DifficileChoix unique

Question d'entraînement AI-900

Un cabinet d'avocats doit catégoriser automatiquement des documents (par exemple, 'contract', 'pleading', 'memo') et extraire des clauses spécifiques telles que 'indemnity' et 'confidentiality'. Il dispose d'un vaste ensemble d'exemples étiquetés pour les deux tâches. Quelle combinaison de fonctionnalités d'Azure AI Language doit-il utiliser ?

Choisissez la meilleure réponse.

Bonne réponse

  • BTEXT: Classification de texte personnalisée et reconnaissance d'entités nommées personnalisée

Explication

Le cabinet d'avocats doit catégoriser des documents (une tâche de classification de texte) et extraire des clauses spécifiques (une tâche de reconnaissance d'entités nommées). La classification de texte personnalisée permet d'entraîner un modèle sur des documents étiquetés pour les affecter à vos propres catégories juridiques telles que 'contract' ou 'pleading', tandis que la reconnaissance d'entités nommées (NER) personnalisée peut être entraînée pour extraire des entités spécifiques au domaine telles que les clauses 'indemnity' et 'confidentiality' du texte. Azure AI Language prend en charge ces deux fonctionnalités personnalisées, permettant au cabinet de créer des modèles adaptés à l'aide de son ensemble de données étiqueté.

Pourquoi chaque option est juste ou fausse

A

Fausse

TEXT: Analyse des sentiments préconstruite et extraction de phrases clés

L'analyse des sentiments préconstruite et l'extraction de phrases clés sont des fonctionnalités génériques d'Azure AI Language. L'analyse des sentiments attribue uniquement un score de positivité/négativité/neutralité par phrase ou document, tandis que l'extraction de phrases clés renvoie une liste statistique de phrases saillantes telles que 'contract' ou 'client' sans aucun entraînement dans le domaine juridique. Ces outils ne peuvent pas être entraînés sur la taxonomie personnalisée d'un cabinet, de sorte qu'ils ne peuvent pas catégoriser les documents dans des classes spécifiques à un cabinet d'avocats comme 'non-disclosure agreement' ni extraire des entités personnalisées comme 'indemnification clause'. Étant donné que le besoin concerne des catégories personnalisées et des entités nommées personnalisées, ces fonctions NLP génériques préconstruites sont insuffisantes.

B

Juste

TEXT: Classification de texte personnalisée et reconnaissance d'entités nommées personnalisée

La classification de texte personnalisée et la reconnaissance d'entités nommées (NER) personnalisée sont les capacités correctes d'Azure AI Language. La classification de texte personnalisée vous permet d'entraîner un modèle sur des documents étiquetés pour les affecter à vos propres catégories juridiques (par exemple, 'NDA', 'employment contract', 'litigation hold'), tandis que la NER personnalisée entraîne un modèle à extraire des types d'entités définis par l'utilisateur tels que les dates d'entrée en vigueur des contrats, les clauses de loi applicable ou les parties nommées. Les deux nécessitent un ensemble de données d'entraînement étiqueté et produisent un point de terminaison personnalisé qui déduit des étiquettes et des entités structurées à partir de nouveaux documents. Cela correspond directement au besoin du cabinet d'avocats de catégoriser automatiquement les documents et d'extraire des informations spécifiques au niveau des clauses, contrairement à tout service générique préconstruit.

C

Fausse

TEXT: Réponse aux questions et résumé de conversations

La réponse aux questions et le résumé de conversations sont conçus pour différentes charges de travail. La réponse aux questions d'Azure AI Language renvoie des extraits de réponses d'une base de connaissances ou d'un ensemble de documents en réponse à des requêtes, mais n'attribue pas à chaque document une étiquette de catégorie prédéfinie. Le résumé de conversations (extractif ou abstrait) condense la transcription d'une conversation en points clés ou en résumé ; il ne classe pas les documents dans des types juridiques personnalisés ni n'extrait des entités nommées structurées comme des identifiants de clauses spécifiques. Ces outils sont destinés à des Q&A interactives ou à résumer des chats/réunions, et non à la catégorisation de documents par lots dans un cabinet juridique.

D

Fausse

TEXT: Détection de la langue et traduction

La détection de la langue et la traduction traitent des propriétés linguistiques de surface, et non de la sémantique ou de la structure spécifique au domaine. La détection de la langue utilise un classificateur préconstruit pour identifier la langue dominante du texte (par exemple, l'anglais par rapport à l'espagnol), tandis qu'Azure Translator convertit du texte entre les langues à l'aide de la traduction automatique statistique ou neuronale. Aucune de ces fonctionnalités ne peut être entraînée sur les catégories propres au cabinet d'avocats et elles ne produisent aucune classification structurée de documents ni extraction d'entités juridiques. Étant donné que la tâche nécessite de catégoriser les documents en types spécifiques au cabinet et d'extraire des entités nommées personnalisées, ces opérations au niveau de la langue ne sont pas pertinentes et ne peuvent pas atteindre l'objectif.

Pour aller plus loin

Cette question teste la distinction entre les modèles NLP à usage général préconstruits et les modèles personnalisables dans Azure AI Language. Les fonctionnalités préconstruits telles que l'analyse des sentiments, l'extraction de phrases clés, la détection de la langue et la traduction sont entraînées sur des données génériques à l'échelle du Web et sont figées ; vous ne pouvez pas injecter de catégories spécifiques au domaine ou de types d'entités. La classification de texte personnalisée et la NER personnalisée, en revanche, vous permettent d'importer des documents étiquetés et d'entraîner un modèle supervisé qui apprend votre taxonomie et votre schéma d'entités spécifiques, puis de le déployer en tant que point de terminaison en temps réel ou par lots. Un point subtil mais important est que les modèles personnalisés nécessitent un schéma d'étiquetage bien conçu et suffisamment de données d'entraînement représentatives (généralement quelques dizaines à quelques centaines d'exemples par classe) pour atteindre une précision fiable ; sinon, le modèle fera du surapprentissage ou manquera des cas limites. Une idée fausse commune est que l'« IA » peut catégoriser n'importe quel texte sans configuration préalable, mais dans la pratique, les domaines juridiques ou médicaux ont presque toujours besoin de NLP personnalisée car le vocabulaire, les structures de clauses et les types d'entités sont hautement spécialisés. L'implication réelle pour un cabinet d'avocats est que l'utilisation de la classification de texte personnalisée et de la NER personnalisée automatise non seulement l'acheminement des documents vers les domaines de pratique, mais structure également les informations clés (par exemple, la loi applicable, la date de résiliation) pour les flux de travail de recherche, de conformité et de e-discovery en aval.

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.