FácilOpción múltiple

Pregunta de práctica de AI-900

Una agencia de noticias publica cientos de artículos diariamente. Quieren extraer automáticamente los temas principales discutidos en cada artículo, como 'politics', 'economy' o 'sports', para categorizar el contenido sin etiquetado manual. ¿Qué característica integrada de Azure AI Language deben usar?

Elige la mejor respuesta.

Respuesta correcta

  • ATEXT: Key phrase extraction

Explicación

Key phrase extraction es la opción correcta porque identifica los temas principales discutidos en un documento, como 'politics', 'economy' o 'sports', sin requerir etiquetado manual. Esta característica devuelve una lista de frases clave que representan el contenido central de cada artículo, abordando directamente la necesidad de categorizar automáticamente el contenido por tema.

Por qué cada opción es correcta o incorrecta

A

Correcta

TEXT: Key phrase extraction

Key phrase extraction es la opción correcta porque utiliza modelos estadísticos y de NLP para resaltar las expresiones multipalabra más salientes en un documento, como 'breaking news' o 'economic crisis', resumiendo así los temas principales del artículo. A diferencia de NER o sentiment analysis, está diseñada específicamente para devolver conceptos temáticos amplios en lugar de entidades específicas o tono emocional, lo que la hace ideal para etiquetar automáticamente cientos de artículos diarios para catalogación y búsqueda.

B

Incorrecta

TEXT: Named entity recognition

Named entity recognition es incorrecta para este caso de uso porque identifica y clasifica referencias específicas y discretas como nombres de personas, organizaciones, ubicaciones, fechas y cantidades (por ejemplo, 'Jane Doe', 'United Nations', '2025'). Si bien es útil para extraer puntos de datos estructurados de un artículo de noticias, no resume ni infiere el tema general del artículo; una lista de entidades puede aparecer en una historia sobre cualquier tema, por lo que no cumple con el objetivo de la agencia de etiquetado general de temas.

C

Incorrecta

TEXT: Sentiment analysis

Sentiment analysis es incorrecta porque evalúa el tono emocional del texto, produciendo una puntuación de polaridad que va de negativo a positivo (o neutro), a menudo utilizada para medir la opinión pública, la percepción de marca o el estado de ánimo en las redes sociales. En un contexto de agregación de noticias, la agencia necesita identificar de qué trata el artículo (su tema o asunto), no si el contenido expresa una actitud favorable o desfavorable. Por lo tanto, sentiment analysis proporcionaría metadatos irrelevantes para la indexación y el etiquetado basados en temas.

D

Incorrecta

TEXT: Language detection

Language detection es incorrecta porque determina el idioma natural en el que está escrito el texto (por ejemplo, inglés, español, francés) analizando la frecuencia de caracteres y los patrones de léxico. Para una agencia de noticias que ya conoce el idioma de sus artículos —o necesita categorización basada en temas independientemente del idioma—, esta capacidad no ofrece información sobre el tema del contenido. Detectar que un artículo está, por ejemplo, en inglés no dice nada sobre sus temas clave, por lo que no puede cumplir con el requisito de extraer resúmenes temáticos.

Para profundizar

El concepto subyacente es Key phrase extraction de Azure AI Language, una característica que utiliza natural language processing para identificar las palabras y frases más importantes en texto no estructurado. El servicio típicamente emplea una combinación de puntuación TF-IDF y algoritmos de clasificación basados en grafos como TextRank para determinar qué frases son estadísticamente distintivas y semánticamente centrales. Una idea errónea común es que named entity recognition (NER) puede sustituir a Key phrase extraction; sin embargo, NER se limita a tipos de entidades predeterminados (persona, ubicación, organización, etc.) y no puede generar abstracciones a nivel de tema como 'climate policy' o 'supply chain disruption'. En la práctica, las agencias de noticias implementan Key phrase extraction para automatizar la generación de metadatos, mejorar la relevancia de las búsquedas y potenciar los sistemas de recomendaciones, porque las frases resultantes sirven como etiquetas de temas compactas y legibles por humanos. Esta característica se basa en modelos y reconoce idiomas, sin requerir entrenamiento personalizado, aunque su precisión puede variar con jerga específica de un dominio o artículos altamente técnicos.

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.