DifficileChoix unique

Question d'entraînement AI-900

Un cabinet d'avocats a besoin d'extraire automatiquement des entités personnalisées telles que 'Party Name', 'Effective Date' et 'Governing Law' à partir de contrats. Ils disposent d'un ensemble de contrats étiquetés manuellement à utiliser comme données d'entraînement. Quelle fonctionnalité d'Azure AI Language doivent-ils utiliser?

Choisissez la meilleure réponse.

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.

Pourquoi chaque option est juste ou fausse

A

Fausse

Key Phrase Extraction

Key Phrase Extraction renvoie des termes saillants à partir de texte non structuré sans étiquettes personnalisées ni types d'entités, de sorte qu'il ne peut pas apprendre 'Party Name' ou 'Governing Law'. C'est tentant car il traite les contrats prêts à l'emploi, et il conviendrait de résumer des thèmes à travers des documents, et non d'entraîner un modèle d'extraction sur mesure sur des données étiquetées.

B

Fausse

Entity Linking

Entity Linking mappe les mentions dans le texte à des entrées dans une base de connaissances; il ne peut pas apprendre de types d'entités personnalisés à partir d'exemples étiquetés. C'est tentant car il extrait des entités nommées, mais ce scénario appartient à la reconnaissance d'entités nommées personnalisées (Custom NER), qui s'entraîne sur les contrats étiquetés du cabinet pour identifier Party Name, Effective Date et Governing Law.

C

Juste

Custom Named Entity Recognition (Custom NER)

Custom NER s'entraîne sur vos contrats étiquetés pour extraire des types d'entités sur mesure tels que 'Party Name' et 'Governing Law', que les modèles préconstruits ne peuvent pas reconnaître. Le jeu de données étiqueté manuellement est exactement l'entrée d'entraînement requise par cette fonctionnalité, satisfaisant la contrainte du schéma personnalisé.

D

Fausse

Built-in Named Entity Recognition

Built-in Named Entity Recognition ne détecte que ses catégories préentraînées — personnes, organisations, dates, lieux — et ne peut pas générer d'étiquettes personnalisées telles que 'Governing Law'. C'est tentant car il ne nécessite aucune donnée d'entraînement, et ce serait correct si le cabinet souhaitait extraire des entités génériques de contrats sans exemples étiquetés.

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.