MoyenneChoix unique

Question d'entraînement AI-900

Un hôpital recueille des commentaires sur l'expérience des patients sous forme de texte libre. Il doit automatiquement (1) extraire des mentions spécifiques de symptômes (par exemple, 'mal de tête', 'fièvre', 'fatigue') du texte et (2) déterminer la tonalité émotionnelle globale de chaque commentaire (par exemple, positif, négatif, neutre). Quelle combinaison de fonctionnalités d'Azure AI Language doivent-ils utiliser?

Choisissez la meilleure réponse.

Bonne réponse

  • AA. Reconnaissance d'entités et analyse des sentiments

Explication

L'hôpital a besoin de deux capacités NLP distinctes: l'extraction de mentions de symptômes spécifiques (reconnaissance d'entités) et la détermination de la tonalité émotionnelle (analyse des sentiments). La reconnaissance d'entités d'Azure AI Language identifie les entités nommées telles que les symptômes, tandis que l'analyse des sentiments évalue le texte pour un sentiment positif, négatif ou neutre. Ensemble, elles répondent directement aux deux exigences sans fonctionnalités superflues.

Pourquoi chaque option est juste ou fausse

A

Juste

A. Reconnaissance d'entités et analyse des sentiments

La reconnaissance d'entités extrait des entités nommées telles que les symptômes du texte libre, tandis que l'analyse des sentiments renvoie une tonalité globale positive, négative ou neutre par document. Ensemble, elles satisfont les deux exigences: l'extraction des symptômes et la classification de la tonalité émotionnelle de chaque entrée de commentaire de patient.

B

Fausse

B. Extraction de phrases clés et réponse aux questions

L'extraction de phrases clés renvoie des termes saillants plutôt que des entités de symptômes étiquetées, et la réponse aux questions récupère des réponses à partir d'une base de connaissances au lieu de noter le sentiment. C'est tentant car les deux sont des fonctionnalités d'Azure AI Language; ce serait correct pour faire surface à des sujets clés et répondre à des FAQ à partir d'un ensemble de documents.

C

Fausse

C. Détection de langue et classification de texte

La détection de langue identifie la langue dans laquelle le texte est écrit, et la classification de texte attribue des catégories personnalisées ou prédéfinies; aucune des deux n'extrait d'entités de symptômes ni ne note la polarité des sentiments. C'est tentant comme association d'analyse de texte; ce serait correct pour acheminer des commentaires multilingues ou étiqueter des documents dans des catégories personnalisées.

D

Fausse

D. Résumé et traduction

Le résumé condense le texte en phrases clés et la traduction convertit entre les langues, de sorte qu'aucune des deux n'extrait de mentions de symptômes ni ne détermine de tonalité positive, négative ou neutre. C'est tentant car les deux traitent du texte libre; ce serait correct pour produire des résumés concis ou localiser des commentaires dans une autre langue.

Pour aller plus loin

La reconnaissance d'entités d'Azure AI Language utilise un modèle NER pré-entraîné qui renvoie des entités catégorisées telles que Personne, Organisation et, pour le domaine de la santé, le modèle Text Analytics for Health peut extraire des symptômes, des médicaments et des diagnostics avec des décalages (offsets) et des scores de confiance. L'analyse des sentiments renvoie des scores au niveau du document et de la phrase de zéro à un pour positif, neutre et négatif, ainsi que l'extraction d'opinions (opinion mining) qui lie le sentiment à des aspects spécifiques. Un comportement subtil est que le modèle de santé nécessite un point de terminaison (endpoint) distinct et est axé sur l'anglais, tandis que le NER générique peut ne pas étiqueter 'mal de tête' comme un symptôme. Cela importe lorsqu'un hôpital souhaite trier des commentaires en texte libre: la reconnaissance d'entités isole les mentions cliniques pour l'analyse des tendances, et l'analyse des sentiments quantifie la satisfaction des patientes et patients, fournissant à la fois une extraction structurée et une tonalité sans avoir à construire de modèles personnalisés.

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.