Ngân hàng đề — Google Cloud Generative AI Leader

Tìm thấy 556 câu.

Câu 1 Fundamentals of gen AI

A media company wants to use a foundation model to generate short video clips from text descriptions for social media.

When selecting a foundation model, which of the following characteristics would be the MOST critical initial consideration for this specific use case?

  1. A

    Availability of fine-tuning options
  2. B

    Cost per generated token
  3. C

    Modality (the type of data the model can process and generate)
  4. D

    The size of the model's context window for text input
Xem giải thích

Đáp án

C — Modality (loại dữ liệu mà mô hình xử lý và sinh ra).

Vì sao đúng

Nhu cầu là sinh VIDEO từ mô tả văn bản. Nếu mô hình không hỗ trợ modality đó thì mọi tiêu chí khác — giá, cửa sổ ngữ cảnh, khả năng tinh chỉnh — đều vô nghĩa.

⚠ Vì sao modality là bộ lọc ĐẦU TIÊN:

Chọn mô hình
        ↓
    ⚠ BƯỚC 1: nó có LÀM ĐƯỢC
      việc này không?
      → text-to-video?
        ↓
    ⚠ Nếu KHÔNG → loại ngay,
      không cần xét gì thêm
        ↓
    BƯỚC 2: chất lượng ra sao
    BƯỚC 3: chi phí bao nhiêu
    BƯỚC 4: có tinh chỉnh được không

⚠ Các modality thường gặp:

⚠ TEXT → TEXT
    → Gemini, các LLM

⚠ TEXT → ẢNH
    → Imagen

⚠ TEXT → VIDEO
    → ⚠ Veo — đúng nhu cầu đề này

⚠ TEXT → ÂM THANH / NHẠC
    → Chirp, Lyria

⚠ ĐA PHƯƠNG THỨC (multimodal)
    → ⚠ Gemini nhận text, ảnh,
      âm thanh, video làm ĐẦU VÀO

⚠ Vì sao ba phương án kia sai:

"Chi phí mỗi token sinh ra"
    → ⚠ quan trọng, nhưng chỉ xét
      SAU khi mô hình làm được việc
    → ⚠ và video không tính theo
      token như văn bản

"Cửa sổ ngữ cảnh cho văn bản đầu vào"
    → ⚠ mô tả video thường NGẮN

"Khả năng tinh chỉnh"
    → ⚠ tính năng nâng cao, xét sau

Vì sao các phương án khác sai

  • B (chi phí mỗi token) — phương án gần nhất vì chi phí luôn là mối quan tâm thật, nhưng nó chỉ có nghĩa sau khi đã lọc ra những mô hình làm được việc.

  • D (cửa sổ ngữ cảnh) và A (tinh chỉnh) — là tiêu chí ở vòng sau.

Ghi nhớ

⚠ Thứ tự chọn foundation model — bảng phải thuộc: | Bước | Tiêu chí | |---|---| | 1 | ⚠ MODALITY — có làm được loại việc này không | | 2 | ⚠ chất lượng đầu ra cho tác vụ cụ thể | | 3 | ⚠ độ trễ và thông lượng | | 4 | ⚠ CHI PHÍ | | 5 | ⚠ cửa sổ ngữ cảnh | | 6 | ⚠ tuỳ biến: tinh chỉnh, grounding | | 7 | ⚠ an toàn, tuân thủ, giấy phép |

Từ khoá nhận diện:

"loại dữ liệu vào và ra" → ⚠ modality "bao nhiêu chữ đưa vào được một lần" → ⚠ context window "dạy mô hình bằng dữ liệu riêng" → ⚠ fine-tuning "nối với dữ liệu của công ty" → ⚠ grounding

⚠ Mô hình sinh của Google — nên nhớ tên Mô hình
⚠ Gemini ⚠ đa phương thức, văn bản là chính
⚠ Imagen ⚠ sinh và chỉnh ẢNH
⚠ Veo ⚠ sinh VIDEO — đề này
Chirp giọng nói
Lyria âm nhạc
Codey / Gemini Code mã nguồn
Nơi truy cập ⚠ Vertex AI Model Garden
⚠ Đặc thù của sinh video Đặc thù
⚠ Tốn kém hơn nhiều so với văn bản ⚠ tính theo giây video
⚠ Độ trễ tính bằng phút ⚠ không phải giây
Độ dài clip có giới hạn ⚠ thường vài giây tới vài chục giây
⚠ Khó kiểm soát chi tiết ⚠ cần lặp lại prompt nhiều lần
⚠ Có watermark SynthID ⚠ đánh dấu nội dung do AI sinh
⚠ Việc phải tính khi đưa vào sản xuất Việc
⚠ Quy trình duyệt nội dung ⚠ AI sinh không đăng thẳng
Bản quyền và giấy phép thương mại ⚠ đọc điều khoản
Ghi rõ nội dung do AI tạo ⚠ nhiều nền tảng yêu cầu
Bộ lọc an toàn
Ước tính chi phí theo khối lượng ⚠ video đắt hơn ảnh rất nhiều

Ba câu hỏi kiểm chứng: | Câu hỏi | Vì sao hỏi | |---|---| | Mô hình có làm đúng modality không | ⚠ lọc trước tiên | | Chất lượng có đủ đăng không | ⚠ thử với prompt thật của bạn | | Chi phí cho khối lượng thật | ⚠ tính theo giây video × số clip/tháng |

Và trình tự đánh giá này áp dụng cho mọi lựa chọn mô hình sinh: khả năng làm được việc là bộ lọc, chất lượng và chi phí là tiêu chí xếp hạng. Đảo thứ tự lại — bắt đầu bằng việc so giá — thường dẫn tới việc dành nhiều thời gian phân tích những mô hình vốn không phù hợp ngay từ đầu.

Câu 2 Business strategies for a successful gen AI solution

A large enterprise is looking to adopt generative AI across multiple departments. They are concerned about establishing a consistent governance model for AI security, managing risks, and ensuring their AI deployments align with industry best practices and regulatory requirements.

Which Google Cloud offering or framework is specifically designed to help organizations address these AI security governance and risk management challenges?

  1. A

    Google Cloud's AI-optimized infrastructure (TPUs, GPUs)
  2. B

    Vertex AI Model Garden
  3. C

    Google Cloud's open approach to AI
  4. D

    Google's Secure AI Framework (SAIF)
Xem giải thích

Đáp án

D — Secure AI Framework (SAIF) của Google.

Vì sao đúng

SAIF là khung khái niệm do Google công bố, dành riêng cho việc quản trị bảo mật, quản lý rủi ro và tuân thủ khi triển khai AI — đúng ba mối lo của đề.

⚠ SAIF là gì:

⚠ KHUNG (framework), không phải
  một sản phẩm để bấm mua
        ↓
    ⚠ Mở rộng thực hành bảo mật
      phần mềm sang lĩnh vực AI
        ↓
    ⚠ Bao gồm: quản trị dữ liệu
      huấn luyện, bảo vệ mô hình,
      kiểm soát chuỗi cung ứng AI,
      giám sát và phản ứng sự cố
        ↓
    → ⚠ giúp doanh nghiệp có MỘT
      mô hình quản trị NHẤT QUÁN

⚠ Vì sao ba phương án kia sai:

"Hạ tầng tối ưu cho AI (TPU, GPU)"
    → ⚠ phần cứng, không phải
      khung quản trị

"Vertex AI Model Garden"
    → ⚠ DANH MỤC mô hình để chọn
      và triển khai

"Cách tiếp cận mở của Google với AI"
    → ⚠ triết lý về công nghệ mở,
      không phải khung bảo mật

Vì sao các phương án khác sai

  • B (Model Garden) — phương án gần nhất vì cũng là một phần của nền tảng AI doanh nghiệp và có yếu tố lựa chọn mô hình được kiểm duyệt, nhưng nó là nơi tìm và triển khai mô hình, không phải khung quản trị rủi ro.

  • A (TPU/GPU) và C (cách tiếp cận mở) — không giải quyết bài toán quản trị bảo mật.

Ghi nhớ

⚠ Sáu trụ cột của SAIF — nên nhớ ý: | Trụ cột | Nội dung | |---|---| | ⚠ Mở rộng nền tảng bảo mật sẵn có sang AI | ⚠ không làm lại từ đầu | | ⚠ Mở rộng phát hiện và phản ứng sang AI | ⚠ giám sát đầu vào/đầu ra mô hình | | Tự động hoá phòng thủ | ⚠ theo kịp tốc độ tấn công | | ⚠ Hài hoà kiểm soát trên toàn tổ chức | ⚠ một mô hình quản trị nhất quán | | Điều chỉnh kiểm soát và vòng phản hồi nhanh | ⚠ học từ sự cố | | ⚠ Đặt rủi ro AI trong BỐI CẢNH nghiệp vụ | ⚠ đánh giá rủi ro đầu-cuối |

Từ khoá nhận diện:

"khung quản trị bảo mật AI, rủi ro, tuân thủ" → ⚠ SAIF "danh mục mô hình để chọn" → ⚠ Model Garden "nguyên tắc đạo đức AI" → ⚠ 7 nguyên tắc AI của Google "phát hiện cấu hình sai, mối đe doạ" → ⚠ Security Command Center

⚠ Rủi ro đặc thù của AI — phải biết tên Rủi ro
⚠ Prompt injection ⚠ đầu vào lừa mô hình bỏ qua chỉ dẫn
⚠ Data poisoning ⚠ đầu độc dữ liệu huấn luyện
⚠ Rò rỉ dữ liệu qua đầu ra ⚠ mô hình nhắc lại dữ liệu nhạy cảm
Model theft / extraction ⚠ dò ngược mô hình qua nhiều lời gọi
⚠ Ảo giác (hallucination) ⚠ trả lời sai với giọng chắc chắn
Lạm dụng để tạo nội dung độc hại
Thiên vị trong đầu ra
⚠ Kiểm soát cụ thể trên Google Cloud Kiểm soát
IAM và VPC Service Controls ⚠ giới hạn ai gọi được mô hình
⚠ Bộ lọc an toàn của Vertex AI ⚠ chặn đầu vào/ra độc hại
⚠ Sensitive Data Protection ⚠ che PII trước khi đưa vào prompt
Audit log cho lời gọi mô hình ⚠ truy vết được
⚠ Grounding ⚠ giảm ảo giác bằng nguồn tin cậy
⚠ Human in the loop ⚠ duyệt trước khi dùng thật
⚠ Ba việc quản trị nên làm sớm Việc
⚠ Danh mục các ứng dụng AI đang dùng ⚠ thường có "shadow AI" không ai biết
Chính sách về dữ liệu được đưa vào prompt ⚠ cấm dán dữ liệu khách hàng vào công cụ ngoài
⚠ Quy trình duyệt trước khi đưa ra khách hàng

Ba câu hỏi kiểm chứng: | Câu hỏi | Vì sao hỏi | |---|---| | Có bao nhiêu ứng dụng AI đang chạy | ⚠ danh sách thường dài hơn dự kiến | | Dữ liệu nào đang đi vào prompt | ⚠ rủi ro rò rỉ lớn nhất | | Ai chịu trách nhiệm khi mô hình trả lời sai | ⚠ phải rõ trước khi triển khai |

Và rủi ro quản trị lớn nhất với AI trong doanh nghiệp thường không phải là mô hình bị tấn công, mà là những công cụ AI mà nhân viên đã tự dùng mà bộ phận bảo mật chưa biết. Vì vậy bước đầu tiên của mọi khung quản trị vẫn là kiểm kê những gì đang thực sự diễn ra.

Câu 3 Google Cloud's gen AI offerings

A retail company wants to build a sophisticated conversational AI agent for their website that can handle complex customer inquiries, guide users through product selection, and integrate with their inventory system. They are looking for a Google Cloud tool that simplifies the creation, deployment, and management of such custom agents, providing a comprehensive development environment.

Which Google Cloud offering is specifically designed for building these types of custom, enterprise-grade generative AI agents?

  1. A

    Vertex AI Agent Builder
  2. B

    Dialogflow CX
  3. C

    Google AI Studio
  4. D

    BigQuery
Xem giải thích

Đáp án

A — Vertex AI Agent Builder.

Vì sao đúng

Đề đòi một môi trường toàn diện để tạo, triển khai và quản lý agent AI sinh cấp doanh nghiệp, có khả năng tích hợp với hệ thống nội bộ (kho hàng). Đó chính là định vị của Vertex AI Agent Builder.

⚠ Agent Builder cung cấp gì:

⚠ DỰNG AGENT
    → định nghĩa mục tiêu, công cụ,
      hướng dẫn

⚠ GROUNDING
    → ⚠ nối với dữ liệu doanh nghiệp
      và tìm kiếm

⚠ GỌI CÔNG CỤ / API
    → ⚠ tra kho hàng, đặt đơn

⚠ TRIỂN KHAI và QUẢN LÝ
    → ⚠ phiên bản, đánh giá,
      giám sát, bảo mật doanh nghiệp

⚠ Vì sao ba phương án kia sai:

"Dialogflow CX"
    → ⚠ mạnh cho hội thoại theo
      LUỒNG định trước
    → ⚠ nay là MỘT PHẦN trong
      Agent Builder; câu hỏi đòi
      giải pháp TOÀN DIỆN cho agent
      AI sinh

"Google AI Studio"
    → ⚠ công cụ THỬ NGHIỆM prompt
      nhanh, không phải nền tảng
      triển khai doanh nghiệp

"BigQuery"
    → ⚠ kho dữ liệu phân tích

Vì sao các phương án khác sai

  • B (Dialogflow CX) — phương án gần nhất và là bẫy chính: nó thật sự dùng để dựng chatbot. Nhưng nó thiên về luồng hội thoại định trước, còn đề mô tả agent AI sinh linh hoạt với môi trường phát triển toàn diện — đúng phạm vi của Agent Builder.

  • C (AI Studio) — nơi thử prompt, không phải nền tảng sản xuất.

  • D (BigQuery) — dịch vụ dữ liệu.

Ghi nhớ

⚠ Công cụ AI sinh của Google — chọn theo mục đích: | Công cụ | Dùng khi | |---|---| | ⚠ Vertex AI Agent Builder | ⚠ agent doanh nghiệp, có công cụ và grounding | | Dialogflow CX | ⚠ hội thoại có luồng chặt chẽ | | Google AI Studio | ⚠ thử prompt nhanh, làm mẫu | | Vertex AI Studio | ⚠ thử nghiệm trong môi trường doanh nghiệp | | Model Garden | ⚠ chọn và triển khai mô hình | | Gemini API | tích hợp trực tiếp vào ứng dụng |

Từ khoá nhận diện:

"agent doanh nghiệp, tích hợp hệ thống nội bộ" → ⚠ Agent Builder "luồng hội thoại định sẵn" → Dialogflow CX "thử prompt nhanh" → ⚠ AI Studio "nối câu trả lời với dữ liệu công ty" → ⚠ grounding

⚠ Agent khác chatbot thường ở đâu Khác biệt
⚠ Agent CÓ THỂ HÀNH ĐỘNG ⚠ gọi API, tra kho, tạo đơn
⚠ Agent tự quyết trình tự các bước ⚠ không theo luồng cứng
Agent dùng công cụ ⚠ tool calling / function calling
Agent có bộ nhớ hội thoại
Chatbot luồng cứng ⚠ dự đoán được hơn, nhưng cứng nhắc
⚠ Bốn thành phần của một agent tốt Thành phần
⚠ Chỉ dẫn rõ ràng ⚠ agent được và KHÔNG được làm gì
⚠ Grounding vào dữ liệu thật ⚠ giảm ảo giác
⚠ Công cụ có kiểm soát ⚠ quyền tối thiểu cho mỗi API
⚠ Giới hạn và bàn giao cho người ⚠ biết khi nào phải chuyển cho nhân viên
⚠ Rủi ro khi agent được HÀNH ĐỘNG Rủi ro
⚠ Agent gọi API gây hậu quả thật ⚠ huỷ đơn, hoàn tiền
⚠ Prompt injection từ người dùng ⚠ lừa agent làm việc không được phép
Ảo giác về dữ liệu tồn kho ⚠ phải grounding, đừng để mô hình đoán
Phòng bằng ⚠ quyền tối thiểu cho từng công cụ
Và bằng ⚠ xác nhận của người cho hành động quan trọng

Ba việc kiểm chứng: | Việc | Cách | |---|---| | Agent gọi được API nào | ⚠ liệt kê và siết quyền từng cái | | Có thể bị lừa bằng prompt không | ⚠ thử tấn công prompt injection | | Khi không biết thì agent làm gì | ⚠ phải nói không biết, không được bịa |

Và ranh giới quan trọng nhất khi đưa một agent ra phục vụ khách hàng: phân biệt giữa việc agent được phép TRẢ LỜI và việc agent được phép LÀM. Trả lời sai thì sửa được bằng một lời xin lỗi; một hành động sai trên hệ thống đơn hàng thì không.

Câu 4 Techniques to improve gen AI model output

A customer service chatbot built with a generic Large Language Model sometimes provides inaccurate information about the company's specific return policies. To address this, the company decides to integrate the chatbot with its internal, up-to-date database of company policies.

This process of connecting the LLM's responses to the company's own verified information source is an example of grounding with what type of data?

  1. A

    Unstructured public data
  2. B

    First-party enterprise data
  3. C

    Third-party data
  4. D

    World data
Xem giải thích

Đáp án

B — First-party enterprise data (dữ liệu doanh nghiệp của chính công ty).

Vì sao đúng

Cơ sở dữ liệu chính sách nội bộ, do chính công ty sở hữu và cập nhật là dữ liệu bên thứ nhất (first-party). Nối câu trả lời của mô hình vào nguồn này chính là grounding.

⚠ Bốn loại dữ liệu để grounding:

⚠ FIRST-PARTY (bên thứ nhất)
    → ⚠ dữ liệu CỦA CHÍNH công ty:
      chính sách, sản phẩm, đơn hàng,
      tài liệu nội bộ
    → ⚠ ĐỀ NÀY

⚠ THIRD-PARTY (bên thứ ba)
    → ⚠ mua hoặc cấp phép từ
      nhà cung cấp dữ liệu

⚠ WORLD DATA
    → ⚠ dữ liệu công khai, ví dụ
      grounding bằng Google Search

DỮ LIỆU CÔNG KHAI PHI CẤU TRÚC
    → nguồn mở trên internet

⚠ Vì sao grounding cần thiết:

LLM chung chung
        ↓
    ⚠ chỉ biết những gì có trong
      dữ liệu huấn luyện
    ⚠ KHÔNG biết chính sách đổi trả
      của riêng công ty bạn
    ⚠ và sẽ ĐOÁN — tức ẢO GIÁC
        ↓
    ⚠ GROUNDING: bắt mô hình
      trả lời DỰA TRÊN tài liệu
      được cung cấp
        ↓
    → chính xác, cập nhật,
      ⚠ TRÍCH DẪN được nguồn

Vì sao các phương án khác sai

  • C (third-party data) — phương án gần nhất vì cũng là dữ liệu có kiểm soát đưa vào mô hình, nhưng đó là dữ liệu mua từ bên ngoài; ở đây là cơ sở dữ liệu nội bộ của chính công ty.

  • D (world data) và A (dữ liệu công khai phi cấu trúc) — không phải nguồn nội bộ đã được xác minh.

Ghi nhớ

⚠ Ba cách làm mô hình "biết" dữ liệu của bạn — bảng phải thuộc: | Cách | Nội dung | Khi nào | |---|---|---| | ⚠ Grounding / RAG | ⚠ tra tài liệu rồi đưa vào prompt | ⚠ dữ liệu THAY ĐỔI thường xuyên | | ⚠ Fine-tuning | ⚠ huấn luyện thêm trên dữ liệu riêng | ⚠ dạy PHONG CÁCH, định dạng | | Prompt engineering | ⚠ đưa ví dụ ngay trong prompt | ⚠ nhanh nhất, ít dữ liệu |

Từ khoá nhận diện:

"nối với dữ liệu công ty, giảm sai" → ⚠ grounding "dữ liệu của chính công ty" → ⚠ first-party "mua từ nhà cung cấp dữ liệu" → third-party "tìm trên internet" → ⚠ world data / Google Search grounding

⚠ RAG hoạt động ra sao Bước
1. Người dùng hỏi
⚠ 2. Chuyển câu hỏi thành embedding
⚠ 3. Tìm đoạn tài liệu LIÊN QUAN ⚠ vector search
⚠ 4. Đưa đoạn đó VÀO PROMPT ⚠ cùng câu hỏi
5. Mô hình trả lời DỰA TRÊN đoạn đó
⚠ 6. Trích dẫn nguồn ⚠ người dùng kiểm chứng được
⚠ Vì sao grounding thường tốt hơn fine-tuning Lý do
⚠ Cập nhật tài liệu là xong ⚠ không phải huấn luyện lại
⚠ Trích dẫn được nguồn ⚠ fine-tuning không làm được
Kiểm soát quyền truy cập ⚠ chỉ tra tài liệu người đó được xem
Rẻ hơn nhiều
Fine-tuning hợp khi ⚠ cần đổi PHONG CÁCH hoặc định dạng đầu ra
⚠ Công cụ trên Google Cloud Công cụ
⚠ Vertex AI Search ⚠ grounding vào kho tài liệu doanh nghiệp
Vertex AI Agent Builder ⚠ agent có grounding sẵn
⚠ Grounding with Google Search ⚠ cho dữ liệu thế giới
Vector Search ⚠ tìm theo ngữ nghĩa
BigQuery vector search ⚠ nếu dữ liệu đã ở BigQuery
⚠ Grounding không tự động giải quyết mọi thứ Cảnh báo
⚠ Tài liệu SAI thì câu trả lời cũng SAI ⚠ chất lượng nguồn quyết định
Tìm không ra đoạn đúng ⚠ chất lượng chunking và embedding
⚠ Mô hình vẫn có thể bịa thêm ⚠ cần yêu cầu trích dẫn và kiểm
Quyền truy cập tài liệu ⚠ đừng để lộ tài liệu nội bộ qua chatbot

Ba việc kiểm chứng: | Việc | Cách | |---|---| | Câu trả lời có trích nguồn không | ⚠ bắt buộc với thông tin chính sách | | Tài liệu nguồn có cập nhật không | ⚠ grounding vào tài liệu cũ vẫn sai | | Hỏi thứ không có trong tài liệu thì sao | ⚠ phải nói không biết, không được đoán |

Và phép thử quan trọng nhất cho một hệ thống có grounding: hỏi nó một câu mà tài liệu nguồn không hề đề cập. Câu trả lời đúng duy nhất là thừa nhận không có thông tin — nếu mô hình vẫn đưa ra một câu trả lời nghe hợp lý, thì grounding chưa được cấu hình đủ chặt.

Câu 5 Techniques to improve gen AI model output

A financial advisory firm uses a generative AI model to draft initial investment recommendations for clients. To ensure accuracy and compliance, all AI-generated drafts must be reviewed and approved by a certified financial advisor before being sent to clients.

This process of incorporating expert human oversight into the AI workflow is an example of which recommended practice?

  1. A

    Human in the Loop (HITL)
  2. B

    Fine-tuning
  3. C

    Prompt Engineering
  4. D

    Grounding
Xem giải thích

Đáp án

A — Human in the Loop (HITL) — con người trong vòng lặp.

Vì sao đúng

Bản nháp do AI sinh ra phải được chuyên gia có chứng chỉ xem xét và phê duyệt trước khi gửi cho khách hàng. Đó đúng là mô hình Human in the Loop.

⚠ Vì sao HITL cần thiết ở đây:

Khuyến nghị đầu tư
        ↓
    ⚠ Hậu quả TÀI CHÍNH thật
    ⚠ Ràng buộc PHÁP LÝ và tuân thủ
    ⚠ Mô hình có thể ẢO GIÁC
        ↓
    ⚠ AI làm phần SOẠN THẢO
    ⚠ Người làm phần CHỊU TRÁCH NHIỆM
        ↓
    → ⚠ nhanh hơn, mà vẫn có
      người chịu trách nhiệm cuối

⚠ Vì sao ba phương án kia sai:

"Fine-tuning"
    → ⚠ huấn luyện thêm mô hình
      trên dữ liệu riêng

"Prompt Engineering"
    → ⚠ viết câu lệnh cho tốt

"Grounding"
    → ⚠ nối câu trả lời với nguồn
      dữ liệu tin cậy

⚠ Cả ba đều cải thiện chất lượng đầu ra, nhưng không phải cơ chế giám sát của con người.

Vì sao các phương án khác sai

  • D (Grounding) — phương án gần nhất vì cũng nhằm đảm bảo tính chính xác, nhưng nó làm điều đó bằng cách cung cấp nguồn dữ liệu cho mô hình, không phải bằng người duyệt.

  • B (fine-tuning) và C (prompt engineering) — kỹ thuật cải thiện mô hình, không phải quy trình duyệt.

Ghi nhớ

⚠ Bốn kỹ thuật — phân biệt cho rõ: | Kỹ thuật | Làm gì | |---|---| | ⚠ Human in the Loop | ⚠ NGƯỜI duyệt trước khi dùng | | Grounding / RAG | ⚠ nối với nguồn dữ liệu tin cậy | | Fine-tuning | ⚠ huấn luyện thêm trên dữ liệu riêng | | Prompt engineering | ⚠ viết câu lệnh tốt hơn |

Từ khoá nhận diện:

"người duyệt trước khi gửi" → ⚠ HITL "nối với dữ liệu công ty" → grounding "dạy mô hình phong cách riêng" → fine-tuning "viết lại câu lệnh cho rõ" → prompt engineering

⚠ Khi nào BẮT BUỘC có HITL Khi
⚠ Hậu quả tài chính hoặc pháp lý ⚠ đề này
Y tế, chẩn đoán
Tuyển dụng, tín dụng ⚠ rủi ro phân biệt đối xử
⚠ Nội dung công bố ra ngoài ⚠ rủi ro thương hiệu
Hành động không đảo ngược được ⚠ xoá dữ liệu, chuyển tiền
⚠ Ba mức giám sát của con người Mức
⚠ Human IN the loop ⚠ người duyệt TỪNG kết quả — chặt nhất
⚠ Human ON the loop ⚠ người GIÁM SÁT, can thiệp khi cần
Human OUT of the loop ⚠ hoàn toàn tự động — chỉ cho việc rủi ro thấp
Chọn theo ⚠ mức độ hậu quả nếu sai
⚠ Thiết kế HITL cho hiệu quả Nguyên tắc
⚠ Đừng biến người thành con dấu ⚠ duyệt hàng trăm bản/giờ là duyệt hình thức
⚠ Làm nổi bật chỗ mô hình KHÔNG CHẮC ⚠ để người tập trung đúng chỗ
⚠ Hiện nguồn trích dẫn ⚠ kiểm nhanh hơn
⚠ Ghi lại điều chỉnh của người ⚠ dữ liệu quý để cải thiện mô hình
Đo tỉ lệ sửa ⚠ cho biết mô hình đang tốt tới đâu
⚠ HITL liên quan tới nguyên tắc AI có trách nhiệm Liên quan
⚠ Accountability ⚠ AI chịu trách nhiệm trước con người
Explainability ⚠ người duyệt phải hiểu được
An toàn ⚠ giảm rủi ro đầu ra có hại
Tuân thủ ⚠ nhiều ngành BẮT BUỘC có người quyết

Ba câu hỏi kiểm chứng: | Câu hỏi | Vì sao hỏi | |---|---| | Người duyệt có đủ thời gian không | ⚠ quá tải thì HITL chỉ còn hình thức | | Tỉ lệ sửa là bao nhiêu | ⚠ rất thấp có thể nghĩa là không ai đọc thật | | Ai chịu trách nhiệm khi sai | ⚠ phải rõ ràng trước khi triển khai |

Và cái bẫy phổ biến nhất khi triển khai HITL: giao cho một người khối lượng duyệt lớn tới mức việc duyệt trở thành hình thức. Khi đó tổ chức có đủ giấy tờ về quy trình giám sát, nhưng không thực sự có sự giám sát nào — và đó là tình huống rủi ro hơn cả việc không có HITL, vì nó tạo cảm giác an toàn giả.

Câu 6 Google Cloud's gen AI offerings

A large financial institution is planning to adopt generative AI for various internal processes, including sensitive data analysis and customer interaction. Their primary concern is ensuring that the AI platform they choose adheres to strict security protocols, offers robust data privacy controls, and can reliably handle fluctuating workloads.

Which aspect of Google Cloud's AI platform directly addresses these enterprise needs?

  1. A

    Its low-code/no-code development tools
  2. B

    Its wide range of pre-trained models
  3. C

    Its enterprise-ready features like security, privacy, and scalability
  4. D

    Its commitment to open-source contributions
Xem giải thích

Đáp án

C — Các tính năng sẵn sàng cho doanh nghiệp như bảo mật, quyền riêng tư và khả năng mở rộng.

Vì sao đúng

Đề nêu ba mối lo, và cả ba đều được liệt kê trong đúng một phương án: giao thức bảo mật nghiêm ngặt, kiểm soát quyền riêng tư dữ liệu, xử lý được khối lượng công việc biến động.

⚠ Ba mối lo khớp một-một:

"giao thức bảo mật nghiêm ngặt"
    → ⚠ SECURITY

"kiểm soát quyền riêng tư dữ liệu"
    → ⚠ PRIVACY

"xử lý tải BIẾN ĐỘNG"
    → ⚠ SCALABILITY

⚠ Điều mà tổ chức tài chính quan tâm nhất:

⚠ DỮ LIỆU CỦA TÔI ĐI ĐÂU?
    → ⚠ Vertex AI: dữ liệu KHÔNG
      dùng để huấn luyện mô hình
      nền của Google
        ↓
    ⚠ AI TRUY CẬP ĐƯỢC?
    → IAM, VPC Service Controls,
      CMEK
        ↓
    ⚠ CÓ TRUY VẾT ĐƯỢC KHÔNG?
    → audit log cho mọi lời gọi
        ↓
    ⚠ TẢI TĂNG ĐỘT BIẾN THÌ SAO?
    → hạ tầng có quản lý, co giãn

⚠ Vì sao ba phương án kia sai:

"Công cụ low-code/no-code"
    → ⚠ tiện lợi, không giải quyết
      bảo mật hay quyền riêng tư

"Nhiều mô hình huấn luyện sẵn"
    → ⚠ về khả năng, không về
      yêu cầu doanh nghiệp

"Cam kết với mã nguồn mở"
    → ⚠ về tính linh hoạt và
      chống khoá chân

Vì sao các phương án khác sai

  • D (cam kết mã nguồn mở) — phương án gần nhất vì cũng là một điểm mạnh thật của Google Cloud và có liên quan tới rủi ro dài hạn, nhưng nó nói về chống khoá chân, không phải bảo mật và quyền riêng tư.

  • A và B — nói về sự tiện lợi và phạm vi mô hình.

Ghi nhớ

⚠ Tính năng doanh nghiệp của Vertex AI — bảng nên thuộc: | Nhóm | Tính năng | |---|---| | ⚠ Quyền riêng tư dữ liệu | ⚠ prompt và dữ liệu KHÔNG dùng huấn luyện mô hình nền | | ⚠ Kiểm soát truy cập | ⚠ IAM, VPC Service Controls | | Mã hoá | ⚠ mặc định, và CMEK nếu cần khoá riêng | | ⚠ Vị trí dữ liệu | ⚠ chọn vùng — cho chủ quyền dữ liệu | | Audit log | ⚠ truy vết mọi lời gọi | | Bộ lọc an toàn | ⚠ chặn đầu vào/ra độc hại | | Co giãn | ⚠ hạ tầng có quản lý | | Cam kết bồi thường | ⚠ về bản quyền cho một số dịch vụ sinh |

Từ khoá nhận diện:

"bảo mật, riêng tư, co giãn" → ⚠ tính năng sẵn sàng doanh nghiệp "khung quản trị rủi ro AI" → ⚠ SAIF "chống khoá chân" → công nghệ mở "thử prompt nhanh" → AI Studio

⚠ AI Studio và Vertex AI — khác nhau ở đâu Khác biệt
Google AI Studio ⚠ thử nghiệm nhanh, làm mẫu
⚠ Vertex AI ⚠ doanh nghiệp: IAM, VPC-SC, audit, SLA
Chọn thế nào ⚠ dữ liệu thật của công ty → Vertex AI
⚠ Câu hỏi tuân thủ phải trả lời được Câu hỏi
⚠ Dữ liệu có được dùng để huấn luyện không ⚠ câu hỏi số một của mọi ngành có quản lý
Dữ liệu lưu ở vùng nào ⚠ chủ quyền dữ liệu
Ai gọi được mô hình ⚠ IAM
⚠ Có che PII trước khi gửi không ⚠ Sensitive Data Protection
Lưu log prompt bao lâu ⚠ prompt cũng là dữ liệu
⚠ Rủi ro riêng tư hay bị bỏ qua Rủi ro
⚠ Nhân viên dán dữ liệu khách vào công cụ AI ngoài ⚠ rủi ro lớn nhất trong thực tế
Prompt chứa PII bị ghi vào log
Mô hình nhắc lại dữ liệu trong ngữ cảnh ⚠ cho người không có quyền
Phòng bằng ⚠ chính sách rõ + công cụ nội bộ được duyệt

Ba việc kiểm chứng: | Việc | Cách | |---|---| | Dữ liệu có bị dùng huấn luyện không | ⚠ đọc điều khoản của đúng dịch vụ đang dùng | | Nhân viên đang dùng công cụ AI nào | ⚠ kiểm kê — thường có công cụ ngoài luồng | | PII có bị đưa vào prompt không | ⚠ che trước bằng DLP |

Và với các ngành có quản lý chặt, câu hỏi quyết định việc chọn nền tảng thường chỉ có một: dữ liệu đưa vào mô hình có được dùng để huấn luyện tiếp hay không. Câu trả lời cho dịch vụ doanh nghiệp là không — nhưng đáng đọc lại điều khoản của đúng dịch vụ đang dùng thay vì suy đoán từ một sản phẩm khác.

Câu 7 Fundamentals of gen AI

A company is developing a generative AI-powered customer service chatbot. After initial deployment, they notice the chatbot frequently provides answers that, while grammatically correct, are not pertinent to the customers' specific queries about their new product line. The chatbot was trained on a vast dataset of general customer service interactions from the last five years, but this dataset has minimal information about the recently launched products.

Which characteristic of data quality is most likely lacking and causing this issue?

  1. A

    Cost
  2. B

    Completeness
  3. C

    Consistency
  4. D

    Relevance
Xem giải thích

Đáp án

D — Relevance (tính liên quan).

Vì sao đúng

Chatbot trả lời đúng ngữ pháp nhưng KHÔNG liên quan tới câu hỏi về dòng sản phẩm mới, vì dữ liệu huấn luyện hầu như không có thông tin về sản phẩm đó. Dữ liệu không LIÊN QUAN tới nhiệm vụ hiện tại.

⚠ Phân biệt Relevance và Completeness:

⚠ RELEVANCE
    → ⚠ dữ liệu có LIÊN QUAN tới
      bài toán đang giải không?
    → ⚠ có 5 năm dữ liệu, nhưng
      là về sản phẩm CŨ
    → ⚠ ĐỀ NÀY

COMPLETENESS
    → ⚠ dữ liệu có ĐẦY ĐỦ TRƯỜNG,
      không thiếu giá trị không?
    → ví dụ: 30% bản ghi thiếu
      cột ngày mua

⚠ Ở đây tập dữ liệu rất lớn và đầy đủ, chỉ là nói về chuyện khác.

⚠ Cách chữa:

⚠ GROUNDING / RAG
    → ⚠ nối chatbot với tài liệu
      sản phẩm MỚI
    → ⚠ cách nhanh và rẻ nhất

Bổ sung dữ liệu về sản phẩm mới
Đánh giá lại định kỳ

Vì sao các phương án khác sai

  • B (Completeness) — phương án gần nhất và là bẫy chính: nghe như "thiếu dữ liệu về sản phẩm mới". Nhưng completeness nói về thiếu giá trị trong bản ghi, còn đây là dữ liệu đầy đủ nhưng nói về chủ đề khác.

  • C (Consistency) — nói về mâu thuẫn giữa các nguồn.

  • A (Cost) — không phải một chiều chất lượng dữ liệu.

Ghi nhớ

⚠ Các chiều chất lượng dữ liệu — bảng phải thuộc: | Chiều | Câu hỏi | |---|---| | ⚠ Relevance | ⚠ có LIÊN QUAN tới bài toán không | | ⚠ Completeness | ⚠ có THIẾU giá trị không | | ⚠ Consistency | ⚠ các nguồn có MÂU THUẪN không | | Accuracy | ⚠ có ĐÚNG không | | ⚠ Timeliness | ⚠ có MỚI không | | Representativeness | ⚠ có đại diện cho thực tế không |

Từ khoá nhận diện:

"trả lời không đúng chủ đề, dữ liệu về chuyện khác" → ⚠ relevance "thiếu trường, thiếu giá trị" → completeness "hai hệ thống ghi khác nhau" → consistency "dữ liệu cũ, không cập nhật" → ⚠ timeliness

⚠ Vì sao "dữ liệu lớn" không đủ Lý do
⚠ Lớn mà không liên quan thì vô dụng ⚠ đề này
Lớn mà thiên lệch thì mô hình thiên lệch
⚠ Lớn mà cũ thì trả lời sai hiện tại
Nguyên tắc ⚠ chất lượng và tính phù hợp quan trọng hơn khối lượng
⚠ Chữa từng vấn đề bằng cách nào Cách
⚠ Thiếu liên quan / thiếu mới ⚠ GROUNDING vào tài liệu hiện hành
Cần đổi phong cách, định dạng ⚠ fine-tuning
Thiếu ví dụ cho tình huống cụ thể ⚠ few-shot trong prompt
Dữ liệu mâu thuẫn ⚠ xác định nguồn chân lý duy nhất
Dữ liệu thiếu giá trị ⚠ làm sạch ở bước Transform
⚠ Vì sao grounding là câu trả lời cho đề này Lý do
⚠ Sản phẩm mới ra LIÊN TỤC ⚠ huấn luyện lại mỗi lần là không khả thi
⚠ Cập nhật tài liệu là xong ⚠ hiệu lực ngay
Trích dẫn được nguồn
Rẻ hơn fine-tuning rất nhiều
⚠ Đánh giá chatbot cho đúng Cách
⚠ Bộ câu hỏi thử có SẢN PHẨM MỚI ⚠ đúng chỗ đang hỏng
Đo tỉ lệ trả lời đúng, không chỉ trôi chảy ⚠ hai thứ khác nhau
⚠ Theo dõi câu hỏi bị chuyển cho người ⚠ chỉ ra khoảng trống kiến thức
Thu thập phản hồi của khách

Ba câu hỏi kiểm chứng: | Câu hỏi | Vì sao hỏi | |---|---| | Dữ liệu có nói về ĐÚNG chủ đề không | ⚠ relevance | | Dữ liệu mới tới đâu | ⚠ timeliness | | Đã thử grounding chưa | ⚠ thường giải quyết được ngay |

Và điều dễ gây hiểu lầm nhất khi đánh giá một chatbot: câu trả lời trôi chảy và câu trả lời đúng là hai thứ hoàn toàn khác nhau. Mô hình ngôn ngữ giỏi việc thứ nhất theo mặc định — việc thứ hai thì phải do dữ liệu bạn cung cấp quyết định.

Câu 8 Google Cloud's gen AI offerings

An online retailer wants to significantly improve the product discovery experience on their e-commerce website. They aim to provide customers with highly relevant search results, even for complex or vaguely worded queries, and offer personalized recommendations. They need an enterprise-grade solution that can be customized to their product catalog and user data.

Which Google Cloud offering is specifically designed to power this kind of advanced search and recommendation capability for businesses?

  1. A

    Apigee API Management
  2. B

    Cloud SQL for database management
  3. C

    Vertex AI Search
  4. D

    Google Workspace with Gemini integration
Xem giải thích

Đáp án

C — Vertex AI Search.

Vì sao đúng

Đề cần tìm kiếm chất lượng cao cho truy vấn mơ hồ và gợi ý cá nhân hoá, ở mức doanh nghiệp, tuỳ biến theo danh mục sản phẩm và dữ liệu người dùng. Đó là đúng phạm vi của Vertex AI Search.

⚠ Vì sao tìm kiếm truyền thống không đủ:

Khách gõ "áo mặc đi tiệc mùa đông"
        ↓
    ⚠ Tìm theo TỪ KHOÁ
    → ⚠ không có sản phẩm nào
      chứa đúng cụm từ đó
    → ⚠ trả về rỗng, khách rời đi
        ↓
    ⚠ Tìm theo NGỮ NGHĨA
    → ⚠ hiểu Ý ĐỊNH: áo, trang trọng,
      chất liệu ấm
    → ⚠ trả về sản phẩm phù hợp

⚠ Vertex AI Search cung cấp:

⚠ Tìm kiếm ngữ nghĩa dựa trên
  chất lượng tìm kiếm của Google
⚠ Gợi ý cá nhân hoá
⚠ Tuỳ biến theo danh mục và
  dữ liệu người dùng của bạn
⚠ Grounding cho ứng dụng AI sinh
⚠ Kiểm soát doanh nghiệp: quyền,
  bảo mật, lọc theo người dùng

⚠ Vì sao ba phương án kia sai:

"Apigee API Management"
    → ⚠ quản lý API

"Cloud SQL"
    → ⚠ CSDL quan hệ; `LIKE` không
      phải tìm kiếm ngữ nghĩa

"Google Workspace với Gemini"
    → ⚠ năng suất nội bộ, không
      phải tìm kiếm cho website
      thương mại điện tử

Đối chiếu #13858 (cùng lô) — Agent Builder để dựng agent hội thoại; Vertex AI Search để làm tìm kiếm và gợi ý. Hai thứ nằm cùng một họ và thường dùng chung: Search làm nguồn grounding cho agent. Không mâu thuẫn.

Vì sao các phương án khác sai

  • D (Workspace với Gemini) — phương án gần nhất vì cũng là AI của Google có khả năng tìm kiếm thông minh, nhưng nó phục vụ nhân viên trong nội bộ, không phải trải nghiệm mua sắm của khách trên website.

  • A (Apigee) và B (Cloud SQL) — thuộc lĩnh vực khác.

Ghi nhớ

⚠ Họ sản phẩm AI sinh cho doanh nghiệp — bảng nên thuộc: | Sản phẩm | Dùng cho | |---|---| | ⚠ Vertex AI Search | ⚠ tìm kiếm, gợi ý, grounding | | ⚠ Vertex AI Agent Builder | ⚠ agent hội thoại có công cụ | | Dialogflow CX | luồng hội thoại chặt | | Vertex AI Studio | thử nghiệm doanh nghiệp | | Model Garden | ⚠ chọn và triển khai mô hình |

Từ khoá nhận diện:

"tìm kiếm thông minh, gợi ý cá nhân hoá" → ⚠ Vertex AI Search "agent hội thoại, gọi API" → Agent Builder "nối câu trả lời với dữ liệu công ty" → ⚠ grounding "tìm theo ý nghĩa, không theo từ khoá" → ⚠ vector / semantic search

⚠ Tìm theo từ khoá và theo ngữ nghĩa Khác biệt
Từ khoá ⚠ khớp chuỗi — nhanh, chính xác với mã sản phẩm
⚠ Ngữ nghĩa ⚠ hiểu Ý ĐỊNH, xử lý được câu mơ hồ
⚠ Hybrid ⚠ kết hợp cả hai — thường tốt nhất
Cách hoạt động ⚠ embedding + vector search
⚠ Vì sao tìm kiếm quan trọng với thương mại điện tử Lý do
⚠ Người dùng tìm kiếm có ý định mua CAO hơn nhiều
⚠ Kết quả rỗng = khách rời đi ⚠ mất doanh thu trực tiếp
Gợi ý tốt tăng giá trị đơn hàng
Đo bằng ⚠ tỉ lệ tìm kiếm không kết quả, tỉ lệ chuyển đổi từ tìm kiếm
⚠ Việc cần làm để tìm kiếm tốt Việc
⚠ Dữ liệu sản phẩm SẠCH và ĐẦY ĐỦ ⚠ mô tả nghèo nàn thì tìm kiếm cũng kém
Đồng bộ tồn kho ⚠ đừng gợi ý hàng đã hết
⚠ Lọc theo quyền và theo vùng
Theo dõi truy vấn không có kết quả ⚠ mỏ vàng để cải thiện
A/B test thay đổi xếp hạng

Ba việc kiểm chứng: | Việc | Cách | |---|---| | Bao nhiêu % tìm kiếm không ra kết quả | ⚠ chỉ số quan trọng nhất | | Truy vấn mơ hồ có ra đúng không | ⚠ thử bằng ngôn ngữ khách hàng thật dùng | | Mô tả sản phẩm có đủ chi tiết không | ⚠ quyết định chất lượng tìm kiếm |

Và nguồn cải thiện tìm kiếm dễ khai thác nhất mà nhiều đội chưa động tới: danh sách những truy vấn trả về không kết quả. Đó là những câu khách hàng thật sự gõ vào, kèm theo bằng chứng rằng hệ thống đã không giúp được họ.

Câu 9 Fundamentals of gen AI

A startup is developing an application that allows users to type a short story plot, and the application then generates a unique, coherent, and contextually relevant oil painting visualizing a key scene from that plot.

Which specific type of generative AI model is most likely at the core of the image creation capability?

  1. A

    Supervised Learning Model
  2. B

    Large Language Model (LLM)
  3. C

    Diffusion Model
  4. D

    Reinforcement Learning Model
Xem giải thích

Đáp án

C — Diffusion Model (mô hình khuếch tán).

Vì sao đúng

Sinh ảnh từ mô tả văn bản là địa hạt của mô hình khuếch tán — kiến trúc đứng sau hầu hết các hệ thống sinh ảnh hiện nay, trong đó có Imagen của Google.

⚠ Diffusion model hoạt động ra sao:

HUẤN LUYỆN
    → lấy ảnh thật
    → ⚠ thêm nhiễu DẦN DẦN cho tới
      khi thành nhiễu hoàn toàn
    → ⚠ mô hình học cách ĐẢO NGƯỢC
      quá trình đó

SINH ẢNH
    → ⚠ bắt đầu từ NHIỄU ngẫu nhiên
    → ⚠ khử nhiễu từng bước
    → ⚠ ĐƯỢC DẪN HƯỚNG bởi mô tả
      văn bản
        ↓
    → ảnh mới, chưa từng tồn tại,
      khớp với mô tả

⚠ Vì sao ba phương án kia sai:

"Large Language Model (LLM)"
    → ⚠ sinh VĂN BẢN
    → ⚠ trong hệ thống này LLM có thể
      diễn giải cốt truyện, nhưng
      phần TẠO ẢNH là diffusion

"Supervised Learning Model"
    → ⚠ một PHƯƠNG PHÁP HỌC
      (phân loại, hồi quy), không phải
      kiến trúc sinh ảnh

"Reinforcement Learning Model"
    → ⚠ học qua thưởng/phạt —
      robot, game

Vì sao các phương án khác sai

  • B (LLM) — phương án gần nhất và là bẫy chính: LLM là mô hình sinh nổi tiếng nhất và có thể tham gia hệ thống này ở khâu hiểu cốt truyện. Nhưng nó sinh văn bản, không vẽ ảnh.

  • A (học có giám sát) và D (học tăng cường) — là phương pháp học, không phải kiến trúc mô hình sinh ảnh.

Ghi nhớ

⚠ Kiến trúc mô hình sinh theo modality — bảng phải thuộc: | Modality | Kiến trúc điển hình | Sản phẩm Google | |---|---|---| | Văn bản | ⚠ Transformer / LLM | ⚠ Gemini | | ⚠ Ảnh | ⚠ DIFFUSION | ⚠ Imagen | | Video | ⚠ diffusion + transformer | ⚠ Veo | | Âm thanh, nhạc | diffusion, transformer | Chirp, Lyria | | Đa phương thức | ⚠ transformer đa phương thức | ⚠ Gemini |

Từ khoá nhận diện:

"sinh ảnh từ mô tả" → ⚠ diffusion model "sinh văn bản, tóm tắt, hội thoại" → LLM "phân loại, dự đoán số" → ⚠ học có giám sát "học qua thưởng phạt" → học tăng cường

⚠ Ba nhóm phương pháp học — đừng lẫn với kiến trúc Nhóm
⚠ Có giám sát ⚠ dữ liệu CÓ NHÃN — phân loại, hồi quy
⚠ Không giám sát ⚠ KHÔNG nhãn — phân cụm
⚠ Tăng cường ⚠ học qua thưởng/phạt
Lưu ý ⚠ đây là CÁCH HỌC, khác với KIẾN TRÚC (transformer, diffusion)
⚠ Đặc điểm của sinh ảnh Đặc điểm
⚠ Cùng prompt cho ảnh KHÁC nhau ⚠ có yếu tố ngẫu nhiên — dùng seed để lặp lại
⚠ Prompt càng cụ thể càng tốt ⚠ phong cách, ánh sáng, bố cục, góc nhìn
Negative prompt ⚠ nói rõ điều KHÔNG muốn
⚠ Chỉnh sửa ảnh có sẵn ⚠ inpainting, outpainting
Watermark SynthID ⚠ đánh dấu nội dung do AI sinh
⚠ Cân nhắc khi dùng ảnh AI trong sản phẩm Cân nhắc
⚠ Bản quyền và giấy phép thương mại ⚠ đọc điều khoản của mô hình
⚠ Ghi rõ nội dung do AI tạo ⚠ nhiều nền tảng yêu cầu
Bộ lọc an toàn ⚠ tránh nội dung có hại
⚠ Không tạo hình người thật ⚠ rủi ro pháp lý và đạo đức
Duyệt trước khi công bố ⚠ HITL

Ba câu hỏi kiểm chứng: | Câu hỏi | Vì sao hỏi | |---|---| | Chất lượng có đủ dùng thật không | ⚠ thử với prompt thật của bạn | | Có được dùng thương mại không | ⚠ kiểm giấy phép | | Ai duyệt trước khi công bố | ⚠ cần quy trình rõ |

Và điều tạo nên khác biệt lớn nhất về chất lượng ảnh sinh ra thường không phải mô hình, mà là độ cụ thể của mô tả. "Một bức tranh sơn dầu" và "tranh sơn dầu theo phong cách ấn tượng, ánh sáng hoàng hôn ấm, nét cọ dày, bố cục ba phần" cho ra hai kết quả cách nhau rất xa — với cùng một mô hình.

Câu 10 Google Cloud's gen AI offerings

A marketing professional frequently needs to draft various types of content, from blog posts and social media updates to email campaigns. They are looking for a personal AI assistant that can help them brainstorm ideas, generate initial drafts, and even summarize research articles. They also value the ability to customize the AI's behavior for specific recurring tasks.

Which Google Cloud offering, designed for personal productivity, best fits these requirements?

  1. A

    BigQuery ML
  2. B

    Google Cloud Contact Center AI (CCAI)
  3. C

    Vertex AI Platform
  4. D

    The Gemini app, particularly with Gemini features like Gems
Xem giải thích

Đáp án

D — Ứng dụng Gemini, đặc biệt là các tính năng như Gems.

Vì sao đúng

Đề mô tả nhu cầu năng suất CÁ NHÂN: nghĩ ý tưởng, viết bản nháp, tóm tắt tài liệu — và tuỳ biến hành vi của AI cho những việc lặp đi lặp lại. Đó là Gems trong ứng dụng Gemini.

⚠ Gems là gì:

⚠ Phiên bản Gemini được TUỲ BIẾN
  cho MỘT công việc cụ thể
        ↓
    ⚠ Bạn viết sẵn chỉ dẫn:
      vai trò, giọng văn, định dạng,
      những điều cần tránh
        ↓
    ⚠ Lần sau chỉ cần đưa nội dung,
      không phải gõ lại chỉ dẫn
        ↓
    Ví dụ: "Gem viết bài blog",
    "Gem tóm tắt nghiên cứu",
    "Gem soạn email chiến dịch"

⚠ Vì sao ba phương án kia sai:

"Vertex AI Platform"
    → ⚠ nền tảng cho ĐỘI KỸ THUẬT
      xây ứng dụng AI, không phải
      trợ lý cá nhân

"Contact Center AI"
    → ⚠ tổng đài chăm sóc khách hàng

"BigQuery ML"
    → ⚠ dựng mô hình bằng SQL

Vì sao các phương án khác sai

  • C (Vertex AI Platform) — phương án gần nhất vì cũng dùng chính mô hình Gemini và làm được những việc này về mặt kỹ thuật, nhưng nó là nền tảng cho lập trình viên, không phải trợ lý cho một người làm marketing.

  • B (CCAI) và A (BigQuery ML) — phục vụ mục đích khác hẳn.

Ghi nhớ

⚠ Gemini xuất hiện ở đâu — bảng phải thuộc: | Nơi | Dành cho | |---|---| | ⚠ Ứng dụng Gemini (+ Gems) | ⚠ cá nhân, năng suất hằng ngày | | ⚠ Gemini trong Workspace | ⚠ ngay trong Docs, Gmail, Sheets, Meet | | Gemini Code Assist | ⚠ lập trình viên, trong IDE | | Gemini trong Cloud Console | ⚠ hỗ trợ vận hành đám mây | | ⚠ Vertex AI / Gemini API | ⚠ đội kỹ thuật xây ứng dụng | | Google AI Studio | thử prompt nhanh |

Từ khoá nhận diện:

"trợ lý cá nhân, tuỳ biến việc lặp lại" → ⚠ ứng dụng Gemini + Gems "ngay trong Docs và Gmail" → ⚠ Gemini trong Workspace "xây ứng dụng AI cho công ty" → Vertex AI "tổng đài khách hàng" → CCAI

⚠ Viết một Gem tốt gồm gì Thành phần
⚠ VAI TRÒ ⚠ "bạn là biên tập viên nội dung marketing"
⚠ NHIỆM VỤ cụ thể ⚠ rõ ràng, một việc
⚠ GIỌNG VĂN và đối tượng đọc
⚠ ĐỊNH DẠNG đầu ra ⚠ độ dài, cấu trúc, có tiêu đề phụ không
Điều CẦN TRÁNH ⚠ từ ngữ, khẳng định không kiểm chứng
Ví dụ mẫu ⚠ few-shot — cải thiện rất nhiều
⚠ Prompt engineering — kỹ thuật cơ bản Kỹ thuật
⚠ Zero-shot ⚠ hỏi thẳng, không ví dụ
⚠ Few-shot ⚠ đưa vài ví dụ mẫu
⚠ Chain-of-thought ⚠ yêu cầu suy luận từng bước
Role prompting ⚠ gán vai cho mô hình
Nêu rõ ràng buộc ⚠ độ dài, giọng, định dạng
Nguyên tắc ⚠ cụ thể luôn thắng chung chung
⚠ Lưu ý khi dùng AI cho nội dung marketing Lưu ý
⚠ Luôn có người biên tập ⚠ HITL — bản nháp không phải bản đăng
⚠ Kiểm chứng mọi SỐ LIỆU và trích dẫn ⚠ mô hình có thể bịa
Đừng dán dữ liệu khách vào công cụ cá nhân ⚠ dùng công cụ doanh nghiệp
Giữ giọng riêng của thương hiệu ⚠ nội dung AI dễ nhàn nhạt giống nhau
Ghi rõ nếu quy định yêu cầu

Ba câu hỏi kiểm chứng: | Câu hỏi | Vì sao hỏi | |---|---| | Việc nào đang lặp lại nhiều nhất | ⚠ đó là ứng viên tốt nhất cho một Gem | | Có dữ liệu nhạy cảm trong prompt không | ⚠ chuyển sang công cụ doanh nghiệp | | Ai biên tập trước khi đăng | ⚠ luôn cần |

Và cách khai thác một trợ lý AI hiệu quả nhất không phải là hỏi những câu ngày càng hay hơn, mà là nhận ra công việc nào mình lặp lại hằng tuần rồi đóng gói chỉ dẫn cho nó một lần. Phần tiết kiệm đến từ việc không phải mô tả lại bối cảnh mỗi lần bắt đầu.