Respostas corretas
- ACobertura de vocabulário específica do domínio
- BTempo de desenvolvimento e implantação
- DDisponibilidade de dados de treinamento rotulados
Explicação
A cobertura de vocabulário específica do domínio (opção A) determina se um modelo reconhece jargões da indústria, nomes de produtos e abreviações em seu texto. Modelos pré-construídos podem perder termos especializados, enquanto modelos personalizados podem ser treinados em dados de domínio, tornando a cobertura um fator de decisão crucial. O tempo de desenvolvimento e implantação (opção B) difere drasticamente: os modelos pré-construídos funcionam imediatamente sem treinamento, enquanto os modelos personalizados exigem ciclos de rotulagem, treinamento e avaliação. Quando a entrega rápida importa, essa diferença de esforço influencia diretamente a decisão entre pré-construído e personalizado. A disponibilidade de dados de treinamento rotulados (opção D) é fundamental porque os modelos personalizados exigem exemplos rotulados suficientes por classe para aprender padrões específicos da tarefa; sem eles, o treinamento falha ou sofre sobreajuste (overfitting). Os modelos pré-construídos não precisam de rotulagem. O enunciado pergunta quais fatores influenciam a escolha, e a disponibilidade de dados rotulados determina diretamente se um modelo personalizado é viável.
Para se aprofundar
Os modelos pré-construídos do Azure AI Language são treinados em corpora amplos e de uso geral e expõem recursos fixos, como análise de sentimentos, extração de frases-chave e reconhecimento de entidades nomeadas por meio de um ponto de extremidade compartilhado, de modo que não exigem dados rotulados e podem ser invocados imediatamente. Modelos personalizados, por outro lado, são construídos com recursos personalizados do Azure AI Language, como classificação de texto personalizada ou reconhecimento de entidades nomeadas (NER) personalizado, que exigem o upload e a rotulagem de enunciados específicos do domínio e, em seguida, o treinamento, a avaliação e a implantação de um modelo em um ponto de extremidade dedicado. Esse pipeline de treinamento introduz latência e custo, e sua qualidade é limitada pelo volume e pela consistência de seus exemplos rotulados. Um caso realista é um provedor de saúde cujas notas clínicas contêm terminologia especializada que o modelo NER pré-construído classifica incorretamente; a equipe deve ponderar se a coleta de milhares de notas anotadas justifica a precisão aprimorada.
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.