DifficileChoix unique

Question d'entraînement PL-900

Exhibit

{
  "value": "rubbish bin",
  "type": "AppFeedback",
  "data": [
    {
      "sentiment": "negative"
    }
  ]
}

Reportez-vous à l'image. Un flux Power Automate utilise le connecteur 'Microsoft Forms' avec cette sortie. Quel modèle AI Builder faut-il utiliser pour catégoriser ce commentaire comme 'AppFeedback' ?

Choisissez la meilleure réponse.

Bonne réponse

  • BCategory classification

Explication

Le modèle AI Builder 'Category classification' est conçu pour attribuer des catégories prédéfinies au texte, telles que la classification de commentaires comme 'AppFeedback'. Ce modèle utilise un classificateur entraîné sur mesure pour faire correspondre le texte d'entrée à des étiquettes spécifiques, ce qui en fait le choix idéal pour catégoriser les réponses aux formulaires en catégories distinctes telles que 'AppFeedback'.

Pourquoi chaque option est juste ou fausse

A

Fausse

Language detection

Language detection renvoie le code de langue du texte et non une étiquette de catégorie, il ne peut donc pas classer les commentaires comme 'AppFeedback'. C'est tentant car il traite également du texte libre de Forms et serait correct lors de l'acheminement des soumissions par langue, comme diriger des réponses en français vers une équipe francophone.

B

Juste

Category classification

Category classification s'entraîne sur des exemples de textes étiquetés pour attribuer des étiquettes prédéfinies, de sorte que les réponses de formulaires en texte libre puissent être triées dans des compartiments tels que 'AppFeedback'. La reconnaissance de texte et le traitement de formulaires gèrent l'extraction, et non l'affectation de sentiments ou de sujets.

C

Fausse

Sentiment analysis

Sentiment analysis renvoie des scores positifs, négatifs ou neutres, et non une catégorie personnalisée telle que 'AppFeedback'. C'est tentant car il classe également les réponses aux formulaires, et serait correct lors du triage des commentaires par ton, par exemple en acheminant les commentaires négatifs vers une file d'attente de support.

D

Fausse

Entity extraction

Entity extraction extrait du texte des éléments structurés tels que des noms, des dates ou des lieux ; il n'attribue pas de catégorie prédéfinie à l'ensemble d'une réponse. C'est tentant car il analyse également le texte du formulaire et serait correct lors de l'extraction du numéro de commande ou de l'adresse d'un client à partir d'un message soumis.

Pour aller plus loin

La classification de catégories d'AI Builder est un modèle de texte supervisé qui attribue le texte d'entrée à une ou plusieurs catégories prédéfinies que vous fournissez lors de l'entraînement. Dans Power Automate, le connecteur Microsoft Forms renvoie des champs de réponse tels que le texte soumis, et vous transmettez ce texte à l'action de prédiction du modèle. Le modèle renvoie la catégorie correspondante ainsi qu'un score de confiance, sur lequel le flux peut se ramifier. La détection de la langue identifie uniquement la langue, l'analyse des sentiments renvoie positif, négatif ou neutre, et l'extraction d'entités extrait des noms, des dates ou des lieux. Pour acheminer des commentaires en texte libre dans des compartiments tels que AppFeedback, la classification de catégories est le modèle approprié car elle mappe du texte arbitraire vers votre propre taxonomie plutôt d'évaluer le ton ou d'extraire des entités.

À propos de ces questions d'entraînement

Cette question fait partie des questions d'entraînement PL-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.