Quiz collegato alla guida · Medio Livello

Quiz sul punteggio principale dell'intelligenza artificiale

Valutare in che modo il punteggio principale utilizza i risultati storici, perché lo squilibrio di classe influisce sulla valutazione e perché la calibrazione e il monitoraggio della deriva sono importanti.

Percorsi guida correlatiPunteggio principale dell'IA
Domanda 1 di 8

In che modo il punteggio principale dell'intelligenza artificiale differisce principalmente dal tradizionale punteggio basato su regole?

Anteprima di ogni domanda8 domande

Le risposte e le spiegazioni vengono visualizzate mentre rispondi al quiz.

  1. In che modo il punteggio principale dell'intelligenza artificiale differisce principalmente dal tradizionale punteggio basato su regole?
    • Apprende i pesi dai dati di conversione storici invece di utilizzare punti fissi
    • Conta solo le aperture di posta elettronica
    • Non richiede alcun dato
    • Ignora le dimensioni dell’azienda e la qualifica professionale
  2. Quale attività di machine learning descrive meglio la previsione se un lead verrà convertito?
    • Segmentazione delle immagini
    • Classificazione binaria
    • Riconoscimento vocale
    • Apprendimento per rinforzo
  3. Perché la semplice precisione è una metrica inadeguata per valutare i modelli di lead scoring?
    • Accuracy directly measures calibration
    • Accuracy tells sales representatives why a lead will convert
    • Converters may be rare, so a model can appear accurate by predicting “no conversion” for nearly every lead
    • Accuracy automatically adjusts decision thresholds
  4. According to HubSpot’s lead-scoring documentation, which data can a custom score use?
    • Only a person’s name
    • Solo l'ora del giorno
    • Unlabeled audio waveforms
    • Record actions or properties selected for the scoring model
  5. What can a lead-scoring model return for each prospect?
    • A score or estimated conversion probability, which still needs evaluation
    • A probability that is automatically calibrated by definition
    • A guaranteed sales outcome
    • A legal determination of creditworthiness
  6. What does feature importance summarize in a tree-based lead-scoring model?
    • That a feature causes conversion
    • How influential a feature is in the model’s decisions under that importance method
    • That a feature is legally required
    • The future sales quota
  7. What does calibration mean for a lead-conversion score?
    • Every lead receives the same score
    • The model’s accuracy is always 100 percent
    • Predicted probabilities match observed conversion frequencies over comparable cases
    • Scores are sorted alphabetically by company
  8. Why should a lead-scoring model be monitored after deployment?
    • The original threshold can never become outdated
    • Monitoring makes labels unnecessary
    • A model score permanently captures market behavior
    • Lead behavior and the meaning of historical patterns can drift