DifficileChoix unique

Question d'entraînement AI-102

Une organisation utilise Azure AI Search pour alimenter une base de connaissances interne. Elle constate que les résultats de recherche renvoient des documents non pertinents. L'index comprend un champ 'content' avec du texte intégral et un champ 'tags' avec des métadonnées. Les utilisateurs recherchent souvent des termes spécifiques qui apparaissent dans le champ 'tags'. Comment devez-vous configurer l'index de recherche pour améliorer la pertinence ?

Choisissez la meilleure réponse.

Bonne réponse

  • BConfigurer un profil de score avec un poids plus élevé pour le champ 'tags'.

Explication

La configuration d'un profil de score avec un poids plus élevé pour le champ 'tags' augmente le score de pertinence des documents où les termes de recherche correspondent aux tags, ce qui permet de prioriser ces résultats. L'option A (score basé sur la fraîcheur) favorise les documents les plus récents, mais ne traite pas la correspondance sur les tags. L'option C configure le champ 'tags' pour qu'il utilise l'analyseur 'keyword', ce qui modifie la tokenisation mais n'ajuste pas la pondération des champs. L'option D active la recherche sémantique sur le champ 'content', ce qui améliore la compréhension des requêtes en langage naturel mais n'augmente pas spécifiquement le poids du champ des tags.

Pourquoi chaque option est juste ou fausse

A

Fausse

Ajouter un profil de score personnalisé basé sur la fraîcheur.

Le classement par fraîcheur ne peut pas booster les correspondances de tags, car les profils de score pondèrent des champs ou des fonctions, et non le champ qu'un terme de requête atteint ; le problème de l'énoncé est l'emplacement du terme dans 'tags'. Un profil de fraîcheur convient aux flux d'actualités ou aux contenus sensibles au temps où la récence doit primer sur la pertinence textuelle.

B

Juste

Configurer un profil de score avec un poids plus élevé pour le champ 'tags'.

Les profils de score appliquent des poids de champ lors de l'évaluation des requêtes, de sorte que le boost du champ 'tags' élève les documents dont les métadonnées correspondent aux termes de l'utilisateur. Cela répond directement au problème de pertinence, car les tags portent les termes spécifiques que les utilisateurs recherchent, tandis que le champ de texte intégral 'content' dilue les scores de correspondance.

C

Fausse

Définir le champ 'tags' pour qu'il utilise l'analyseur 'keyword'.

L'analyseur keyword traite toute la valeur des tags comme un seul jeton, de sorte que les recherches de tags de plusieurs mots ne parviennent pas à correspondre à des termes individuels. Il convient aux champs contenant des identifiants uniques indivisibles, tels que des codes de produits ou des identifiants exacts, et non à des métadonnées de termes multiples.

D

Fausse

Activer la recherche sémantique sur le champ 'content'.

La recherche sémantique reclasse le champ 'content' à l'aide de modèles de langage, mais l'énoncé indique que les utilisateurs recherchent des termes contenus dans 'tags', que le classement sémantique ne consulte pas. C'est tentant car la recherche sémantique améliore véritablement la pertinence des requêtes en langage natural sur de la prose, et serait correcte si les termes non correspondants se trouvaient dans le corps du texte intégral plutôt que dans les métadonnées.

Pour aller plus loin

Les profils de score Azure AI Search permettent de booster des champs spécifiques via des poids appliqués lors du classement BM25. Un poids de, par exemple, 5 sur 'tags' multiplie la contribution de la fréquence des termes de ce champ, de sorte qu'un document dont les tags correspondent à la requête surclasse un document où le terme apparaît uniquement dans le corps du texte. Les poids sont par champ et par profil, et plusieurs profils peuvent être combinés avec des fonctions telles que la fraîcheur ou la magnitude. Une subtilité : les poids des champs n'affectent que le composant BM25 ; si le réclassement sémantique est activé, le réclasseur L1 peut remplacer les boosts lexicaux, de sorte que les deux doivent être ajustés ensemble. De plus, l'analyseur 'keyword' traite l'ensemble du champ comme un seul jeton, ce qui aide les filtres de correspondance exacte mais détruit le rappel de correspondance partielle, ce qui constitue généralement un mauvais choix pour la recherche de tags. La pondération est la correction la moins invasive et ne nécessite qu'une mise à jour du profil sans réindexation.

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.