DifficileChoix multiples

Question d'entraînement AI-102

Quels sont les TROIS facteurs à prendre en compte lors du choix entre un modèle préconstruit et un modèle personnalisé dans Azure AI Language ?

Choisissez toutes les bonnes réponses.

Bonnes réponses

  • ACouverture du vocabulaire spécifique au domaine
  • BTemps de développement et de déploiement
  • DDisponibilité de données d'apprentissage étiquetées

Explication

La couverture du vocabulaire spécifique au domaine (option A) détermine si un modèle reconnaît le jargon de l'industrie, les noms de produits et les abréviations dans votre texte. Les modèles préconstruits peuvent manquer de termes spécialisés, tandis que les modèles personnalisés peuvent être formés sur des données de domaine, ce qui fait de la couverture un facteur de sélection décisif. Le temps de développement et de déploiement (option B) diffère nettement : les modèles préconstruits fonctionnent immédiatement sans formation, tandis que les modèles personnalisés nécessitent des cycles d'étiquetage, de formation et d'évaluation. Lorsque la livraison rapide compte, cette différence d'effort influence directement la décision entre préconstruit et personnalisé. La disponibilité de données d'apprentissage étiquetées (option D) est essentielle car les modèles personnalisés nécessitent suffisamment d'exemples étiquetés par classe pour apprendre des motifs spécifiques à une tâche; sans eux, l'apprentissage échoue ou sur-apprend (overfitting). Les modèles préconstruits ne nécessitent aucun étiquetage. L'énoncé demande quels facteurs influencent le choix, et la disponibilité des données étiquetées détermine directement si un modèle personnalisé est réalisable.

Pourquoi chaque option est juste ou fausse

A

Juste

Couverture du vocabulaire spécifique au domaine

La couverture du vocabulaire spécifique au domaine détermine si un modèle reconnaît le jargon de l'industrie, les noms de produits et les abréviations dans votre texte. Les modèles préconstruits peuvent manquer de termes spécialisés, tandis que les modèles personnalisés peuvent être formés sur des données de domaine, ce qui fait de la couverture un facteur de sélection décisif.

B

Juste

Temps de développement et de déploiement

Le temps de développement et de déploiement diffère nettement : les modèles préconstruits fonctionnent immédiatement sans formation, tandis que les modèles personnalisés nécessitent des cycles d'étiquetage, de formation et d'évaluation. Lorsque la livraison rapide compte, cette différence d'effort influence directement la décision entre préconstruit et personnalisé.

C

Fausse

Besoin d'un point de terminaison entraîné

Les modèles préconstruits et personnalisés d'Azure AI Language sont tous deux consommés via un point de terminaison déployé, de sorte qu'un point de terminaison entraîné ne constitue pas un élément de différenciation entre eux. C'est tentant car les modèles personnalisés nécessitent un entraînement et un déploiement, ce qui semble distinctif, mais les modèles préconstruits ont également besoin d'un point de terminaison à appeler.

D

Juste

Disponibilité de données d'apprentissage étiquetées

Les modèles personnalisés nécessitent suffisamment d'exemples étiquetés par classe pour apprendre des motifs spécifiques à une tâche; sans eux, l'apprentissage échoue ou sur-apprend. Les modèles préconstruits ne nécessitent aucun étiquetage. L'énoncé demande quels facteurs influencent le choix, et la disponibilité des données étiquetées détermine directement si un modèle personnalisé est même réalisable.

E

Fausse

Taille du modèle et encombrement mémoire

Les modèles préconstruits et personnalisés d'Azure AI Language sont des abstractions de services gérés; le nombre de paramètres et l'empreinte mémoire ne sont ni exposés ni sélectionnables, ils ne peuvent donc pas dicter le choix. C'est tentant car ces facteurs de dimensionnement régissent véritablement les décisions de déploiement pour les modèles de fondation auto-hébergés ou Azure OpenAI.

Pour aller plus loin

Les modèles préconstruits d'Azure AI Language sont formés sur des corpus généraux et larges et exposent des fonctionnalités fixes telles que l'analyse des sentiments, l'extraction de phrases clés et la reconnaissance d'entités nommées via un point de terminaison partagé, de sorte qu'ils ne nécessitent aucune donnée étiquetée et peuvent être invoqués immédiatement. Les modèles personnalisés, en revanche, sont construits avec des fonctionnalités personnalisées d'Azure AI Language telles que la classification de texte personnalisée ou la reconnaissance d'entités nommées (NER) personnalisée, qui vous obligent à télécharger et à étiqueter des énoncés spécifiques au domaine, puis à former, évaluer et déployer un modèle sur un point de terminaison dédié. Ce pipeline d'entraînement introduit de la latence et des coûts, et sa qualité est limitée par le volume et la cohérence de vos exemples étiquetés. Un cas réaliste est un prestataire de soins de santé dont les notes cliniques contiennent une terminologie spécialisée que le modèle NER préconstruit classe mal; l'équipe doit peser si la collecte de milliers de notes annotées justifie l'amélioration de la précision.

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.