Respuesta correcta
- BEntrenamiento de un modelo de clasificación de texto con sus propios datos etiquetados para categorías personalizadas
Explicación
La clasificación de texto personalizada en Azure AI Language permite entrenar un modelo de aprendizaje automático con su propio conjunto de datos etiquetados para clasificar texto en categorías personalizadas específicas para las necesidades de su negocio. Este es un enfoque de aprendizaje supervisado en el que usted proporciona ejemplos de texto y sus etiquetas correspondientes, y el servicio aprende a predecir la categoría correcta para texto nuevo y no visto. Se diferencia de los modelos de clasificación preconstruidos porque se adapta a su taxonomía única.
Para profundizar
La clasificación de texto personalizada en Azure AI Language es una capacidad supervisada en la que usted suministra un conjunto de datos etiquetado de expresiones o documentos mapeados a sus propias categorías mutuamente excluyentes, y el servicio ajusta un modelo basado en transformadores alojado detrás de un punto de conexión de un recurso de Language. Usted entrena, evalúa con precisión, recuperación y F1 en una división reservada, implementa en una implementación con nombre y luego llama al punto de conexión de clasificación con texto. Se diferencia de la clasificación preconstruida (análisis de sentimientos, detección de idiomas) porque las etiquetas son suyas, y de la NER personalizada, que extrae fragmentos en lugar de asignar una etiqueta por documento. Un caso realista: enrutar tickets de soporte a colas de 'facturación', 'interrupción' y 'solicitud de característica' utilizando tickets históricos como datos de entrenamiento.
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.