DifícilOpción múltiple

Pregunta de práctica de AI-900

Una empresa desea categorizar automáticamente los tickets de soporte en categorías como 'Billing', 'Technical Issue' y 'Account Management'. Tienen un conjunto de 1.000 tickets etiquetados que pueden usar para entrenar un modelo. ¿Qué característica de Azure AI Language deben usar?

Elige la mejor respuesta.

Respuesta correcta

  • BCustom text classification

Explicación

Custom text classification es la opción correcta porque le permite entrenar un modelo en su propio conjunto de datos etiquetado (1.000 tickets) para categorizar texto en clases definidas de forma personalizada como 'Billing', 'Technical Issue' y 'Account Management'. Esta característica está diseñada específicamente para escenarios donde necesita clasificar documentos en categorías definidas por el usuario, a diferencia de las opciones de clasificación preconstruidas.

Por qué cada opción es correcta o incorrecta

A

Incorrecta

Key phrase extraction

Key phrase extraction extrae términos salientes dentro del texto en lugar de asignar etiquetas predefinidas, por lo que no puede mapear tickets a 'Billing', 'Technical Issue' o 'Account Management'. Es tentador porque también procesa texto y devuelve palabras clave, pero sirve para sumarización e indexación de búsqueda; el conjunto de datos etiquetado aquí requiere clasificación de texto multiclase.

B

Correcta

Custom text classification

Custom text classification entrena un modelo con sus propios datos etiquetados para asignar categorías predefinidas al texto. Con 1.000 tickets etiquetados en Billing, Technical Issue y Account Management, aprende esas clases exactas, lo cual las características preconstruidas no pueden hacer.

C

Incorrecta

Sentiment analysis

Sentiment analysis devuelve puntuaciones positivas, negativas o neutras para la polaridad de opinión, por lo que no puede emitir las etiquetas Billing, Technical Issue o Account Management que requiere el enunciado. Es tentador porque también consume texto y produce una clasificación, y sería correcto para medir el estado de ánimo del cliente en encuestas de opinión.

D

Incorrecta

Language detection

Language detection identifica el idioma en el que está escrito un fragmento de texto, por lo que no puede asignar etiquetas Billing, Technical Issue o Account Management a los tickets. Es tentador porque también procesa texto, y sería la opción correcta al enrutar tickets multilingües a la traducción correcta o canalización específica de idioma antes de que ocurra cualquier categorización.

Para profundizar

Custom text classification en Azure AI Language es una característica de aprendizaje supervisado: usted proporciona ejemplos etiquetados por clase y el servicio ajusta un modelo basado en transformers (la generación actual está construida sobre modelos de lenguaje multilingües) que aprende patrones a nivel de token y contextuales que distinguen las categorías. El entrenamiento requiere un mínimo de 10 documentos etiquetados por clase y al menos 2 clases, superando cómodamente los 1.000 tickets etiquetados. Una vez implementado, el modelo expone un punto de enlace REST sincrónico que devuelve puntuaciones de confianza por clase, de modo que las aplicaciones pueden enrutar tickets o marcar predicciones de baja confianza para revisión humana. Esto difiere fundamentalmente de capacidades preentrenadas como sentiment analysis o key phrase extraction, que devuelven señales lingüísticas genéricas en lugar de la taxonomía específica de su organización, y de la language detection, que solo identifica el idioma del texto. Un escenario realista: una canalización de helpdesk llama al punto de enlace de clasificación implementado en cada ticket entrante y lo asigna a la cola correcta automáticamente.

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.