Викторина, связанная с руководством · Средний Уровень

Викторина по основам НЛП

Практикуйте выбор задач НЛП, границы токенов, диапазоны сущностей, контекст, усечение входных данных, сохранение доказательств и оценку конкретной задачи.

Связанные направляющие путиОсновы НЛП
Вопрос 1 из 8

Приложение должно назначить одну категорию каждому сообщению клиента. Какой тип вывода НЛП подходит для этой задачи?

Предварительный просмотр каждого вопроса8 вопросы

Ответы и пояснения появляются по мере прохождения теста.

  1. Приложение должно назначить одну категорию каждому сообщению клиента. Какой тип вывода НЛП подходит для этой задачи?
    • A document-level classification label
    • A sequence of new translated sentences
    • Character spans marking names only
    • A transcript of audio that was never supplied
  2. В предложении руководства «Мина из Northstar Labs сказала, что задержка запуска разочаровала», что может обозначать задача по распознаванию объектов?
    • The overall sentiment as a single document label
    • Mina as a person and Northstar Labs as an organization
    • Перевод на французский язык
    • A summary claiming why the launch was delayed
  3. Почему токенизатор может разбить написанное слово на несколько токенов?
    • Token boundaries always match syllables exactly
    • It must first translate every input
    • Token units depend on the tokenizer and can include word pieces
    • Every tokenizer removes all punctuation before processing
  4. Поскольку «отложенный запуск разочаровал», какой результат лучше всего соответствует задаче по настроению?
    • A span marking “launch” as an organization
    • Перевод на другой язык
    • A list of the sentence’s tokens only
    • A label describing the expressed reaction as negative
  5. Классификатор текста не справляется с сарказмом и отрицанием, типичными для реального пользовательского ввода. Что делать команде?
    • Build evaluation examples reflecting language conditions the application encounters
    • Remove context so every phrase is isolated
    • Assume tidy benchmark accuracy covers every style
    • Ask the model to label its own errors without checking
  6. Why keep an original passage beside information extracted by an NLP system?
    • To guarantee the extraction is correct without review
    • So a reader can confirm the extracted result in context
    • To convert named entities into new model parameters
    • To remove the need to evaluate the application
  7. A long document is silently truncated before processing. What is the main risk named by the guide?
    • The model will automatically recover every omitted paragraph
    • The text becomes a structured database
    • Important sections may be removed from the input
    • Truncation changes the author of the document
  8. A team has a narrow text-routing task. What comparison does the guide recommend considering?
    • Only the largest language model available
    • A model that ignores the task definition
    • A model output without any evaluation examples
    • A simple rule or keyword baseline alongside more complex systems