MédiaMúltipla escolha

Questão de prática de AI-900

Um hospital coleta feedback de experiência do paciente em formato de texto livre. Eles precisam (1) extrair automaticamente menções específicas de sintomas (por exemplo, 'dor de cabeça', 'febre', 'fadiga') do texto e (2) determinar o tom emocional geral de cada feedback (por exemplo, positivo, negativo, neutro). Qual combinação de recursos do Azure AI Language eles devem usar?

Escolha a melhor resposta.

Resposta correta

  • AA. Reconhecimento de entidades e análise de sentimentos

Explicação

O hospital precisa de duas capacidades distintas de PLN (NLP): extrair menções de sintomas específicos (reconhecimento de entidades) e determinar o tom emocional (análise de sentimentos). O reconhecimento de entidades do Azure AI Language identifica entidades nomeadas, como sintomas, enquanto a análise de sentimentos avalia o texto em busca de sentimentos positivos, negativos ou neutros. Juntos, eles atendem diretamente a ambos os requisitos sem recursos estranhos.

Por que cada alternativa está certa ou errada

A

Correta

A. Reconhecimento de entidades e análise de sentimentos

O reconhecimento de entidades extrai entidades nomeadas, como sintomas, de texto livre, enquanto a análise de sentimentos retorna um tom geral positivo, negativo ou neutro por documento. Juntos, eles atendem a ambos os requisitos: extração de sintomas e classificação do tom emocional de cada entrada de feedback de paciente.

B

Incorreta

B. Extração de frases-chave e resposta a perguntas

A extração de frases-chave retorna termos salientes em vez de entidades de sintomas rotuladas, e a resposta a perguntas recupera respostas de uma base de conhecimento em vez de pontuar o sentimento. É tentador porque ambos são recursos do Azure AI Language; seria correto para exibir tópicos principais e responder a FAQs de um conjunto de documentos.

C

Incorreta

C. Detecção de idioma e classificação de texto

A detecção de idioma identifica em qual idioma o texto está escrito, e a classificação de texto atribui categorias personalizadas ou predefinidas; nenhum deles extrai entidades de sintomas nem pontua a polaridade do sentimento. É tentador como um par de análise de texto; seria correto para rotear feedback multilíngue ou rotular documentos em categorias personalizadas.

D

Incorreta

D. Resumo e tradução

O resumo condensa o texto em frases-chave e a tradução converte entre idiomas, portanto nenhum deles extrai menções de sintomas ou determina tom positivo, negativo ou neutro. É tentador porque ambos processam texto livre; seria correto para produzir resumos concisos ou localizar feedback em outro idioma.

Para se aprofundar

O reconhecimento de entidades do Azure AI Language usa um modelo NER pré-treinado que retorna entidades categorizadas como Pessoa, Organização e, para o domínio da saúde, o modelo Text Analytics for Health pode extrair sintomas, medicamentos e diagnósticos com deslocamentos (offsets) e pontuações de confiança. A análise de sentimentos retorna pontuações em nível de documento e de frase de zero a um para positivo, neutro e negativo, além de mineração de opiniões (opinion mining) que vincula o sentimento a aspectos específicos. Um comportamento sutil é que o modelo de saúde requer um ponto de extremidade (endpoint) separado e é focado no inglês, enquanto o NER genérico pode não rotular 'dor de cabeça' como sintoma. Isso importa quando um hospital deseja fazer a triagem de feedbacks em texto livre: o reconhecimento de entidades isola menções clínicas para análise de tendências, e a análise de sentimentos quantifica a satisfação do paciente, fornecendo conjuntamente extração estruturada e tom sem a necessidade de construir modelos personalizados.

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.