DifícilOpción múltiple

Pregunta de práctica de PL-900

Exhibit

{
  "value": "rubbish bin",
  "type": "AppFeedback",
  "data": [
    {
      "sentiment": "negative"
    }
  ]
}

Consulte la exposición. Un flujo de Power Automate utiliza el conector de 'Microsoft Forms' con esta salida. ¿Qué modelo de AI Builder se debe utilizar para categorizar este comentario como 'AppFeedback'?

Elige la mejor respuesta.

Respuesta correcta

  • BCategory classification

Explicación

El modelo de AI Builder 'Category classification' está diseñado para asignar categorías predefinidas al texto, como clasificar los comentarios como 'AppFeedback'. Este modelo utiliza un clasificador entrenado de forma personalizada para asociar el texto de entrada con etiquetas específicas, lo que lo convierte en la opción correcta para categorizar las respuestas de formularios en categorías distintas como 'AppFeedback'.

Por qué cada opción es correcta o incorrecta

A

Incorrecta

Language detection

Language detection devuelve el código de idioma del texto, no una etiqueta de categoría, por lo que no puede clasificar los comentarios como 'AppFeedback'. Es tentador porque también procesa texto libre de Forms y sería correcto al enrutar envíos por idioma, como dirigir respuestas en francés a un equipo francófono.

B

Correcta

Category classification

Category classification se entrena con ejemplos de texto etiquetado para asignar etiquetas predefinidas, de modo que las respuestas de formularios de texto libre se pueden ordenar en contenedores como 'AppFeedback'. El reconocimiento de texto y el procesamiento de formularios manejan la extracción, no la asignación de sentimientos o temas.

C

Incorrecta

Sentiment analysis

Sentiment analysis devuelve puntuaciones positivas, negativas o neutras, no una categoría personalizada como 'AppFeedback'. Es tentador porque también clasifica las respuestas de formularios y sería correcto al clasificar los comentarios por tono, por ejemplo, enrutar comentarios negativos a una cola de soporte.

D

Incorrecta

Entity extraction

Entity extraction extrae elementos estructurados como nombres, fechas o lugares del texto; no asigna una categoría predefinida a toda una respuesta. Es tentador porque también analiza el texto del formulario y sería correcto al extraer el número de pedido o la dirección de un cliente a partir de un mensaje enviado.

Para profundizar

La clasificación de categorías de AI Builder es un modelo de texto supervisado que asigna texto de entrada a una o más categorías predefinidas que usted proporciona durante el entrenamiento. En Power Automate, el conector de Microsoft Forms devuelve campos de respuesta como el texto enviado, y usted pasa ese texto a la acción de predicción del modelo. El modelo devuelve la categoría coincidente y una puntuación de confianza, sobre la cual el flujo puede ramificarse. La detección de idiomas solo identifica el idioma, el análisis de sentimientos devuelve positivo, negativo o neutro, y la extracción de entidades extrae nombres, fechas o lugares. Para enrutar comentarios de texto libre en contenedores como AppFeedback, la clasificación de categorías es el modelo correcto porque asigna texto arbitrario a su propia taxonomía en lugar de puntuar el tono o extraer entidades.

Sobre estas preguntas de práctica

Esta es una de las preguntas de práctica originales de PL-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.