DifficileChoix unique

Question d'entraînement AI-102

Vous créez un modèle personnalisé de reconnaissance d'entités nommées (NER) à l'aide d'Azure AI Language. Après avoir étiqueté 200 documents, vous entraînez le modèle et obtenez une précision de 85 % mais un rappel de seulement 60 %. Quelle action est la plus susceptible d'améliorer le rappel ?

Choisissez la meilleure réponse.

Bonne réponse

  • CAugmentez le nombre de documents étiquetés, en particulier ceux contenant les entités cibles

Explication

Un faible rappel dans un modèle NER personnalisé indique généralement que le modèle ne parvient pas à identifier de nombreuses instances des entités cibles. L'augmentation du nombre de documents étiquetés, en particulier ceux contenant les entités cibles, fournit des exemples plus positifs pour l'apprentissage du modèle, améliorant directement sa capacité à reconnaître ces entités et augmentant ainsi le rappel.

Pourquoi chaque option est juste ou fausse

A

Fausse

Abaissez le seuil de confiance

L'abaissement du seuil de confiance admet davantage de prédictions à faible certitude, ce qui augmente le rappel tout en faisant baisser simultanément la précision de 85 %. C'est tentant car le réglage des seuils est un levier légitime lorsqu'un modèle est trop conservateur, mais ici l'écart provient d'étiquettes d'entités insuffisantes ou déséquilibrées, et non de la frontière de décision.

B

Fausse

Augmentez les heures d'entraînement

Les heures d'entraînement contrôlent la durée de l'optimisation, et non la couverture des étiquettes ; des époques supplémentaires ne peuvent pas enseigner au modèle des entités absentes des 200 documents étiquetés. C'est tentant car un entraînement plus long relève parfois des métriques faibles, mais un rappel de 60 % avec une précision de 85 % indique des exemples d'entités manquants ou déséquilibrés.

C

Juste

Augmentez le nombre de documents étiquetés, en particulier ceux contenant les entités cibles

Un faible rappel signifie que le modèle rate de nombreuses entités véritables, généralement parce que les données d'entraînement sous-représentent leurs contextes et variations. L'ajout de documents étiquetés supplémentaires contenant les entités cibles expose le modèle à ces motifs, augmentant le rappel tandis que la précision reste globalement stable.

D

Fausse

Passez à une autre fonctionnalité d'Azure AI Language

Le changement de fonctionnalité abandonne le jeu de données étiqueté et ne peut pas augmenter le rappel sur ce modèle NER ; il résout un problème complètement différent. C'est tentant lorsque le NER personnalisé semble le mauvais outil, mais le modèle atteint déjà 85 % de précision, de sorte que l'approche d'extraction d'entités elle-même fonctionne.

Pour aller plus loin

Dans le NER personnalisé d'Azure AI Language, la précision et le rappel s'équilibrent via le seuil de confiance du modèle et la distribution des données d'entraînement. Le rappel mesure le nombre de véritables mentions d'entités trouvées par le modèle ; un faible rappel signifie généralement que le modèle a vu trop peu d'exemples des formes de surface, contextes ou cas limites de l'entité. L'ajout de documents étiquetés contenant les entités cibles, en particulier des formulations variées et des exemples négatifs proches des échecs, donne au modèle plus de signaux pour se généraliser. Abaisser le seuil de confiance ferait remonter plus de prédictions mais généralement au détriment de la précision, et non comme une véritable solution de rappel. L'augmentation des heures d'entraînement n'aide pas si les données manquent de couverture, et le changement de fonctionnalité abandonne le schéma personnalisé. Une solution réaliste consiste à étiqueter 100 documents supplémentaires riches dans le type d'entité manqué, puis à réentraîner et à réévaluer la courbe précision-rappel.

À propos de ces questions d'entraînement

Cette question fait partie des questions d'entraînement AI-102 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.