Cuestionario sobre datos PII sintéticos y aumento de datos
Última actualización: 15 de septiembre de 2026
Preguntas de opción múltiple
¿Cuál es el orden correcto para las paráfrasis y las variantes de OCR de una misma fuente?
- A) Generar todas las variantes y luego dividir los ID de registro al azar
- B) Asignar las familias de fuentes a las particiones y luego aumentar solo los datos de entrenamiento
- C) Asignar cada variante a una partición diferente
- D) Copiar primero los errores de prueba a los datos de entrenamiento
Mostrar respuesta
Respuesta: B
Todos los descendientes deben permanecer en la misma partición que su familia de origen para evitar filtraciones entre particiones de la fuente y sus variantes.
¿Cuántos registros de entrenamiento se obtienen de 24 familias con una base y dos variantes cada una?
- A) 24
- B) 48
- C) 72
- D) 120
Mostrar respuesta
Respuesta: C
24 × 3 = 72. Cada una de las ocho familias de validación y prueba conserva solo su versión base.
¿Qué se requiere al sustituir un nombre sintético?
- A) Cambiar solo el ID del registro
- B) Cambiar la fuente y conservar el TSV
- C) Cambiar el TSV y conservar la fuente
- D) Actualizar conjuntamente la fuente, las entidades y el TSV, y registrar el linaje
Mostrar respuesta
Respuesta: D
Vuelva a generar las etiquetas de referencia a partir de la fuente transformada. La mera presencia de una cadena todavía no demuestra que la semántica sea correcta ni que la anotación esté completa.
¿Qué demuestra el laboratorio mediante la separación por familia y por fuente exacta?
- A) Las familias y las fuentes NFC idénticas no se distribuyen entre particiones
- B) Todas las personas y los identificadores quedan separados entre particiones
- C) Todas las plantillas quedan separadas entre particiones
- D) Se valida la generalización en el mundo real
Mostrar respuesta
Respuesta: A
Se comparten algunos nombres, plantillas y dominios. La exclusión de entidades, plantillas o dominios requiere un diseño aparte.
Después de transformar un documento negativo que solo contiene una centralita excluida por esta política, ¿cuál debería ser su objetivo?
- A) Añadir la centralita como PHONE
- B) Dejar vacíos tanto el campo de entidades como
target_tsv - C) Añadir un tipo UNKNOWN
- D) Añadir todos los números como ACCOUNT
Mostrar respuesta
Respuesta: B
Los ejemplos sin entidades son importantes. Defina los ejemplos negativos para el dominio y verifique durante el entrenamiento real que se supervise EOS para las respuestas vacías.
¿Por qué puede este laboratorio rechazar una etiqueta omitida incluso después de volver a calcular los hashes de los archivos?
- A) Los hashes autentican al productor
- B) Encuentra toda la información de identificación personal (PII) en cualquier documento de cliente
- C) También vuelve a comprobar el contenido con la semilla y la receta fija de familias
- D) Mide automáticamente la puntuación F1 del modelo
Mostrar respuesta
Respuesta: C
Esto comprueba la reproducibilidad del ejercicio sintético fijo, no las anotaciones arbitrarias ni la identidad del productor.
¿Qué se debe mantener constante o registrar al comparar el entrenamiento original con el aumentado?
- A) Elegir el mejor resultado inspeccionando la prueba repetidamente
- B) Comparar solo la cantidad de archivos
- C) Comparar solo el éxito de generación
- D) Usar la misma validación y decodificación, y registrar los presupuestos de ejemplos, tokens y pasos
Mostrar respuesta
Respuesta: D
Incluso con el mismo número de pasos, el modelo puede recibir cantidades y longitudes de datos diferentes. Use la validación para seleccionar candidatos.
¿Por qué la suma de las intersecciones históricas por pares 22, 36 y 9 difiere de los 51 grupos de fuentes únicos que cruzan particiones?
- A) Las fuentes que aparecen en las tres particiones se cuentan en varias intersecciones por pares
- B) Las fuentes NFC siempre identifican documentos diferentes
- C) Todos los ID de registro son idénticos
- D) 51 es el recuento de errores del modelo entrenado
Mostrar respuesta
Respuesta: A
La suma de las intersecciones por pares no equivale al recuento de grupos de fuentes únicos. Estas son observaciones de datos de CPU, no métricas de rendimiento del modelo.