etiquetas inconsistentes en todos los contratos degradan la precisión, lo cual importa cuando los flujos de trabajo de revisión posteriores dependen de un alto recuerdo para las cláusulas.

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.