FácilMúltipla escolha

Questão de prática de AI-900

Uma agência de notícias publica centenas de artigos diariamente. Ela deseja extrair automaticamente os principais tópicos discutidos em cada artigo, como 'política', 'economia' ou 'esportes', para categorizar o conteúdo sem tagueamento manual. Qual recurso interno do Azure AI Language ela deve usar?

Escolha a melhor resposta.

Resposta correta

  • AKey phrase extraction

Explicação

Key phrase extraction é a escolha correta porque identifica os principais tópicos ou assuntos discutidos em um documento, como 'política', 'economia' ou 'esportes', sem exigir tagueamento manual. Esse recurso retorna uma lista de frases-chave que representam o conteúdo principal de cada artigo, atendendo diretamente à necessidade de categorizar automaticamente o conteúdo por tópico.

Por que cada alternativa está certa ou errada

A

Correta

Key phrase extraction

A extração de frases-chave é a escolha correta porque usa modelos estatísticos e de NLP para destacar as expressões pluripalavras mais proeminentes em um documento, como 'últimas notícias' ou 'crise econômica', resumindo assim os principais tópicos do artigo. Ao contrário do NER ou da análise de sentimentos, ela foi projetada especificamente para retornar conceitos tópicos amplos em vez de entidades específicas ou tom emocional, tornando-a ideal para taguear automaticamente centenas de artigos diários para catalogação e busca.

B

Incorreta

Named entity recognition

O reconhecimento de entidades nomeadas está incorreto para este caso de uso porque identifica e classifica referências específicas e discretas, como nomes de pessoas, organizações, locais, datas e quantidades (por exemplo, 'Ana Silva', 'Nações Unidas', '2025'). Embora seja útil para extrair pontos de dados estruturados de um artigo de notícia, ele não resume nem deduz o tópico abrangente do artigo; uma lista de entidades pode aparecer em uma história sobre qualquer assunto, portanto, ele falha em atender ao objetivo da agência de rotulagem geral de tópicos.

C

Incorreta

Sentiment analysis

A análise de sentimentos está incorreta porque avalia o tom emocional do texto, produzindo uma pontuação de polaridade que varia de negativo a positivo (ou neutro), frequentemente usada para medir a opinião pública, a percepção de marca ou o humor nas redes sociais. Em um contexto de agregação de notícias, a agência precisa identificar sobre o que o artigo trata — seu assunto ou tema —, e não se o conteúdo expressa uma atitude favorável ou desfavorável. Portanto, a análise de sentimentos forneceria metadados irrelevantes para indexação e rotulagem baseadas em tópicos.

D

Incorreta

Language detection

A detecção de idioma está incorreta porque determina o idioma natural em que o texto está escrito (por exemplo, inglês, espanhol, francês) analisando a frequência de caracteres e padrões de léxico. Para uma agência de notícias que já conhece o idioma de seus artigos — ou que precisa de categorização baseada em tópicos independentemente do idioma —, essa capacidade não oferece nenhum insight sobre o assunto do conteúdo. Detectar que um artigo está, digamos, em inglês não lhe diz nada sobre seus principais tópicos, portanto, ela não pode cumprir o requisito de extrair resumos tópicos.

Para se aprofundar

O conceito subjacente é a extração de frases-chave do Azure AI Language, um recurso que usa processamento de linguagem natural (NLP) para identificar as palavras e frases mais importantes em texto não estruturado. O serviço normalmente emprega uma combinação de pontuação TF-IDF (frequência do termo-frequência inversa do documento) e algoritmos de ranqueamento baseados em grafos como o TextRank para determinar quais frases são estatisticamente distintivas e semanticamente centrais. Um equívoco comum é achar que o reconhecimento de entidades nomeadas (NER) pode substituir a extração de frases-chave; no entanto, o NER é limitado a tipos de entidades predeterminados (pessoa, local, organização, etc.) e não consegue gerar abstrações em nível de tópico, como 'política climática' ou 'interrupção na cadeia de suprimentos'. Na prática, as agências de notícias implantam a extração de frases-chave para automatizar a geração de metadados, melhorar a relevância da busca e alimentar sistemas de recomendação, porque as frases resultantes servem como tags de tópicos compactas e legíveis por humanos. Esse recurso é baseado em modelo e ciente do idioma, não exigindo treinamento personalizado, embora sua precisão possa variar com jargão específico de domínio ou artigos altamente técnicos.

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.