Bonne réponse
- CCustom Named Entity Recognition (Custom NER)
Explication
Custom Named Entity Recognition (Custom NER) est le choix correct car il permet au cabinet d'avocats d'entraîner un modèle sur ses contrats étiquetés manuellement pour extraire des entités spécifiques au domaine telles que 'Party Name', 'Effective Date' et 'Governing Law'. Contrairement au NER intégré, qui ne reconnaît que des types d'entités prédéfinis, Custom NER apprend à partir des données étiquetées fournies pour identifier des catégories personnalisées adaptées aux besoins du cabinet.
Pour aller plus loin
Custom NER dans Azure AI Language vous permet d'entraîner un modèle sur votre propre texte étiqueté pour extraire des types d'entités spécifiques à un domaine tels que Party Name, Effective Date et Governing Law. Vous fournissez des documents étiquetés dans Language Studio, entraînez le modèle et le déployez vers un point de terminaison qui renvoie des étendues d'entités et des scores de confiance. Le NER intégré reconnaît des catégories générales (personne, organisation, date et heure) mais pas de champs juridiques personnalisés, et Entity Linking mappe les mentions à une base de connaissances plutôt que d'extraire des étiquettes arbitraires. Une subtilité : Custom NER nécessite un nombre minimum d'exemples étiquetés par entité (généralement 10 à 15) et bénéficie d'une annotation cohérente; des étiquettes incohérentes d'un contrat à l'autre dégradent la précision, ce qui compte lorsque les flux de travail de révision en aval dépendent d'un rappel élevé pour les clauses.
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.