DifícilMúltipla escolha

Questão de prática de PMLE

Uma instituição financeira deseja usar a Natural Language API para realizar análise de sentimentos em feedbacks de clientes, mas a linguagem específica do domínio (por exemplo, 'bullish', 'bearish') não está sendo classificada corretamente. Eles possuem 200 exemplos rotulados. Qual abordagem minimiza o esforço de codificação e ao mesmo tempo melhora a precisão?

Escolha a melhor resposta.

Resposta correta

  • DUsar o AutoML Natural Language para treinar um modelo personalizado

Explicação

O AutoML Natural Language permite treinar um modelo personalizado em seus 200 exemplos rotulados sem escrever código, melhorando diretamente a precisão para termos específicos do domínio, como 'bullish' e 'bearish'. Essa abordagem aproveita o aprendizado por transferência dos modelos pré-treinados do Google, minimizando o esforço de codificação enquanto se adapta ao seu vocabulário e padrões de sentimento exclusivos.

Por que cada alternativa está certa ou errada

A

Incorreta

Enviar uma solicitação de recurso ao Google para termos específicos do domínio

Uma solicitação de recurso para o Google não traz melhoria de precisão dentro do cronograma do projeto, já que as decisões de roteiro estão fora do controle do cliente. É tentador quando uma API gerenciada carece de cobertura de domínio, mas o cenário fornece 200 exemplos rotulados exatamente para que o AutoML Natural Language possa treinar um modelo específico de domínio agora.

B

Incorreta

Criar um dicionário de sentimentos personalizado e passá-lo para a Natural Language API

A Natural Language API não aceita nenhum parâmetro de dicionário de sentimentos personalizado; os pesos de seu modelo são fixos, portanto, fornecer termos de domínio não altera nada. É tentador porque as substituições de léxico funcionam em ferramentas como VADER ou spaCy, mas aqui a API não expõe tal gancho, deixando o AutoML como a rota suportada.

C

Incorreta

Construir um modelo personalizado do TensorFlow para análise de sentimentos

Construir um modelo do TensorFlow exige codificação substancial, infraestrutura de treinamento e ajuste, contradizendo o requisito de esforço mínimo, apesar de haver apenas 200 exemplos rotulados. É tentador quando existem dados rotulados e a precisão importa, mas a classificação do AutoML Natural Language treina com esses exemplos usando muito menos código.

D

Correta

Usar o AutoML Natural Language para treinar um modelo personalizado

O AutoML Natural Language treina um modelo de sentimento personalizado com os 200 exemplos rotulados por meio do console, aprendendo termos de domínio como 'bullish' e 'bearish' que a Natural Language API pré-treinada classifica incorretamente. Isso atende à restrição de codificação mínima enquanto se adapta ao vocabulário financeiro.

Para se aprofundar

O AutoML Natural Language permite treinar um modelo personalizado de classificação de texto ou de sentimentos a partir de exemplos rotulados por meio de um pipeline gerenciado que lida com a tokenização, extração de características e ajuste de hiperparâmetros, de modo que o desenvolvedor fornece um conjunto de dados CSV ou JSONL e recebe um endpoint de modelo implantado. Com cerca de 200 exemplos rotulados, isso está dentro do mínimo recomendado para uma tarefa de classificação de rótulo único, e captura o vocabulário de domínio como bullish ou bearish que o modelo geral pré-treinado classifica incorretamente. A Natural Language API não aceita um dicionário de sentimentos personalizado, e construir um modelo do TensorFlow exige muito mais esforço de engenharia. Uma sutileza é que o AutoML divide os dados para treinamento, validação e teste, portanto, o equilíbrio de rótulos entre as classes importa mais do que a contagem bruta. Isso importa quando o jargão financeiro distorce as pontuações de sentimento genéricas.

Sobre estas questões de prática

Esta é uma das questões de prática originais de PMLE da Courseiva, escrita para o aprendizado e nunca copiada de provas reais nem de dumps.

Traduzida do original em inglês com IA e conferida quanto ao sentido. Códigos de exame, comandos e nomes de produtos são mantidos como aparecem na prova.