MoyenneChoix unique

Question d'entraînement AI-900

Qu'est-ce que l'« entity linking » dans Azure AI Language et en quoi diffère-t-il du NER ?

Choisissez la meilleure réponse.

Bonne réponse

  • BLiaison d'entités identifiées à des entrées de bases de connaissances (par exemple, Wikipédia) pour la désambiguïsation

Explication

L'« entity linking » dans Azure AI Language désambiguïsase les entités identifiées en les associant à un identifiant unique provenant d'une base de connaissances, telle que les numéros Q de Wikipédia. Cela diffère du NER, qui étiquette uniquement les entités (par exemple, « personne », « emplacement ») sans résoudre l'ambiguïté — par exemple, « Paris » pourrait faire référence à une ville ou à une personne, et l'« entity linking » détermine la bonne via la base de connaissances.

Pourquoi chaque option est juste ou fausse

A

Fausse

Création d'hyperliens dans un document qui se connectent à du contenu connexe en ligne

Cette option confond l'artefact au niveau du produit (une balise d'ancrage HTML) avec l'opération d'ancrage sémantique effectuée par l'« entity linking ». La création d'hyperliens est une action d'édition de présentation qui peut pointer vers n'importe quelle page Web, que le texte fasse référence ou non à la même entité conceptuelle, et elle n'implique pas la désambiguïsation de bases de connaissances ni l'attribution d'identifiants uniques. L'« entity linking » génère une référence lisible par machine vers un enregistrement d'entité canonique, qui pourrait ensuite être affichée sous forme de lien, mais la création d'hyperliens en soi n'est ni une condition nécessaire ni suffisante pour l'« entity linking ».

B

Juste

Liaison d'entités identifiées à des entrées de bases de connaissances (par exemple, Wikipédia) pour la désambiguïsation

L'« entity linking » est la tâche consistant à mapper une mention d'entité nommée ambigüe (par exemple, « Mars ») détectée lors de la reconnaissance d'entités nommées (NER) vers une entrée unique basée sur des identifiants dans une base de connaissances telle que Wikipédia ou Wikidata, désambiguïsant ainsi « la planète Mars » de « la barre de chocolat Mars ». Le lien rattache la mention à un nœud de graphe de connaissances qui transporte des métadonnées canoniques, des catégories et des relations, ce qui permet aux applications aval de raisonner sur l'entité avec une précision sémantique plutôt que de s'appuyer uniquement sur la correspondance de chaînes de surface.

C

Fausse

Connexion d'entités nommées à travers plusieurs documents pour suivre la même personne au fil du temps

Cette option décrit la résolution d'entités inter-documents (également appelée résolution de coréférence d'entités), qui est une tâche NLP distincte déterminant si des mentions telles que « John Smith » dans un article et « il » dans un autre font référence à la même personne dans le monde réel. L'« entity linking », en revanche, ne suit pas l'identité à travers les documents ; il ancrera chaque entité mentionnée à une seule entrée canonique dans une base de connaissances structurée telle que Wikidata ou Wikipédia, de sorte que l'ambiguïté est résolue via un lien de graphe de connaissances, et non via une co-occurrence inter-documents.

D

Fausse

Liaison des résultats de reconnaissance d'entités à des appels d'API en aval pour l'enrichissement des données

Cette option décrit l'intégration au niveau de l'application où la sortie d'un modèle NLP est transmise à un service externe (par exemple, l'enrichissement d'un enregistrement client en appelant une API CRM). L'« entity linking » ne consiste pas à déclencher ou à orchestrer des appels d'API ; c'est le processus NLP interne qui sélectionne un identifiant de base de connaissances spécifique pour une mention en utilisant des indices contextuels et un classement de candidats, et toute utilisation d'API en aval se produirait après que la décision de liaison a déjà été prise par le modèle NLP.

Pour aller plus loin

L'« entity linking » (également appelé désambiguïsation d'entités nommées ou résolution d'entités vers une base de connaissances) est un composant fondamental dans les pipelines NLP modernes, généralement exécuté après Named Entity Recognition (NER). Le processus comprend trois étapes : la génération de candidats, qui utilise une chaîne de mention et des index de base de connaissances pour proposer des entités possibles ; le reclassement tenant compte du contexte, qui utilise des encodeurs neuronaux (par exemple, des bi-encodeurs transformer) pour attribuer un score aux entités candidates en fonction du texte environnant ; et une étape de liaison finale qui assigne un identifiant unique de base de connaissances (par exemple, un QID Wikidata ou un titre Wikipédia). Une subtilité est la gestion des mentions NIL (des étendues qui n'existent pas dans la base de connaissances cible), qui nécessitent soit de regrouper les mentions, soit de les laisser non liées, un problème courant dans des domaines en évolution rapide. Contrairement au NER, qui attribue uniquement un type grossier (personne, organisation, emplacement), l'« entity linking » se concentre sur l'identité exacte et l'ancrage sémantique, ce qui le rend essentiel pour des tâches telles que la réponse aux questions, la vérification des faits et les assistants personnels, où la confusion d'entités portant le même nom peut entraîner des réponses erronées. Une idée fausse courante est d'assimiler la génération d'hyperliens à l'« entity linking » ; un hyperlien n'est qu'une sérialisation possible d'un lien, et la valeur fondamentale de l'« entity linking » réside dans l'identifiant persistant, unique et lisible par machine qui prend en charge un raisonnement sémantique robuste.

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.