MoyenneChoix unique

Question d'entraînement AI-900

Une entreprise de vente au détail souhaite analyser automatiquement des milliers d'avis de produits afin d'identifier les aspects les plus fréquemment mentionnés, tels que « l'autonomie de la batterie » (battery life), « la qualité de l'écran » (screen quality) et « le service client » (customer service). Elle prévoit d'utiliser une fonctionnalité préconçue d'Azure AI Language sans aucun entraînement personnalisé. Quel service doit-elle utiliser ?

Choisissez la meilleure réponse.

Bonne réponse

  • BExtraction de phrases clés (Key phrase extraction)

Explication

L'extraction de phrases clés est le choix correct car elle est spécifiquement conçue pour identifier et extraire les mots ou expressions les plus importants à partir de texte non structuré, tel que les avis de produits. Cette fonctionnalité préconçue d'Azure AI Language ne nécessite aucun entraînement personnalisé et met directement en évidence les aspects fréquemment mentionnés tels que « l'autonomie de la batterie » ou « la qualité de l'écran » en analysant la fréquence des termes et leur pertinence.

Pourquoi chaque option est juste ou fausse

A

Fausse

Text Analytics for Health

Text Analytics for Health est un modèle spécialisé pré-entraîné dans Azure AI Language conçu exclusivement pour le texte clinique et biomédical, reconnaissant des entités telles que les affections, les médicaments, les procédures et leurs relations associées. Il n'est pas applicable aux avis de produits de vente au détail car sa base de connaissances est adaptée à la terminologie de la santé et il n'extraira pas de concepts orientés vers le consommateur tels que « la portabilité » ou « la vitesse de charge ». Son utilisation donnerait des résultats non pertinents ou vides puisque les entités spécifiques au domaine ne s'alignent tout simplement pas sur le langage général de la vente au détail.

B

Juste

Extraction de phrases clés (Key phrase extraction)

L'extraction de phrases clés, une capacité du service Azure AI Language, analyse automatiquement le texte et renvoie une liste classée des concepts principaux et des expressions importantes, en attribuant un score de pertinence à chacun. Elle n'est pas supervisée et ne nécessite pas de données d'entraînement étiquetées personnalisées, ce qui la rend idéale pour traiter des milliers d'avis de produits afin de faire surface des aspects fréquemment mentionnés tels que « l'autonomie de la batterie » ou « l'interface utilisateur ». Contrairement à l'analyse des sentiments, elle se concentre sur ce qui est discuté et non sur la polarité émotionnelle, soutenant ainsi directement l'identification des caractéristiques que les clients mentionnent le plus souvent.

C

Fausse

Liaison d'entités (Entity linking)

La liaison d'entités est une fonctionnalité d'Azure AI Language qui identifie les entités nommées — telles que les personnes, les organisations, les emplacements et les produits spécifiques — et les désambiguïse en les liant à des entrées dans une base de connaissances comme Wikipédia ou Wikidata. Cela la rend adaptée à la recherche de noms propres, mais elle n'extrait pas d'expressions descriptives de plusieurs mots telles que « l'autonomie de la batterie » ou « la qualité de fabrication durable », qui ne sont pas des entités nommées canoniques. Par conséquent, elle manquerait les aspects mêmes qu'un détaillant souhaite suivre à travers les avis de produits, car il s'agit de concepts de noms communs plutôt que d'entités référencées ambigues.

D

Fausse

Analyse des sentiments (Sentiment analysis)

L'analyse des sentiments dans Azure AI Language étiquette le texte comme positif, négatif, mixte ou neutre, et fournit des scores de confiance aux niveaux du document et de la phrase en fonction de la tonalité émotionnelle. Elle est incorrecte ici car elle vous indique seulement si une opinion est favorable ou défavorable ; elle n'extrait pas les aspects spécifiques examinés, tels que « l'autonomie de la batterie » ou « le service client ». Par conséquent, à travers des milliers d'avis, l'analyse des sentiments peut agréger l'approbation globale mais ne peut pas révéler quels attributs du produit sont loués ou critiqués.

Pour aller plus loin

Cette question teste la distinction entre les capacités d'analyse de texte préconçues d'Azure AI Language, en particulier l'extraction de phrases clés par rapport à l'analyse des sentiments, la liaison d'entités et les modèles spécifiques au domaine. L'extraction de phrases clés utilise des algorithmes qui détectent les termes saillants en fonction de la fréquence des termes, du contexte et de la structure linguistique, renvoyant des phrases qui représentent les principaux sujets ; elle n'émet aucun jugement sur le sentiment. L'analyse des sentiments, en revanche, applique des modèles de classification pour noter la polarité, mais confondre le sentiment et le sujet est une erreur courante : savoir qu'un avis est négatif ne vous indique pas pourquoi il est négatif. La liaison d'entités et la reconnaissance d'entités nommées (NER) ciblent les noms propres et les entités connues, de sorte que les expressions descriptives génériques échappent à leur champ d'application. Text Analytics for Health est un modèle hyperspécialisé dont la distribution d'entraînement est écrasantement clinique, et l'utiliser sur du texte de vente au détail met en évidence la façon dont la sélection du modèle doit correspondre au domaine. Dans l'analyse d'avis du monde réel, une architecture courante consiste à exécuter l'extraction de phrases clés pour agréger les caractéristiques saillantes, puis à exécuter l'analyse des sentiments sur les phrases environnantes pour déduire les opinions au niveau de l'aspect, démontrant que ces API sont complémentaires plutôt qu'interchangeables.

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.