# Quiz di fine capitolo

In questo capitolo abbiamo parlato di molti argomenti! Non preoccuparti se non hai capito tutto nel dettaglio: i prossimi capitoli ti aiuteranno a capire come molte di queste cose funzionano dietro le quinte.

Prima di procedere, però, verifichiamo cos'hai imparato in questo capitolo!

### 1. Esplora l'Hub e cerca il checkpoint `roberta-large-mnli`. Quale compito svolge?

roberta-large-mnli page."
		},
		{
			text: "Classificazione testuale",
			explain: "Più precisamente, determina se due frasi sono connesse logicamente su tre livelli associati alle etichette 'contradiction', 'neutral' e 'entailment'. Questo compito viene detto anche natural language inference.",
			correct: true
		},
		{
			text: "Generazione testuale",
			explain: "Rivisita il link e prova di nuovo: roberta-large-mnli page."
		}
	]}
/>

### 2. Cosa restituisce il codice seguente?

```py
from transformers import pipeline

ner = pipeline("ner", grouped_entities=True)
ner("My name is Sylvain and I work at Hugging Face in Brooklyn.")
```

sentiment-analysis."
		},
		{
			text: "Genera e restituisce testo che completa la frase di partenza.",
			explain: "Sbagliato! Se così fosse, si tratterebbe di una pipeline di tipo text-generation.",
		},
		{
			text: "Restituisce i termini che rappresentano persone, organizzazioni o luoghi.",
			explain: "Inoltre, grazie a grouped_entities=True, la pipeline è in grado di raggruppare le parole che appartengono alla stessa entità, come \"Hugging Face\".",
			correct: true
		}
	]}
/>

### 3. Cosa dovrebbe rimpiazzare "..." in questo estratto di codice?

```py
from transformers import pipeline

filler = pipeline("fill-mask", model="bert-base-cased")
result = filler("...")
```

 aspetta te.",
			explain: "Sbagliato. Controlla la card del modello bert-base-cased e cerca di capire il tuo errore."
		},
		{
			text: "Questo [MASK] aspetta te.",
			explain: "Corretto! Il mask token utilizzato dal modello è [MASK].",
			correct: true
		},
		{
			text: "Questo signore aspetta te.",
			explain: "Sbagliato. Questa pipeline completa parole nascoste, quindi necessita di un mask token nell'input."
		}
	]}
/>

### 4. Perché questo codice non funziona?

```py
from transformers import pipeline

classifier = pipeline("zero-shot-classification")
result = classifier("This is a course about the Transformers library")
```

candidate_labels=[...].",
			correct: true
		},
		{
			text: "Questa pipeline richiede diverse frasi, non solo una.",
			explain: "Sbagliato, anche se quando usata correttamente, questa pipeline può tranquillamente processare una lista di frasi (come tutte le altre pipeline)."
		},
		{
			text: "Come al solito, la libreria Transformer di 🤗 non funziona.",
			explain: "Ci rifiutiamo di commentare la tua risposta!"
		},
		{
			text: "Questa pipeline richiede un input più lungo. Quello fornito è troppo corto.",
			explain: "Sbagliato. Sappi che per processare testi molto lunghi, questa pipeline li deve troncare."
		}
	]}
/>

### 5. Cosa significa "transfer learning"?

### 6. Vero o falso? Solitamente un modello linguistico non richiede etichette in fase di pre-addestramento.

self-supervised, il che significa che le etichette sono create direttamente a partire dall'input (come quando una pipeline predice la parola seguente o indovina parole nascoste).",
			correct: true
		},
		{
			text: "Falso",
			explain: "La risposta non è corretta."
		}
	]}
/>

### 7. Seleziona la frase che meglio descrive i termini "modello," "architettura," e "pesi."

### 8. Quale dei seguenti modelli utilizzeresti per completare dei prompt con testo generato?

### 9. Quale dei seguenti modelli utilizzeresti per riassumere testi?

### 10. Quale dei seguenti modelli utilizzeresti per classificare input testuali sulla base di determinate etichette?

### 11. Qual è la possibile origine di un bias osservato in un modello?