MediaOpción múltiple

Pregunta de práctica de AI-900

Una empresa minorista desea analizar automáticamente miles de reseñas de productos para identificar los aspectos mencionados con más frecuencia, como 'battery life', 'screen quality' y 'customer service'. Planean utilizar una característica preconstruida de Azure AI Language sin ningún entrenamiento personalizado. ¿Qué característica deben utilizar?

Elige la mejor respuesta.

Respuesta correcta

  • BKey phrase extraction

Explicación

La extracción de frases clave es la opción correcta porque está diseñada específicamente para identificar y extraer las palabras o frases más importantes de texto no estructurado, como las reseñas de productos. Esta característica preconstruida de Azure AI Language no requiere ningún entrenamiento personalizado y expone directamente los aspectos mencionados con frecuencia como 'battery life' o 'screen quality' mediante el análisis de la frecuencia de los términos y su relevancia.

Por qué cada opción es correcta o incorrecta

A

Incorrecta

Text Analytics for Health

Text Analytics for Health es un modelo preentrenado especializado en Azure AI Language diseñado exclusivamente para texto clínico y biomédico, que reconoce entidades como afecciones, medicamentos, procedimientos y sus relaciones asociadas. No es aplicable a las reseñas de productos minoristas porque su base de conocimiento está adaptada a la terminología de atención médica y no extraerá conceptos orientados al consumidor como 'portability' o 'charging speed'. Su uso produciría resultados irrelevantes o vacíos, ya que las entidades específicas del dominio simplemente no se alinean con el lenguaje minorista general.

B

Correcta

Key phrase extraction

Key phrase extraction, una capacidad del servicio Azure AI Language, escanea automáticamente el texto y devuelve una lista clasificada de los conceptos principales y frases importantes, puntuando cada uno según su relevancia. No está supervisado y no requiere datos de entrenamiento etiquetados personalizados, lo que lo hace ideal para procesar miles de reseñas de productos para mostrar aspectos mencionados con frecuencia como 'battery life' o 'user interface'. A diferencia del análisis de sentimientos, se enfoca en lo que se está discutiendo, no en la polaridad emocional, por lo que apoya directamente la identificación de qué características mencionan los clientes con más frecuencia.

C

Incorrecta

Entity linking

Entity linking es una característica de Azure AI Language que identifica entidades nombradas —como personas, organizaciones, ubicaciones y productos específicos— y las desambigua enlazándolas con entradas en una base de conocimiento como Wikipedia o Wikidata. Esto lo hace adecuado para encontrar nombres propios, pero no extrae frases descriptivas de varias palabras como 'battery life' o 'durable build quality', que no son entidades nombradas canónicas. En consecuencia, pasaría por alto los mismos aspectos que un minorista desea rastrear en las reseñas de productos, porque se trata de conceptos de nombres comunes en lugar de entidades ambiguas referenciadas.

D

Incorrecta

Sentiment analysis

Sentiment analysis en Azure AI Language etiqueta el texto como positivo, negativo, mixto o neutral, y proporciona puntuaciones de confianza a nivel de documento y oración según el tono emocional. Es incorrecto aquí porque solo indica si una opinión es favorable o desfavorable; no extrae los aspectos específicos que se están reseñando, como 'battery life' o 'customer service'. Por lo tanto, en miles de reseñas, el análisis de sentimientos podría agregar la aprobación general, pero no puede revelar qué atributos del producto están siendo elogiados o criticados.

Para profundizar

Esta pregunta evalúa la distinción entre las capacidades de análisis de texto preconstruidas de Azure AI Language, específicamente la extracción de frases clave frente al análisis de sentimientos, el enlazado de entidades y los modelos específicos de dominio. La extracción de frases clave utiliza algoritmos que detectan términos destacados según la frecuencia de los términos, el contexto y la estructura lingüística, devolviendo frases que representan los temas principales; no emite juicios sobre el sentimiento. El análisis de sentimientos, en cambio, aplica modelos de clasificación para puntuar la polaridad, pero confundir el sentimiento con el tema es un error común: saber que una reseña es negativa no indica por qué lo es. El enlazado de entidades y el reconocimiento de entidades nominadas (NER) se orientan a nombres propios y entidades conocidas, por lo que las frases descriptivas genéricas quedan fuera de su alcance. Text Analytics for Health es un modelo hiperespecializado cuya distribución de entrenamiento es predominantemente clínica, y utilizarlo en textos minoristas resalta cómo la selección del modelo debe coincidir con el dominio. En la analítica de reseñas del mundo real, una arquitectura común consiste en ejecutar la extracción de frases clave para agregar características destacadas y luego ejecutar el análisis de sentimientos en las oraciones circundantes para derivar opiniones a nivel de aspecto, lo que demuestra que estas API son complementarias en lugar de intercambiables.

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.