AI901-Concept#119-1
注: この問題は、同じ前提を持つ一連の問題の一部です。それぞれの問題には異なる解決策が提示されます。
前提
ある報道機関が、毎日 1 万件以上の英語ニュース記事を収集・分類・検索する社内ナレッジ ベースを Azure AI Foundry で構築しています。記事から主要トピック / 関連企業 / 関係人物 / 発生日付を自動抽出して構造化メタデータとして検索できる状態にする必要があります。
解決策
Azure AI Language の key phrase extraction API を呼び出して主要トピックを抽出し、同 API の named entity recognition (NER) で企業名 / 人物名 / 日付を抽出して構造化フィールドとしてデータベースに登録するパイプラインを構築します。
この解決策は目的を満たしますか?
解説
【判定: はい】の理由
ニュース記事の自動構造化は Azure AI Language の代表的なユース ケースで、key phrase extraction + NER の組み合わせは Microsoft Learn の公式チュートリアルにも掲載される標準パターンです。key phrase extraction が記事の核心トピックを抽出し、NER が企業 / 人物 / 場所 / 日付などのエンティティを ISO 標準カテゴリーで識別します。両 API は同じ Azure AI Language エンドポイントで呼べ、Foundry SDK の AzureAILanguage クライアントから REST 呼び出しでき、バッチ モードと非同期モードの両方をサポートします。1 万件規模の日次処理にも対応可能で、データベース登録は標準の ETL パイプラインで実装できます。
【「いいえ」が違う理由】
本構成は Microsoft 公式のニュース解析パターンに完全合致し、技術的にも運用的にも適切な設計です。「目的を満たさない」と判断する根拠はありません。
ニュース記事の自動構造化は Azure AI Language の代表的なユース ケースで、key phrase extraction + NER の組み合わせは Microsoft Learn の公式チュートリアルにも掲載される標準パターンです。key phrase extraction が記事の核心トピックを抽出し、NER が企業 / 人物 / 場所 / 日付などのエンティティを ISO 標準カテゴリーで識別します。両 API は同じ Azure AI Language エンドポイントで呼べ、Foundry SDK の AzureAILanguage クライアントから REST 呼び出しでき、バッチ モードと非同期モードの両方をサポートします。1 万件規模の日次処理にも対応可能で、データベース登録は標準の ETL パイプラインで実装できます。
【「いいえ」が違う理由】
本構成は Microsoft 公式のニュース解析パターンに完全合致し、技術的にも運用的にも適切な設計です。「目的を満たさない」と判断する根拠はありません。
コメント