DifficileChoix unique

Question d'entraînement AI-900

Un cabinet juridique doit traiter automatiquement des milliers de documents judiciaires. Le système doit identifier et masquer les informations personnelles sensibles telles que les noms, les adresses et les numéros de sécurité sociale. De plus, il doit extraire des entités spécifiques au domaine juridique comme les numéros de dossier, les noms des juges et les références aux textes de loi. Le cabinet dispose d'un petit ensemble de documents annotés manuellement avec ces entités juridiques. Quelle combinaison de fonctionnalités d'Azure AI Language doivent-ils utiliser ?

Choisissez la meilleure réponse.

Bonne réponse

  • ADétection des PII et reconnaissance d'entités nommées (NER) personnalisée

Explication

Le cabinet a besoin à la fois de la détection des PII pour masquer les informations personnelles sensibles et de la reconnaissance d'entités nommées (NER) personnalisée pour extraire des entités juridiques spécifiques comme les numéros de dossier et les noms des juges à partir d'un petit ensemble de documents annotés. Azure AI Language fournit une fonctionnalité de détection des PII prédéfinie pour les données sensibles courantes et une capacité de NER personnalisée qui peut être entraînée sur les documents annotés du cabinet pour reconnaître des entités spécifiques au domaine.

Pourquoi chaque option est juste ou fausse

A

Juste

Détection des PII et reconnaissance d'entités nommées (NER) personnalisée

La détection des PII dans Azure AI Language identifie et protège automatiquement les données personnelles sensibles telles que les noms, les numéros de téléphone et les adresses, ce qui est essentiel pour le masquage. La reconnaissance d'entités nommées (NER) personnalisée va plus loin en entraînant un modèle sur des documents juridiques annotés pour extraire des entités spécifiques au domaine comme les numéros de dossier, les noms des tribunaux et les noms des juges. L'utilisation conjointe des deux couvre les exigences de masquage du cabinet et les besoins d'extraction spécialisés que les modèles prédéfinis ne peuvent pas traiter.

B

Fausse

Reconnaissance d'entités prédéfinie et extraction de phrases clés

La reconnaissance d'entités prédéfinie trouve des catégories générales, telles que les personnes, les lieux, les organisations, les dates et les quantités ; elle pourrait donc trouver le nom d'un juge en tant que personne, mais ne saurait pas qu'il s'agit d'un juge, et manquerait les numéros de dossier et les références aux textes de loi. L'extraction de phrases clés répertorie les sujets principaux, pas les entités structurées. Aucune des deux ne masque les informations personnelles, ce qui nécessite la détection des PII, et les entités juridiques nécessitent un modèle NER personnalisé.

C

Fausse

Analyse des sentiments et détection de la langue

L'analyse des sentiments attribue un score positif/négatif/neutre à un texte, tandis que la détection de la langue identifie simplement la langue dans laquelle le document est écrit. Aucune de ces opérations n'extrait ou ne masque des segments de texte, et aucune ne tente d'identifier des entités juridiques ou des données personnelles. L'utilisation de ces fonctionnalités laisserait toutes les informations sensibles et les détails spécifiques au dossier intacts.

D

Fausse

Détection des PII uniquement

La détection des PII seule ne reconnaît qu'un ensemble fixe de types d'informations personnelles, tels que les numéros de sécurité sociale, les e-mails et les adresses physiques. Elle ne peut pas être entraînée à reconnaître des entités spécifiques au domaine juridique comme les numéros de dossier, les identifiants de rôle ou les noms des officiers judiciaires, car ceux-ci n'appartiennent à aucune catégorie de PII prédéfinie. L'exigence d'extraction du cabinet reste donc insatisfaite sans un modèle entraîné sur mesure.

Pour aller plus loin

Azure AI Language propose plusieurs fonctionnalités prédéfinies et personnalisables, et ce scénario en nécessite deux. La détection des informations personnellement identifiables (PII) est prédéfinie. Elle identifie des catégories telles que les noms de personnes, les adresses, les numéros de téléphone, les adresses e-mail et les numéros d'identification gouvernementaux tels que les numéros de sécurité sociale américains, et elle peut renvoyer le texte avec ces entités masquées. Elle ne nécessite aucun entraînement et prend en charge de nombreuses langues, avec une option de domaine pour les informations de santé protégées. La reconnaissance d'entités nommées personnalisée (NER personnalisée) gère les entités que les modèles prédéfinis ne connaissent pas, telles que les numéros de dossier, les noms des juges et les références aux textes de loi. Vous étiquetez des exemples de chaque entité dans un ensemble de documents dans Language Studio, entraînez un modèle, l'évaluez sur des documents mis de côté et le déployez sur un point de terminaison. Un ensemble modeste de documents bien étiquetés et représentatifs suffit souvent pour commencer, et le cabinet en possède déjà un. Ensemble, les deux fonctionnalités couvrent les deux exigences, c'est pourquoi l'option A est correcte. La reconnaissance d'entités prédéfinie (option B) reconnaît des catégories générales telles que personne, lieu, organisation, dates et quantités, elle trouverait donc les noms des juges en tant que personnes, mais pas en tant que juges, et ne reconnaîtrait pas les numéros de dossier ou les références aux textes de loi ; l'extraction de phrases clés répertorie les sujets principaux, pas les entités spécifiques. L'analyse des sentiments et la détection de la langue (option C) n'identifient pas du tout les entités. La détection des PII seule (option D) gère le masquage mais pas les entités juridiques. Pour l'examen AI-900, recherchez le mot « personnalisé » ou une mention de données étiquetées dans un scénario : cela signale un modèle personnalisé plutôt qu'une fonctionnalité prédéfinie.

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.