AI データ抽出パイプラインに関するクイズ

クイズに答えると、答えと解説が表示されます。

1. AI データ抽出パイプラインの主な目標は何ですか?
   • 非構造化ソースをスキーマに適合するクリーンな構造化データに変換するには
   • マーケティング画像を生成するため
   • 音声を音楽に変換するには
   • ビデオファイルを圧縮するには
2. What does schema-constrained generation aim to control in an extraction pipeline?
   • The truth of every extracted value without review
   • The requested fields and output structure, while semantic correctness still requires validation
   • The original layout of a scanned document after OCR
   • Whether the source document is authentic
3. OCR またはレイアウト解析ステージの役割は何ですか?
   • 元のファイルを削除するには
   • 文書を暗号化するには
   • テキストを復元し、抽出前にテーブルまたはフォームの構造を保持するには
   • ドキュメントをオーディオとして再生するには
4. 適切に設計されたパイプラインは信頼性の低い抽出をどのように処理するのでしょうか?
   • 彼らは黙ってそれらを捨てます
   • とにかく彼らは常に彼らを信頼しています
   • パイプライン全体を最初から再起動します
   • 彼らはレビューのためにそれらを人間にルーティングします
5. このようなパイプラインにおける検証ルールの一例は何ですか?
   • 明細項目の合計が合計され、日付が有効である必要があります
   • ファイルは青色でなければなりません
   • モデルはちょうど 100 単語を使用する必要があります
   • ドキュメントは横向きモードである必要があります
6. What two main phases does the ChatSchema paper describe for structured medical-report extraction?
   • Training a speech recognizer and then translating subtitles
   • Classifying report scenarios and then extracting structured fields
   • Rendering a 3D scene and then estimating camera motion
   • Ranking product recommendations and then choosing a route
7. Why validate extracted fields against a schema?
   • To prove all extracted facts are true
   • To replace the source document
   • To catch missing, malformed, or out-of-range values before downstream use
   • To eliminate OCR errors
8. What provenance should a robust extraction pipeline retain?
   • Only the final JSON output
   • The model temperature only
   • A summary with no source reference
   • Links to the source document and location supporting each extracted field