DifficileChoix unique

Question d'entraînement PMLE

Une institution financière souhaite utiliser Natural Language API pour effectuer une analyse des sentiments sur les commentaires des clients, mais le vocabulaire spécifique au domaine (par exemple, 'bullish', 'bearish') n'est pas correctement classé. Elle dispose de 200 exemples étiquetés. Quelle approche minimise l'effort de codage tout en améliorant la précision ?

Choisissez la meilleure réponse.

Bonne réponse

  • DUtiliser AutoML Natural Language pour entraîner un modèle personnalisé

Explication

AutoML Natural Language vous permet d'entraîner un modèle personnalisé sur vos 200 exemples étiquetés sans écrire de code, améliorant directement la précision pour les termes spécifiques au domaine tels que 'bullish' et 'bearish'. Cette approche exploite l'apprentissage par transfert des modèles pré-entraînés de Google, minimisant l'effort de codage tout en s'adaptant à votre vocabulaire et à vos schémas de sentiment uniques.

Pourquoi chaque option est juste ou fausse

A

Fausse

Soumettre une demande de fonctionnalité à Google pour des termes spécifiques au domaine

Une demande de fonctionnalité auprès de Google n'apporte aucune amélioration de la précision dans les délais du projet, car les décisions de feuille de route échappent au contrôle du client. C'est tentant lorsqu'une API gérée manque de couverture de domaine, mais le scénario fournit 200 exemples étiquetés précisément pour qu'AutoML Natural Language puisse entraîner un modèle spécifique au domaine dès maintenant.

B

Fausse

Créer un dictionnaire de sentiments personnalisé et le transmettre à la Natural Language API

La Natural Language API n'accepte aucun paramètre de dictionnaire de sentiments personnalisé ; les poids de son modèle sont fixes, donc fournir des termes de domaine ne change rien. C'est tentant car les remplacements de lexique fonctionnent dans des outils tels que VADER ou spaCy, mais ici l'API n'expose aucun tel crochet, laissant AutoML comme la voie prise en charge.

C

Fausse

Construire un modèle TensorFlow personnalisé pour l'analyse des sentiments

Construire un modèle TensorFlow nécessite un codage substantiel, une infrastructure d'entraînement et des réglages, ce qui contredit l'exigence d'effort minimal malgré seulement 200 exemples étiquetés. C'est tentant lorsque des données étiquetées existent et que la précision compte, mais la classification AutoML Natural Language s'entraîne sur ces exemples avec beaucoup moins de code.

D

Juste

Utiliser AutoML Natural Language pour entraîner un modèle personnalisé

AutoML Natural Language entraîne un modèle de sentiment personnalisé sur les 200 exemples étiquetés via la console, en apprenant les termes de domaine tels que 'bullish' et 'bearish' que la Natural Language API pré-entraînée classe mal. Cela répond à la contrainte de codage minimal tout en s'adaptant au vocabulaire financier.

Pour aller plus loin

AutoML Natural Language vous permet d'entraîner un modèle personnalisé de classification de texte ou de sentiment à partir d'exemples étiquetés via un pipeline géré qui gère la tokenisation, l'extraction de caractéristiques et l'optimisation des hyperparamètres, de sorte que le développeur fournit un jeu de données CSV ou JSONL et reçoit un point de terminaison de modèle déployé. Avec environ 200 exemples étiquetés, cela se situe dans le minimum recommandé pour une tâche de classification à étiquette unique, et cela capture le vocabulaire de domaine tel que bullish ou bearish que le modèle général pré-entraîné classe mal. La Natural Language API n'accepte pas de dictionnaire de sentiments personnalisé, et construire un modèle TensorFlow exige beaucoup plus d'efforts d'ingénierie. Une subtilité est qu'AutoML divise les données pour l'entraînement, la validation et les tests, de sorte que l'équilibre des étiquettes entre les classes importe plus que le nombre brut. Cela compte lorsque le jargon financier fausse les scores de sentiment génériques.

À propos de ces questions d'entraînement

Cette question fait partie des questions d'entraînement PMLE originales de Courseiva, rédigées pour apprendre et jamais copiées d'examens réels ou de dumps.

Traduite de l'original anglais avec l'IA et vérifiée pour le sens. Les codes d'examen, les commandes et les noms de produits sont conservés tels qu'ils apparaissent à l'examen.