DifícilMúltipla escolha

Questão de prática de AI-900

Um escritório de advocacia precisa extrair automaticamente entidades personalizadas como 'Party Name', 'Effective Date' e 'Governing Law' de contratos. Eles têm um conjunto de contratos rotulados manualmente para usar como dados de treinamento. Qual recurso do Azure AI Language eles devem usar?

Escolha a melhor resposta.

Resposta correta

  • CCustom Named Entity Recognition (Custom NER)

Explicação

Custom Named Entity Recognition (Custom NER) é a escolha correta porque permite que o escritório de advocacia treine um modelo em seus contratos rotulados manualmente para extrair entidades específicas de domínio como 'Party Name', 'Effective Date' e 'Governing Law'. Ao contrário do NER integrado, que reconhece apenas tipos de entidade predefinidos, o Custom NER aprende com os dados rotulados fornecidos para identificar categorias personalizadas adaptadas às necessidades do escritório.

Por que cada alternativa está certa ou errada

A

Incorreta

Key Phrase Extraction

Key Phrase Extraction retorna termos salientes de texto não estruturado sem rótulos personalizados ou tipos de entidade, portanto, não pode aprender 'Party Name' ou 'Governing Law'. É tentador porque processa contratos prontos para uso e serviria para resumir temas em documentos, não para treinar um modelo de extração personalizado com dados rotulados.

B

Incorreta

Entity Linking

Entity Linking mapeia menções em texto para entradas em uma base de conhecimento; ele não pode aprender tipos de entidade personalizados a partir de exemplos rotulados. É tentador porque extrai entidades nomeadas, mas esse cenário pertence ao reconhecimento de entidade nomeada personalizada (Custom NER), que treina nos contratos rotulados do escritório para identificar Party Name, Effective Date e Governing Law.

C

Correta

Custom Named Entity Recognition (Custom NER)

Custom NER treina em seus contratos rotulados para extrair tipos de entidade personalizados como 'Party Name' e 'Governing Law', que os modelos pré-construídos não conseguem reconhecer. O conjunto de dados rotulado manualmente é exatamente a entrada de treinamento que esse recurso requer, satisfazendo a restrição de esquema personalizado.

D

Incorreta

Built-in Named Entity Recognition

Built-in Named Entity Recognition detecta apenas suas categorias pré-treinadas — pessoas, organizações, datas, locais — e não pode gerar rótulos personalizados como 'Governing Law'. É tentador porque não precisa de dados de treinamento, e estaria correto se o escritório quisesse que entidades genéricas fossem extraídas de contratos sem exemplos rotulados.

Para se aprofundar

O Custom NER no Azure AI Language permite treinar um modelo em seu próprio texto rotulado para extrair tipos de entidade específicos de domínio, como Party Name, Effective Date e Governing Law. Você fornece documentos rotulados no Language Studio, treina o modelo e o implanta em um endpoint que retorna intervalos de entidades e pontuações de confiança. O NER integrado reconhece categorias gerais (pessoa, organização, data e hora), mas não campos jurídicos personalizados, e o Entity Linking mapeia menções a uma base de conhecimento em vez de extrair rótulos arbitrários. Uma sutileza: o Custom NER precisa de um número mínimo de exemplos rotulados por entidade (normalmente 10 a 15) e se beneficia de anotação consistente; rótulos inconsistentes em todos os contratos degradam a precisão, o que importa quando os fluxos de trabalho de revisão posteriores dependem de alto recall para cláusulas.

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.