MédiaMúltipla escolha

Questão de prática de AI-900

Uma empresa de varejo deseja analisar automaticamente milhares de avaliações de produtos para identificar os aspectos mencionados com mais frequência, como 'duração da bateria' (battery life), 'qualidade da tela' (screen quality) e 'atendimento ao cliente' (customer service). Eles planejam usar um recurso pré-construído do Azure AI Language sem nenhum treinamento personalizado. Qual recurso eles devem usar?

Escolha a melhor resposta.

Resposta correta

  • BExtração de frases-chave (Key phrase extraction)

Explicação

A extração de frases-chave é a escolha correta porque foi projetada especificamente para identificar e extrair as palavras ou frases mais importantes de texto não estruturado, como avaliações de produtos. Esse recurso pré-construído do Azure AI Language não requer treinamento personalizado e traz diretamente à tona aspectos mencionados com frequência, como 'duração da bateria' ou 'qualidade da tela', analisando a frequência e a relevância dos termos.

Por que cada alternativa está certa ou errada

A

Incorreta

Text Analytics for Health

O Text Analytics for Health é um modelo especializado pré-treinado no Azure AI Language projetado exclusivamente para texto clínico e biomédico, reconhecendo entidades como condições, medicamentos, procedimentos e suas relações associadas. Não é aplicável a avaliações de produtos de varejo porque sua base de conhecimento é ajustada à terminologia de saúde e não extrairá conceitos voltados para o consumidor, como 'portabilidade' ou 'velocidade de carregamento'. Usá-lo resultaria em resultados irrelevantes ou vazios, pois as entidades específicas do domínio simplesmente não se alinham com a linguagem geral do varejo.

B

Correta

Extração de frases-chave (Key phrase extraction)

A extração de frases-chave, um recurso do serviço Azure AI Language, analisa automaticamente o texto e retorna uma lista classificada dos principais conceitos e frases importantes, pontuando cada um por relevância. Não é supervisionada e não requer dados de treinamento rotulados personalizados, tornando-a ideal para processar milhares de avaliações de produtos para expor aspectos mencionados com frequência, como 'duração da bateria' ou 'interface do usuário'. Ao contrário da análise de sentimento, ela se concentra no que está sendo discutido, não na polaridade emocional, apoiando diretamente a identificação de quais recursos os clientes mencionam com mais frequência.

C

Incorreta

Vinculação de entidades (Entity linking)

A vinculação de entidades é um recurso do Azure AI Language que identifica entidades nomeadas — como pessoas, organizações, locais e produtos específicos — e as desambigua vinculando-as a entradas em uma base de conhecimento como Wikipedia ou Wikidata. Isso a torna adequada para encontrar nomes próprios, mas não extrai frases descritivas de várias palavras, como 'duração da bateria' ou 'qualidade de construção durável', que não são entidades nomeadas canônicas. Consequentemente, ela perderia os próprios aspectos que um varejista deseja rastrear nas avaliações de produtos, porque são conceitos de nomes comuns em vez de entidades referenciadas ambíguas.

D

Incorreta

Análise de sentimento (Sentiment analysis)

A análise de sentimento no Azure AI Language rotula o texto como positivo, negativo, misto ou neutro e fornece pontuações de confiança nos níveis de documento e frase com base no tom emocional. Está incorreta aqui porque apenas diz se uma opinião é favorável ou desfavorável; ela não extrai os aspectos específicos que estão sendo revisados, como 'duração da bateria' ou 'atendimento ao cliente'. Portanto, em milhares de avaliações, a análise de sentimento pode agregar a aprovação geral, mas não pode revelar quais atributos do produto estão sendo elogiados ou criticados.

Para se aprofundar

Esta questão testa a distinção entre os recursos de análise de texto pré-construídos do Azure AI Language, especificamente extração de frases-chave versus análise de sentimento, vinculação de entidades e modelos específicos de domínio. A extração de frases-chave usa algoritmos que detectam termos salientes com base na frequência do termo, contexto e estrutura linguística, retornando frases que representam os tópicos principais; ela não emite nenhum julgamento sobre o sentimento. A análise de sentimento, em contrapartida, aplica modelos de classificação para pontuar a polaridade, mas confundir sentimento com tópico é um erro comum: saber que uma avaliação é negativa não diz o porquê de ser negativa. A vinculação de entidades e o reconhecimento de entidades nomeadas (NER) têm como alvo nomes próprios e entidades conhecidas, de modo que frases descritivas genéricas ficam fora de seu escopo. O Text Analytics for Health é um modelo hiperespecializado cuja distribuição de treinamento é esmagadoramente clínica, e usá-lo em texto de varejo destaca como a seleção do modelo deve corresponder ao domínio. Na análise de avaliações do mundo real, uma arquitetura comum é executar a extração de frases-chave para agregar recursos salientes e, em seguida, executar a análise de sentimento nas frases ao redor para derivar opiniões em nível de aspecto, demonstrando que essas APIs são complementares e não intercambiáveis.

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.