DifícilMúltipla escolha

Questão de prática de AI-102

Você está criando um modelo personalizado de reconhecimento de entidade nomeada (NER) usando o Azure AI Language. Após rotular 200 documentos, você treina o modelo e obtém 85% de precisão, mas apenas 60% de revocação (recall). Qual ação tem maior probabilidade de melhorar a revocação?

Escolha a melhor resposta.

Resposta correta

  • CAumente o número de documentos rotulados, especialmente aqueles que contêm as entidades alvo

Explicação

Uma revocação baixa em um modelo NER personalizado normalmente indica que o modelo não consegue identificar muitas instâncias das entidades alvo. Aumentar o número de documentos rotulados, especialmente aqueles que contêm as entidades alvo, fornece mais exemplos positivos para o modelo aprender, melhorando diretamente sua capacidade de reconhecer essas entidades e impulsionando assim a revocação.

Por que cada alternativa está certa ou errada

A

Incorreta

Diminua o limite de confiança

Abaixar o limite de confiança admite mais previsões de baixa certeza, o que eleva a revocação, mas simultaneamente deprime a precisão de 85%. É tentador porque o ajuste de limites é uma alavanca legítima quando um modelo é excessivamente conservador, mas aqui a lacuna decorre de rótulos de entidades insuficientes ou desbalanceados, não da fronteira de decisão.

B

Incorreta

Aumente as horas de treinamento

As horas de treinamento controlam a duração da otimização, não a cobertura de rótulos; épocas extras não podem ensinar ao modelo entidades ausentes nos 200 documentos rotulados. É tentador porque um treinamento mais longo às vezes eleva métricas fracas, mas uma revocação de 60% com 85% de precisão aponta para exemplos de entidades ausentes ou desbalanceados.

C

Correta

Aumente o número de documentos rotulados, especialmente aqueles que contêm as entidades alvo

Baixa revocação significa que o modelo perde muitas entidades verdadeiras, tipicamente porque os dados de treinamento sub-representam seus contextos e variações. Adicionar mais documentos rotulados contendo as entidades alvo expõe o modelo a esses padrões, elevando a revocação enquanto a precisão permanece amplamente estável.

D

Incorreta

Mude para um recurso diferente do Azure AI Language

Mudar de recurso abandona o conjunto de dados rotulado e não pode elevar a revocação neste modelo NER; ele aborda um problema completamente diferente. É tentador quando o NER personalizado parece a ferramenta errada, mas o modelo já atinge 85% de precisão, então a abordagem de extração de entidades em si está funcionando.

Para se aprofundar

No NER personalizado do Azure AI Language, a precisão e a revocação entram em compensação por meio do limite de confiança do modelo e da distribuição dos dados de treinamento. A revocação mede quantas menções de entidades verdadeiras o modelo encontrou; revocação baixa geralmente significa que o modelo viu poucos exemplos das formas de superfície, contextos ou casos de borda da entidade. Adicionar documentos rotulados que contenham as entidades alvo, especialmente frases variadas e exemplos negativos próximos de erros, dá ao modelo mais sinais para generalizar. Reduzir o limite de confiança mostraria mais previsões, mas tipicamente ao custo da precisão, não sendo uma correção real de revocação. Aumentar as horas de treinamento não ajuda se os dados carecem de cobertura, e trocar de recurso abandona o esquema personalizado. Uma correção realista é rotular mais 100 documentos ricos no tipo de entidade perdida, depois treinar novamente e reavaliar a curva de precisão-revocação.

Sobre estas questões de prática

Esta é uma das questões de prática originais de AI-102 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.