DifícilMúltipla escolha

Questão de prática de AI-900

Um escritório de advocacia precisa categorizar documentos automaticamente (por exemplo, 'contrato', 'petição', 'memorando') e extrair cláusulas específicas, como 'indenização' e 'confidencialidade'. Eles possuem um grande conjunto de exemplos rotulados para ambas as tarefas. Qual combinação de recursos do Azure AI Language eles devem usar?

Escolha a melhor resposta.

Resposta correta

  • BClassificação de texto personalizada e reconhecimento de entidade nomeada personalizado

Explicação

O escritório de advocacia precisa categorizar documentos (uma tarefa de classificação de texto) e extrair cláusulas específicas (uma tarefa de reconhecimento de entidade nomeada). A classificação de texto personalizada permite treinar um modelo em exemplos rotulados para classificar documentos em categorias como 'contrato' ou 'petição', enquanto o reconhecimento de entidade nomeada (NER) personalizado pode ser treinado para extrair entidades específicas do domínio, como cláusulas de 'indenização' e 'confidencialidade' do texto. O Azure AI Language oferece suporte a ambos os recursos personalizados, permitindo que a empresa crie modelos sob medida usando seu conjunto de dados rotulado.

Por que cada alternativa está certa ou errada

A

Incorreta

Análise de sentimento e extração de frases-chave pré-construídas

A análise de sentimento e a extração de frases-chave pré-construídas são recursos genéricos do Azure AI Language. A análise de sentimento apenas atribui uma pontuação de positividade/negatividade/neutralidade por frase ou documento, enquanto a extração de frases-chave retorna uma lista estatística de frases salientes, como 'contrato' ou 'cliente', sem qualquer treinamento no domínio jurídico. Essas ferramentas não podem ser treinadas na taxonomia personalizada de uma empresa, portanto, não podem categorizar documentos em classes específicas do escritório de advocacia, como 'acordo de não divulgação', nem extrair entidades personalizadas, como 'cláusula de indenização'. Como o requisito é para categorias personalizadas e entidades nomeadas personalizadas, essas funções de NLP genéricas pré-construídas são insuficientes.

B

Correta

Classificação de texto personalizada e reconhecimento de entidade nomeada personalizado

A classificação de texto personalizada e o reconhecimento de entidade nomeada (NER) personalizado são os recursos corretos do Azure AI Language. A classificação de texto personalizada permite treinar um modelo em documentos rotulados para atribuí-los às suas próprias categorias jurídicas (por exemplo, 'NDA', 'contrato de trabalho', 'suspensão de litígio'), enquanto o NER personalizado treina um modelo para extrair tipos de entidade definidos pelo usuário, como datas de vigência de contrato, cláusulas de lei aplicável ou partes nomeadas. Ambos exigem um conjunto de dados de treinamento rotulado e produzem um endpoint personalizado que infere rótulos e entidades estruturados a partir de novos documentos. Isso corresponde diretamente à necessidade do escritório de advocacia de categorizar documentos automaticamente e extrair informações específicas em nível de cláusula, ao contrário de qualquer serviço pré-construído genérico.

C

Incorreta

Resposta a perguntas e resumo de conversas

A resposta a perguntas e o resumo de conversas são projetados para cargas de trabalho diferentes. A resposta a perguntas do Azure AI Language retorna trechos de resposta de uma base de conhecimento ou de um conjunto de documentos em resposta a consultas, mas não atribui a cada documento um rótulo de categoria predefinido. O resumo de conversas (extrativo ou abstrativo) condensa uma transcrição de conversa em pontos principais ou um resumo; ele não classifica documentos em tipos jurídicos personalizados nem extrai entidades nomeadas estruturadas, como identificadores de cláusulas específicos. Essas ferramentas são destinadas a perguntas e respostas interativas ou para resumir chats/reuniões, não para categorização de documentos em lote em uma prática jurídica.

D

Incorreta

Detecção de idioma e tradução

A detecção de idioma e a tradução abordam propriedades linguísticas de nível superficial, não semântica ou estrutura específica do domínio. A detecção de idioma usa um classificador pré-construído para identificar o idioma dominante do texto (por exemplo, inglês vs. português), enquanto o Azure Translator converte texto entre idiomas usando tradução automática estatística ou neural. Nenhum dos recursos pode ser treinado nas categorias do próprio escritório de advocacia, e eles não produzem nenhuma classificação estruturada de documentos ou extração de entidades jurídicas. Como a tarefa exige a categorização de documentos em tipos específicos da empresa e a extração de entidades nomeadas personalizadas, essas operações em nível de idioma são irrelevantes e não podem atingir o objetivo.

Para se aprofundar

Esta questão testa a distinção entre modelos de NLP de uso geral pré-construídos e modelos treináveis personalizados no Azure AI Language. Recursos pré-construídos como análise de sentimento, extração de frases-chave, detecção de idioma e tradução são treinados em dados genéricos em escala da web e são fixos — você não pode injetar categorias ou tipos de entidade específicos do domínio. A classificação de texto personalizada e o NER personalizado, por outro lado, permitem que você traga documentos rotulados e treine um modelo supervisionado que aprende sua taxonomia e esquema de entidade específicos, e então o implante como um endpoint em tempo real ou em lote. Um ponto sutil, mas importante, é que modelos personalizados exigem um esquema de rotulagem bem projetado e dados de treinamento representativos suficientes (geralmente algumas dezenas a algumas centenas de exemplos por classe) para alcançar uma precisão confiável; caso contrário, o modelo sofrerá overfitting ou perderá casos extremos. Um equívoco comum é que a 'IA' pode categorizar qualquer texto imediatamente, mas, na prática, domínios jurídicos ou médicos quase sempre precisam de NLP personalizado porque o vocabulário, as estruturas de cláusulas e os tipos de entidade são altamente especializados. A implicação no mundo real para um escritório de advocacia é que o uso de classificação de texto personalizada e NER personalizado não apenas automatiza o roteamento de documentos para áreas de prática, mas também estrutura informações importantes (por exemplo, lei aplicável, data de rescisão) para fluxos de trabalho de pesquisa, conformidade e e-discovery posteriores.

Sobre estas questões de prática

Esta é uma das questões de prática originais de AI-900 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.