FácilMúltipla escolha

Questão de prática de AI-102

Você está construindo uma solução para extrair frases-chave de avaliações de clientes usando o Azure AI Language. Qual recurso você deve usar?

Escolha a melhor resposta.

Resposta correta

  • CKey Phrase Extraction

Explicação

Key Phrase Extraction é o recurso correto porque foi projetado especificamente para identificar e retornar os principais pontos de discussão ou termos importantes de texto não estruturado, como avaliações de clientes. A API Key Phrase Extraction do Azure AI Language analisa a estrutura do texto e os padrões linguísticos para exibir as frases mais relevantes, o que atende diretamente ao requisito de extrair frases-chave das avaliações.

Por que cada alternativa está certa ou errada

A

Incorreta

Sentiment Analysis

Sentiment Analysis retorna pontuações positivas, negativas ou neutras mais mineração de opinião; não gera a lista de sintagmas nominais que o enunciado requer. É tentador porque também processa texto de avaliação, e seria correto se o requisito fosse avaliar a polaridade da opinião do revisor em vez de extrair frases-chave.

B

Incorreta

Language Detection

Language Detection retorna apenas o nome do idioma detectado e o código ISO para o texto enviado, não produzindo nenhuma saída de extração de frases. É tentador porque faz parte do Azure AI Language e frequentemente é executado primeiro em pipelines, e seria correto se as avaliações chegassem em idiomas mistos precisando de roteamento antes da análise.

C

Correta

Key Phrase Extraction

Key Phrase Extraction retorna os termos salientes do texto fornecido, que é precisamente a tarefa de extração descrita. É um recurso pré-construído do Azure AI Language, portanto nenhum dado de treinamento ou modelo personalizado é necessário para exibir os principais tópicos em cada avaliação.

D

Incorreta

Named Entity Recognition

Named Entity Recognition retorna entidades como pessoas, locais e organizações, não os termos salientes que resumem uma avaliação. Key Phrase Extraction é o recurso do Azure AI Language que traz à tona essas frases; o NER atende a cenários que exigem tipos de entidades, como extrair nomes de produtos ou locais.

Para se aprofundar

Key Phrase Extraction no Azure AI Language executa um modelo pré-treinado que tokeniza o texto de entrada, pontua n-gramas candidatos por coocorrência estatística e saliência sintática, e retorna as principais frases classificadas por relevância. Internamente, ele é exposto por meio do endpoint REST do Analyze Text com a tarefa keyPhrases, ou por meio do KeyPhraseExtractionClient do SDK, e aceita até 5.120 caracteres por documento com um limite de lote de 1.000 documentos por solicitação. Um comportamento sutil que vale a pena conhecer: o serviço retorna frases em sua forma de superfície original sem lematização, portanto 'shipping' e 'shipped' podem aparecer como chaves distintas, e avaliações muito curtas podem produzir arrays vazios porque o modelo precisa de contexto suficiente para calcular a saliência. Em um cenário realista, uma equipe de varejo ingerindo milhares de avaliações de produtos usa esse recurso para popular uma nuvem de tags e direcionar reclamações, enquanto o Sentiment Analysis forneceria apenas pontuações de polaridade e o NER retornaria trechos de entidades em vez de frases tópicas.

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.