FacileChoix unique

Question d'entraînement AI-900

Une agence de presse publie des centaines d'articles par jour. Elle souhaite extraire automatiquement les principaux sujets abordés dans chaque article, tels que « politique », « économie » ou « sports », afin de catégoriser le contenu sans étiquetage manuel. Quelle fonctionnalité intégrée d'Azure AI Language doit-elle utiliser ?

Choisissez la meilleure réponse.

Bonne réponse

  • AKey phrase extraction

Explication

Key phrase extraction est le choix correct car il identifie les principaux sujets abordés dans un document, tels que « politique », « économie » ou « sports », sans nécessiter d'étiquetage manuel. Cette fonctionnalité renvoie une liste de phrases clés qui représentent le contenu principal de chaque article, répondant directement au besoin de catégoriser automatiquement le contenu par sujet.

Pourquoi chaque option est juste ou fausse

A

Juste

Key phrase extraction

L'extraction de phrases clés est le bon choix car elle utilise des modèles statistiques et NLP pour faire surface aux expressions plurimots les plus saillantes d'un document, telles que « actualité brûlante » ou « crise économique », résumant ainsi les principaux sujets de l'article. Contrairement à la NER ou à l'analyse des sentiments, elle est spécifiquement conçue pour renvoyer des concepts thématiques larges plutôt que des entités spécifiques ou un ton émotionnel, ce qui la rend idéale pour étiqueter automatiquement des centaines d'articles quotidiens à des fins de catalogage et de recherche.

B

Fausse

Named entity recognition

La reconnaissance d'entités nommées est incorrecte pour ce cas d'usage car elle identifie et classe des références spécifiques et distinctes telles que des noms de personnes, des organisations, des lieux, des dates et des quantités (par exemple, « Jeanne Dupont », « Nations Unies », « 2025 »). Bien qu'utile pour extraire des points de données structurés d'un article de presse, elle ne résume pas et ne déduit pas le sujet global de l'article ; une liste d'entités peut apparaître dans un récit sur n'importe quel sujet, elle ne parvient donc pas à atteindre l'objectif de l'agence en matière d'étiquetage général des sujets.

C

Fausse

Sentiment analysis

L'analyse des sentiments est incorrecte car elle évalue le ton émotionnel du texte, produisant un score de polarité allant du négatif au positif (ou neutre), souvent utilisé pour évaluer l'opinion publique, la perception d'une marque ou l'humeur sur les réseaux sociaux. Dans un contexte d'agrégation de nouvelles, l'agence doit identifier de quoi parle l'article — son sujet ou son thème —, et non si le contenu exprime une attitude favorable ou défavorable. Par conséquent, l'analyse des sentiments fournirait des métadonnées non pertinentes pour l'indexation et le marquage basés sur les sujets.

D

Fausse

Language detection

La détection de langue est incorrecte car elle détermine la langue naturelle dans laquelle le texte est rédigé (par exemple, anglais, espagnol, français) en analysant la fréquence des caractères et les modèles de lexique. Pour une agence de presse qui connaît déjà la langue de ses articles — ou qui a besoin d'une catégorisation par sujet quelle que soit la langue —, cette capacité n'offre aucune information sur le sujet du contenu. Détecter qu'un article est, disons, en anglais ne vous apprend rien sur ses sujets clés, elle ne peut donc pas répondre à l'exigence d'extraction de résumés thématiques.

Pour aller plus loin

Le concept sous-jacent est l'extraction de phrases clés d'Azure AI Language, une fonctionnalité qui utilise le traitement automatique du langage naturel (NLP) pour identifier les mots et expressions les plus importants dans du texte non structuré. Le service emploie généralement une combinaison de scores TF-IDF (fréquence des termes - fréquence inverse dans les documents) et d'algorithmes de classement basés sur des graphiques comme TextRank pour déterminer quelles expressions sont statistiquement distinctives et sémantiquement centrales. Une idée reçue fréquente est que la reconnaissance d'entités nommées (NER) peut remplacer l'extraction de phrases clés ; cependant, la NER se limite à des types d'entités prédéterminés (personne, lieu, organisation, etc.) et ne peut pas générer d'abstractions de niveau thématique telles que « politique climatique » ou « perturbation de la chaîne d'approvisionnement ». En pratique, les agences de presse déploient l'extraction de phrases clés pour automatiser la génération de métadonnées, améliorer la pertinence de la recherche et alimenter les systèmes de recommandation, car les phrases produites servent d'étiquettes de sujets compactes et lisibles par l'homme. Cette fonctionnalité repose sur un modèle et intègre la gestion des langues, ne nécessitant aucun entraînement personnalisé, bien que sa précision puisse varier avec le jargon spécifique au domaine ou les articles hautement techniques.

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.