微软Azure AI基础：聊天机器人与机器学习实践

"AI-900_91中文版" 本文档主要介绍了微软Azure人工智能基础知识认证考试AI-900的相关内容，包括人工智能在商业应用中的益处、机器学习数据分割方法、模型评估指标以及负责任的人工智能实践。 1. 商业利益与人工智能解决方案 在创建网络聊天机器人以自动化常见客户询问的回答时，企业可以期待减少客户服务人员的工作量（B选项）。这允许客服团队专注于更复杂的问题，提高效率，同时降低运营成本。然而，增加销售（A选项）并非直接结果，虽然更好的客户服务体验可能间接促进销售，但这不是主要的商业利益。 2. 机器学习数据分割 在机器学习项目中，数据应随机地分为训练集和评估集（B选项）。这是为了确保模型在未见过的数据上也能表现良好，避免过拟合。特征用于训练模型，而标签用于评估模型的性能。选项A和C的训练与评估要素互换，不正确；选项D按列分割数据是不常见的做法，且不适用于此情境。 3. 模型评估：混淆矩阵 混淆矩阵是评估分类模型性能的重要工具。方框1中的11代表真阳性（TP），即模型正确预测为正类的样本数量。方框2中的1,033代表假阴性（FN），即模型错误地预测为负类的正样本数量。这些指标用于计算准确率、召回率等其他性能指标。 4. 负责任的人工智能与透明度原则 在使用自动机器学习UI构建模型时，为了遵循微软负责任的人工智能的透明度原则，应当确保模型的决策过程可解释（B选项）。设置验证类型为自动（A选项）虽然有助于优化模型，但并不直接关联到透明度原则。 此外，了解Azure Machine Learning中数据分割的技术，如百分比分割，以及如何评估模型性能（如使用混淆矩阵），是AI-900考试的关键部分。参考文献提供了进一步的学习资源，如Azure官方文档和有关模型性能评估的文章。在实践中，理解并应用这些概念对于构建和部署可靠的人工智能解决方案至关重要。