FacileChoix unique

Question d'entraînement AI-900

Une entreprise mondiale de commerce électronique reçoit des avis de produits dans plusieurs langues. Elle souhaite identifier automatiquement la langue de chaque avis pour l'acheminer vers la file d'attente de traduction appropriée. Quelle fonctionnalité d'Azure AI Language doit-elle utiliser ?

Choisissez la meilleure réponse.

Bonne réponse

  • CLanguage Detection

Explication

Language Detection est la fonctionnalité correcte d'Azure AI Language car elle est spécifiquement conçue pour identifier la langue d'une saisie de texte donnée, en renvoyant un nom de langue et un score de confiance. Cela répond directement à l'exigence de détecter automatiquement la langue des avis de produits afin qu'ils puissent être acheminés vers la file d'attente de traduction appropriée.

Pourquoi chaque option est juste ou fausse

A

Fausse

Sentiment Analysis

Sentiment Analysis dans Azure AI Language identifie si un avis est positif, négatif, neutre ou mixte en évaluant le ton émotionnel exprimé dans le texte, produisant des scores de polarité. Elle ne détermine cependant pas la langue du texte, car les modèles de sentiment sont généralement construits et exécutés par langue. Pour acheminer les avis en fonction de la langue, cette fonctionnalité serait inutile : elle essaierait d'évaluer le sentiment sur un texte dont la langue est inconnue, et la sortie ne fournit aucun code de langue ISO ni score de confiance.

B

Fausse

Key Phrase Extraction

Key Phrase Extraction renvoie une liste classée des principaux sujets de discussion dans un avis, tels que les noms de produits, les problèmes d'emballage ou les retards de livraison, en appliquant une analyse linguistique pour identifier les termes saillants. Bien qu'elle puisse déduire le sens du texte, elle ne dispose d'aucun mécanisme pour émettre l'identifiant de langue ou le code ISO 639-1. Dans le flux de travail du commerce électronique, l'extraction de phrases avant de connaître la langue peut appeler le mauvais modèle spécifique à la langue, de sorte qu'elle ne répond pas au besoin d'acheminer les avis vers le pipeline de langues correct.

C

Juste

Language Detection

Azure AI Language Detection est la fonctionnalité correcte car elle est spécifiquement conçue pour identifier la ou les langues dans lesquelles le texte est écrit, prenant en charge plus de 100 langues et renvoyant le nom de la langue, le code ISO et le score de confiance pour chaque document. Un avis écrit en français, par exemple, produirait 'fr' ou 'French' avec un score de confiance élevé, permettant au système de commerce électronique de l'acheminer automatiquement vers un processeur de langue française. Parce que les avis arrivent dans de nombreuses langues, cette sortie de détection de langue est la première étape essentielle avant d'appliquer toute analyse spécifique à la langue.

D

Fausse

Entity Recognition

Entity Recognition (NER, reconnaissance d'entités nommées) extrait des occurrences de types d'entités connus du texte, tels que des noms de personnes, des organisations, des lieux, des dates et des quantités, en les étiquetant avec des catégories. Elle ne classe pas la langue globale du document et n'offre aucun identifiant de langue, même si certaines étiquettes ou noms d'entités peuvent suggérer une culture. Pour un système qui doit acheminer les avis par langue, détecter des entités individuelles n'est pas pertinent : le processus passerait à côté de la question fondamentale de savoir dans quelle langue l'avis est écrit.

Pour aller plus loin

Language Detection est une capacité fondamentale d'Azure AI Language qui utilise des modèles d'apprentissage automatique entraînés sur de vastes corpus multilingues pour déterminer la langue dominante de chaque enregistrement de texte. Lorsque vous appelez l'API, elle analyse les motifs de caractères, les fréquences de mots et les n-grammes du texte pour identifier la langue, renvoyant le nom de la langue, son code ISO 639-1 et un score de confiance compris entre 0 et 1 (parfois exprimé en pourcentage). Une subtilité est que le service peut également détecter si un document contient plusieurs langues, et dans un contenu multilingue, il peut renvoyer la langue dominante ainsi que des scores pour d'autres langues détectées, ce qui est critique pour une plateforme de commerce électronique où un seul avis peut combiner des langues (par exemple, l'anglais et un dialecte local). Une autre considération pratique est que la détection de la langue est souvent une étape préalable dans un pipeline d'IA car les services en aval tels que l'analyse des sentiments, l'extraction de phrases clés et la reconnaissance d'entités sont eux-mêmes spécifiques à une langue et peuvent produire des résultats inexacts s'ils sont exécutés sur du texte dans une langue non voulue. Des idées fausses surgissent souvent d'une confusion entre la détection de la langue et l'analyse de contenu : détecter les sentiments ou les phrases clés ne nécessite pas de connaissance préalable du modèle de langue, mais les deux doivent être configurés avec un paramètre de langue, et dans un flux d'avis multilingue, vous devez connaître la langue avant de pouvoir choisir le modèle correct pour des résultats fiables. Ainsi, la détection de la langue sert de mécanisme d'acheminement qui permet un traitement précis et conscient de la langue dans des scénarios mondiaux de commerce électronique.

À propos de ces questions d'entraînement

Cette question fait partie des questions d'entraînement AI-900 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.