Ngân hàng đề — Google Cloud Generative AI Leader

Đáp án

B — Sensitive Data Protection (trước đây là Cloud DLP) và Dataplex.

Vì sao đúng

Đề nêu hai yêu cầu quản trị dữ liệu, và cặp dịch vụ này phủ đúng cả hai:

⚠ Ghép hai yêu cầu:

1. "TỰ ĐỘNG PHÁT HIỆN và
    PHÂN LOẠI PII trong tập dữ liệu"
    → ⚠ Sensitive Data Protection
    → ⚠ quét, nhận diện, gắn nhãn
      hơn 150 loại dữ liệu nhạy cảm

2. "NGĂN PII lọt vào dữ liệu
    huấn luyện"
    → ⚠ DLP che/xoá/mã hoá giữ định dạng
    → ⚠ Dataplex quản trị: gắn nhãn,
      áp chính sách, kiểm soát
      luồng dữ liệu

⚠ Vai trò của mỗi cái:

⚠ Sensitive Data Protection
   → ⚠ TÌM và XỬ LÝ dữ liệu nhạy cảm

⚠ Dataplex
   → ⚠ QUẢN TRỊ: danh mục, dòng dõi
     dữ liệu, chất lượng, chính sách
   → ⚠ biết dữ liệu nào ở đâu, ai dùng

Vì sao các phương án khác sai

• D (Vertex AI Feature Store và Pipelines) — ⚠ bẫy hợp lý nhất vì đây là công cụ ML thật và Pipelines có thể chạy bước làm sạch. Nhưng chúng ⚠ không TỰ phát hiện PII — chúng chỉ là nơi bạn gọi công cụ khác vào.

• C (BigQuery và Cloud SQL) — ⚠ nơi CHỨA dữ liệu, không phải công cụ phát hiện và phân loại.

• A (Cloud Logging và Cloud Monitoring) — ⚠ công cụ quan sát vận hành, không liên quan tới quản trị dữ liệu.

Ghi nhớ

⚠ Công cụ quản trị dữ liệu — bảng phải thuộc: | Công cụ | Việc | |---|---| | ⚠ Sensitive Data Protection (DLP) | ⚠ PHÁT HIỆN, phân loại, CHE dữ liệu nhạy cảm | | ⚠ Dataplex | ⚠ danh mục, dòng dõi, chính sách, chất lượng | | IAM / VPC-SC | ⚠ kiểm soát truy cập | | Model Armor | ⚠ chặn PII trong hội thoại lúc chạy |

Từ khoá nhận diện:

"phát hiện PII, phân loại tự động" → ⚠ Sensitive Data Protection "danh mục dữ liệu, quản trị tập trung" → ⚠ Dataplex "chặn PII trong prompt/câu trả lời" → Model Armor "ai được truy cập" → IAM

Ba việc kiểm chứng: | Việc | Cách | |---|---| | Đã quét toàn bộ tập dữ liệu chưa | ⚠ kể cả trường tự do và ghi chú | | PII có lọt qua trường văn bản tự do không | ⚠ chỗ hay lọt nhất | | Có kiểm tra mô hình đã huấn luyện có nhả PII không | ⚠ thử tấn công trích xuất |

Và lý do quy trình này phải làm trước chứ không phải sau: một khi dữ liệu cá nhân đã đi vào trọng số mô hình thì không có nút xoá. Với dữ liệu trong cơ sở dữ liệu, xoá là một câu lệnh; với mô hình đã huấn luyện, đó là huấn luyện lại toàn bộ.

Đáp án

B — Document AI API.

Vì sao đúng

Đề mô tả đúng việc mà Document AI sinh ra để làm: trích xuất trường dữ liệu có cấu trúc từ tài liệu nghiệp vụ.

⚠ Ghép từng yêu cầu:

"hoá đơn PDF"
    → ⚠ tài liệu nghiệp vụ có
      bố cục quen thuộc

"trích tên nhà cung cấp, số hoá đơn,
 tổng tiền"
    → ⚠ các TRƯỜNG cụ thể

"vào định dạng CÓ CẤU TRÚC"
    → ⚠ JSON để gọi API kế toán

⚠ Document AI mạnh hơn OCR ở đâu:

OCR thuần
    → ⚠ cho ra một khối CHỮ
    → ⚠ vẫn phải tự đoán số nào
      là tổng tiền

⚠ Document AI
    → ⚠ có BỘ XỬ LÝ RIÊNG cho
      hoá đơn
    → ⚠ hiểu BỐ CỤC, bảng, cặp
      nhãn–giá trị
    → ⚠ trả về ĐÚNG TRƯỜNG kèm
      ĐIỂM TIN CẬY

Vì sao các phương án khác sai

• D (Cloud Vision API) — ⚠ bẫy mạnh nhất: Vision có OCR và đọc được chữ trong PDF. Nhưng ⚠ nó trả về văn bản thô, không biết đâu là "tổng tiền phải trả", không xử lý được bảng dòng hàng, và không có điểm tin cậy theo trường.

• C (Natural Language API) — phân tích thực thể và cảm xúc trong văn bản. ⚠ Không hiểu bố cục tài liệu; "1.250,00" với nó chỉ là một con số.

• A (Vertex AI Search) — để TÌM trong tài liệu, không phải để TRÍCH XUẤT TRƯỜNG rồi đưa sang hệ thống khác.

Ghi nhớ

⚠ Bốn API xử lý tài liệu — bảng phải thuộc: | API | Cho ra | |---|---| | ⚠ Document AI | ⚠ TRƯỜNG có cấu trúc từ tài liệu nghiệp vụ — đề này | | Cloud Vision | ⚠ văn bản thô, nhãn ảnh | | Natural Language | ⚠ thực thể, cảm xúc trong văn bản | | Vertex AI Search | ⚠ tìm kiếm trong kho tài liệu |

Từ khoá nhận diện:

"hoá đơn, biên lai, hợp đồng, mẫu đơn, trích trường" → ⚠ Document AI "đọc chữ trong ảnh nói chung" → Vision OCR "cảm xúc, thực thể trong đoạn văn" → Natural Language "tìm tài liệu liên quan" → Vertex AI Search

Ba việc kiểm chứng: | Việc | Cách | |---|---| | Ngưỡng tiền nào cần người duyệt | ⚠ đặt trước khi bật tự động | | Có chặn trả trùng không | ⚠ kiểm số hoá đơn đã xử lý | | Số tài khoản nhận tiền đổi thì sao | ⚠ phải cảnh báo, không tự động chấp nhận |

Và điều đáng nhớ khi tự động hoá tài chính: phần khó không phải đọc hoá đơn, mà là biết khi nào KHÔNG được tin hoá đơn đó. Trích xuất chính xác một hoá đơn giả vẫn dẫn tới chuyển tiền cho kẻ lừa đảo.

Đáp án

B — Dùng endpoint phiên bản "stable" hoặc "latest" của mô hình trong mã ứng dụng.

Vì sao đúng

Đề nêu đúng nhu cầu: tự động hưởng cải tiến và bản vá mà không phải sửa code và triển khai lại mỗi lần.

⚠ Hai cách trỏ tới mô hình:

⚠ Ghim phiên bản cụ thể
   gemini-x.y-001
   → ⚠ ổn định tuyệt đối
   → ⚠ KHÔNG tự nhận cải tiến
   → ⚠ phải sửa code để nâng

⚠ Bí danh stable / latest
   → ⚠ TỰ trỏ sang bản mới
   → ⚠ nhận cải tiến và bản vá
   → ⚠ ĐỀ NÀY

⚠ Đánh đổi phải hiểu:

⚠ Được: cập nhật tự động,
  bảo mật, hiệu năng
⚠ Mất: hành vi mô hình CÓ THỂ ĐỔI
  mà mình không chủ động
        ↓
⚠ Prompt đang chạy tốt có thể
  cho kết quả khác

Vì sao các phương án khác sai

• A (dựng Vertex AI Pipeline huấn luyện lại mô hình hằng đêm) — ⚠ hiểu sai vấn đề: họ dùng mô hình nền của Google, không phải mô hình tự huấn luyện. ⚠ Không ai huấn luyện lại mô hình nền hằng đêm — vừa vô nghĩa vừa cực kỳ tốn kém.

• D (dashboard theo dõi số phiên bản và bắn cảnh báo) — ⚠ chỉ BIẾT có bản mới, vẫn phải sửa code thủ công. Đề nói rõ muốn tránh đúng việc đó.

• C (mua gói hỗ trợ cao cấp để có quyền truy cập độc quyền vào bản cập nhật) — ⚠ bịa: phiên bản mô hình không phân phối theo gói hỗ trợ.

Ghi nhớ

⚠ Chiến lược ghim phiên bản — bảng phải thuộc: | Chiến lược | Dùng khi | |---|---| | ⚠ stable / latest | ⚠ muốn tự cập nhật, chấp nhận hành vi đổi — đề này | | ⚠ Ghim bản cụ thể | ⚠ cần hành vi TUYỆT ĐỐI ổn định | | Ghim + rà soát định kỳ | ⚠ thoả hiệp phổ biến nhất trong sản xuất |

Từ khoá nhận diện:

"tự động hưởng cải tiến, không phải triển khai lại" → ⚠ stable/latest "kết quả phải không đổi, đã kiểm định" → ⚠ ghim phiên bản "huấn luyện lại mô hình nền" → ⚠ luôn là phương án SAI

Ba việc kiểm chứng: | Việc | Cách | |---|---| | Có bộ kiểm thử hồi quy chưa | ⚠ không có thì không biết bản mới làm hỏng gì | | Phiên bản đang dùng có bị ngừng hỗ trợ không | ⚠ theo dõi lịch | | Đổi phiên bản có cần sửa code không | ⚠ nên nằm ở cấu hình |

Và điều cần cân nhắc thật sự trong câu này: "tự động cập nhật" không miễn phí về rủi ro. Nó tiết kiệm công bảo trì nhưng đổi lại là hành vi hệ thống có thể thay đổi vào một ngày bạn không chọn — nên bộ kiểm thử hồi quy mới là thứ khiến lựa chọn đó an toàn.

Đáp án

A — 1: Data Lake, 2: Data Warehouse, 3: Database.

Vì sao đúng

Ba nhu cầu trong đề khác nhau ở dạng dữ liệu và kiểu truy cập:

⚠ Ghép từng nhu cầu:

1. "terabyte dữ liệu THÔ chưa xử lý:
    ảnh, video, log máy chủ"
    → ⚠ PHI CẤU TRÚC, đủ loại
    → ⚠ DATA LAKE
    → ⚠ Cloud Storage

2. "truy vấn PHỨC TẠP trên NHIỀU NĂM
    dữ liệu bán hàng CÓ CẤU TRÚC"
    → ⚠ phân tích lịch sử quy mô lớn
    → ⚠ DATA WAREHOUSE
    → ⚠ BigQuery

3. "tra cứu NHANH, THỜI GIAN THỰC
    trạng thái MỘT đơn hàng"
    → ⚠ đọc một bản ghi, độ trễ thấp
    → ⚠ DATABASE
    → ⚠ Cloud SQL / Firestore

⚠ Mẹo phân biệt bằng câu hỏi:

⚠ Dữ liệu có cấu trúc không?
   không → ⚠ Data Lake

⚠ Đọc MỘT bản ghi hay TỔNG HỢP
  hàng triệu?
   một bản ghi → ⚠ Database
   tổng hợp → ⚠ Data Warehouse

Vì sao các phương án khác sai

Cả ba đều ghép lệch vị trí:

• B — đổi chỗ 2 và 3: dùng database cho phân tích nhiều năm (rất chậm và tốn kém) và warehouse cho tra cứu một đơn hàng (độ trễ cao, tính tiền theo lượng quét).

• C — đổi chỗ 1 và 2: đưa ảnh và video vào warehouse, còn dữ liệu bán hàng có cấu trúc vào data lake.

• D — sai cả ba vị trí.

⚠ Chiến thuật: chốt việc 1 trước — "ảnh, video, log thô" chắc chắn là data lake. Chỉ A và B đúng ở vị trí đó, rồi phân biệt bằng việc 3.

Ghi nhớ

⚠ Ba mô hình lưu trữ — bảng phải thuộc: | Mô hình | Dữ liệu | Truy cập | Dịch vụ | |---|---|---|---| | ⚠ Data Lake | ⚠ thô, phi cấu trúc, mọi loại | ⚠ đọc theo lô | ⚠ Cloud Storage | | ⚠ Data Warehouse | ⚠ có cấu trúc, đã làm sạch | ⚠ truy vấn phân tích lớn | ⚠ BigQuery | | ⚠ Database | ⚠ có cấu trúc, giao dịch | ⚠ đọc/ghi một bản ghi, nhanh | ⚠ Cloud SQL, Firestore |

Từ khoá nhận diện:

"thô, chưa xử lý, ảnh video log" → ⚠ Data Lake "phân tích nhiều năm, xu hướng, truy vấn phức tạp" → ⚠ Warehouse "tra cứu một khách, thời gian thực" → ⚠ Database "schema-on-read" → ⚠ Data Lake

Ba việc kiểm chứng: | Việc | Cách | |---|---| | Truy vấn nào đang chạy sai chỗ | ⚠ tra cứu lẻ trên warehouse là dấu hiệu | | Data Lake có danh mục không | ⚠ không có thì sớm thành đầm lầy | | Chi phí quét BigQuery mỗi tháng | ⚠ thường là khoản bất ngờ |

Và điều dễ nhớ nhất để không nhầm ba khái niệm: Data Lake giữ mọi thứ phòng khi cần, Warehouse giữ thứ đã hiểu để phân tích, Database giữ thứ ứng dụng cần ngay bây giờ.

Đáp án

B — Tính nhất quán (Consistency).

Vì sao đúng

Đề mô tả cùng một sản phẩm mang hai mã định danh khác nhau ở hai hệ thống — đó chính là vi phạm tính nhất quán.

⚠ Vấn đề trong đề:

CSDL bán hàng
   ⚠ product_ID = "HZ-1024"

API nhà cung cấp
   ⚠ item_code = "Hazel-1024"
        ↓
⚠ CÙNG một sản phẩm
⚠ KHÁC cách biểu diễn
        ↓
⚠ Agent không ghép được
⚠ Không đặt hàng lại được
⚠ Hết hàng, mất doanh thu

⚠ Nhất quán nghĩa là gì:

⚠ Cùng một thực thể được biểu diễn
  GIỐNG NHAU ở mọi hệ thống
        ↓
⚠ Cùng định dạng
⚠ Cùng đơn vị
⚠ Cùng quy ước đặt mã
⚠ Cùng giá trị khi cùng nghĩa

Vì sao các phương án khác sai

• A (Completeness — đầy đủ) — hỏi có thiếu dữ liệu không. ⚠ Ở đây không thiếu gì cả: cả hai hệ thống đều có mã sản phẩm đầy đủ, chỉ là khác nhau.

• C (Relevance — liên quan) — hỏi dữ liệu có phục vụ đúng mục đích không. ⚠ Dữ liệu ở đây hoàn toàn liên quan, chỉ không khớp được.

• D (Availability — sẵn có) — hỏi có truy cập được không. ⚠ Cả hai nguồn đều truy cập được bình thường; vấn đề nằm ở chỗ ghép chúng lại.

⚠ Đối chiếu với các câu cùng họ đã gặp: #13967 (completeness — thiếu trường), #13939/#13862 (relevance — dữ liệu không phục vụ mục đích), #14050 (availability — không lấy được dữ liệu). Cả bốn đặc tính đều đã xuất hiện riêng lẻ; đọc kỹ triệu chứng là phân biệt được.

Ghi nhớ

⚠ Sáu đặc tính chất lượng dữ liệu — bảng phải thuộc: | Đặc tính | Câu hỏi | Triệu chứng | |---|---|---| | ⚠ Consistency | ⚠ cùng thứ có biểu diễn giống nhau không | ⚠ không ghép được giữa hệ thống — đề này | | Completeness | ⚠ có thiếu trường không | ô trống | | Accuracy | ⚠ có đúng thực tế không | số sai | | Timeliness | ⚠ có mới không | dữ liệu cũ | | Relevance | ⚠ có phục vụ mục đích không | thu nhầm thứ | | Availability | ⚠ có lấy được không | hệ thống không truy cập được |

Từ khoá nhận diện:

"cùng thứ, hai mã khác nhau, không khớp được" → ⚠ consistency "trường bị trống" → completeness "dữ liệu sai so với thực tế" → accuracy "dữ liệu đã cũ" → timeliness "không truy cập được" → availability

Ba việc kiểm chứng: | Việc | Cách | |---|---| | Bao nhiêu phần trăm sản phẩm ghép được | ⚠ đo tỷ lệ khớp | | Có trường hợp ghép NHẦM không | ⚠ nguy hiểm hơn không ghép được | | Ai chịu trách nhiệm bảng ánh xạ | ⚠ phải có người duy trì |

Và bài học thực tế lớn nhất: dự án AI thường thất bại vì chất lượng dữ liệu, không phải vì mô hình yếu. Ở đây một quy ước đặt mã khác nhau — thứ tồn tại âm thầm nhiều năm — trở thành nguyên nhân trực tiếp gây hết hàng và mất doanh thu.

Đáp án

C — Trải nghiệm người dùng được cá nhân hoá (Personalized User Experience).

Vì sao đúng

Đề mô tả một hệ thống thích ứng theo TỪNG học viên trong thời gian thực — đó là bản chất của cá nhân hoá.

⚠ Vòng lặp trong đề:

⚠ Theo dõi kết quả làm bài
   THỜI GIAN THỰC
        ↓
⚠ Học viên đuối một chủ đề
   → ⚠ sinh giải thích ĐƠN GIẢN HƠN
   → ⚠ gợi ý bài luyện phù hợp
        ↓
⚠ Học viên nắm vững
   → ⚠ đưa nội dung NÂNG CAO hơn
        ↓
⚠ Mỗi người một LỘ TRÌNH khác nhau

⚠ Vì sao không phải các phương án kia:

⚠ Sinh văn bản là PHƯƠNG TIỆN
   → công cụ để làm việc đó

⚠ Phân tích dữ liệu là MỘT BƯỚC
   → đọc kết quả bài kiểm tra

⚠ Cá nhân hoá là GIÁ TRỊ
   NGHIỆP VỤ
   → thứ khiến sản phẩm khác biệt

Vì sao các phương án khác sai

• A (Text Generation) — ⚠ bẫy mạnh nhất vì hệ thống có sinh văn bản thật. Nhưng đó là cách thực hiện, không phải ca sử dụng nghiệp vụ. Nếu chỉ sinh văn bản thì mọi học viên nhận cùng một bài giảng.

• B (Data Analysis) — hệ thống có phân tích kết quả bài kiểm tra, nhưng đó chỉ là đầu vào của vòng lặp, không phải mục đích.

• D (Automation) — ⚠ tự động hoá là thay việc lặp lại bằng máy. Ở đây hệ thống không thay một quy trình lặp cố định, mà tạo ra lộ trình KHÁC NHAU cho từng người — đó là điểm phân biệt.

Ghi nhớ

⚠ Phân biệt phương tiện và ca sử dụng — bảng phải thuộc: | Câu hỏi | Trả lời | |---|---| | Mô hình LÀM GÌ | ⚠ sinh văn bản — phương tiện | | ⚠ Doanh nghiệp ĐẠT ĐƯỢC GÌ | ⚠ cá nhân hoá — ca sử dụng | | ⚠ Đề hỏi "use case" | ⚠ luôn chọn GIÁ TRỊ NGHIỆP VỤ |

Từ khoá nhận diện:

"thích ứng theo từng người, lộ trình riêng" → ⚠ cá nhân hoá "làm thay việc lặp lại giống nhau" → automation "tìm mẫu hình trong dữ liệu" → data analysis / discovery "viết nội dung mới" → content creation

Ba việc kiểm chứng: | Việc | Cách | |---|---| | Nội dung sinh ra có đúng kiến thức không | ⚠ chuyên gia môn học rà soát | | Học viên yếu có được nâng lên không | ⚠ theo dõi lộ trình dài hạn | | Giáo viên có can thiệp được không | ⚠ không được để AI quyết một mình |

Và cách chấm nhanh nhóm câu "đây là ca sử dụng nào": hỏi xem bỏ đi yếu tố nào thì kịch bản mất ý nghĩa. Bỏ việc sinh văn bản thì vẫn cá nhân hoá được bằng cách chọn bài có sẵn; bỏ việc thích ứng theo từng người thì cả kịch bản sụp đổ — nên cá nhân hoá mới là cốt lõi.

Đáp án

B — Nó giới hạn ngân hàng vào những mô hình họ tự vận hành được, loại bỏ khả năng dùng các mô hình nền lớn nhất chỉ truy cập qua API của nhà cung cấp đám mây.

Vì sao đúng

Đề hỏi một câu rất cụ thể: quyết định ở tầng Infrastructure ràng buộc tầng Model ra sao.

⚠ Chuỗi hệ quả:

Quyết định tầng Infrastructure:
   ⚠ chạy HOÀN TOÀN trên máy chủ
     riêng tại chỗ
        ↓
⚠ Mô hình phải chạy được TRONG
  hạ tầng đó
        ↓
⚠ Mô hình lớn nhất của các nhà
  cung cấp CHỈ có qua API
   → ⚠ trọng số KHÔNG phát hành
   → ⚠ KHÔNG tải về được
        ↓
⚠ Ngân hàng chỉ dùng được mô hình
  MỞ tự vận hành: Gemma, Llama…

⚠ Đánh đổi thực chất:

⚠ Được: chủ quyền dữ liệu tuyệt đối
⚠ Mất: năng lực của mô hình
       mạnh nhất

Vì sao các phương án khác sai

• C (chi phí tổng sẽ thấp hơn đáng kể so với đám mây công cộng) — ⚠ sai và không phải điều đề hỏi: tự vận hành GPU thường đắt hơn khi tính cả phần cứng, điện, làm mát, nhân sự. Và đề hỏi ràng buộc lên tầng Model, không hỏi chi phí.

• A (không xây được ứng dụng có giao diện đồ hoạ) — ⚠ vô lý: chạy tại chỗ không cản trở việc làm giao diện.

• D (buộc đội phát triển dùng nền tảng low-code) — ⚠ ngược lại: tự vận hành thường đòi hỏi nhiều kỹ năng kỹ thuật hơn, không ít hơn.

Ghi nhớ

⚠ Ràng buộc lan giữa các tầng — bảng phải thuộc: | Quyết định | Ràng buộc lên | |---|---| | ⚠ Hạ tầng tại chỗ | ⚠ chỉ dùng được mô hình tự vận hành — đề này | | Chọn mô hình API | ⚠ dữ liệu phải rời tổ chức | | Chọn nền tảng no-code | ⚠ giới hạn khả năng khác biệt hoá | | Yêu cầu chủ quyền dữ liệu | ⚠ giới hạn region và mô hình khả dụng |

Từ khoá nhận diện:

"on-premises, tự vận hành, dữ liệu không rời" → ⚠ chỉ mô hình mở tải về được "mô hình mạnh nhất" → ⚠ thường CHỈ có qua API "đề hỏi tầng nào" → ⚠ trả lời đúng tầng đó

Ba việc kiểm chứng: | Việc | Cách | |---|---| | Mô hình mở có đủ chất lượng cho việc này không | ⚠ đo trên tập câu hỏi thật | | Ai vá lỗ hổng mô hình | ⚠ trách nhiệm của bạn | | Có phần nào không cần chạy tại chỗ không | ⚠ kiến trúc lai giảm được nhiều gánh nặng |

Và điều đáng nhớ về cách các tầng ràng buộc lẫn nhau: quyết định ở tầng thấp luôn thu hẹp lựa chọn ở tầng cao. Chọn hạ tầng trước là chấp nhận rằng danh sách mô hình dùng được đã bị cắt ngắn — nên nếu năng lực mô hình là yếu tố sống còn thì thứ tự quyết định phải ngược lại.

Đáp án

B — Là loại trí tuệ nhân tạo có thể TẠO RA nội dung mới, gồm hình ảnh, văn bản và âm nhạc.

Vì sao đúng

Chữ "generative" nghĩa là sinh ra. Điểm phân biệt duy nhất của gen AI với các nhánh AI khác là nó tạo ra thứ chưa từng tồn tại, thay vì chỉ phân tích thứ đã có.

⚠ Phân biệt cốt lõi:

AI truyền thống / ML dự báo
    ⚠ đầu vào: dữ liệu
    ⚠ đầu ra: ⚠ NHÃN, ĐIỂM SỐ,
      DỰ ĐOÁN
    → "email này là spam"
    → "khách này sẽ rời bỏ"

⚠ Generative AI
    ⚠ đầu vào: prompt
    ⚠ đầu ra: ⚠ NỘI DUNG MỚI
    → văn bản, ảnh, âm thanh,
      video, mã nguồn

Vì sao các phương án khác sai

• A (phân tích dữ liệu có sẵn để tìm mẫu hình và đưa ra dự đoán) — ⚠ bẫy mạnh nhất: đây là định nghĩa chính xác của machine learning dự báo, không phải gen AI. Rất dễ chọn nhầm vì nó nghe rất đúng — chỉ là đúng cho khái niệm khác.

• C (tập trung tự động hoá công việc lặp lại, cải thiện hiệu quả) — ⚠ mô tả tự động hoá quy trình, có thể chẳng cần AI nào cả.

• D (một ứng dụng cụ thể như chatbot, có dùng công nghệ AI) — ⚠ nhầm ỨNG DỤNG với CÔNG NGHỆ. Chatbot là một sản phẩm; gen AI là công nghệ bên dưới.

Ghi nhớ về chất lượng câu hỏi

⚠ Câu này GẦN TRÙNG với #14154 ngay trong cùng lô — cùng hỏi định nghĩa gen AI, cùng bốn ý theo cùng thứ tự, cùng khoá B. Không mâu thuẫn, chỉ là lặp.

⚠ Còn một lỗi trình bày: nội dung phương án bị lặp chữ cái ("A. It's a type…"), nghĩa là bộ đề dán cả nhãn vào phần nội dung. Không ảnh hưởng cách chấm.

Ghi nhớ

⚠ Bốn nhánh và định nghĩa — bảng phải thuộc: | Nhánh | Đầu ra | |---|---| | ⚠ Generative AI | ⚠ NỘI DUNG MỚI — đề này | | ML dự báo | ⚠ dự đoán, phân loại | | Tự động hoá quy trình | ⚠ thực hiện việc lặp lại | | Ứng dụng (chatbot) | ⚠ sản phẩm dùng công nghệ trên |

Từ khoá nhận diện:

"create, generate, new content, chưa từng có" → ⚠ gen AI "analyze, predict, patterns, historical" → ⚠ ML dự báo "automate repetitive tasks" → ⚠ tự động hoá "chatbot, ứng dụng cụ thể" → ⚠ nhầm tầng

Ba việc kiểm chứng: | Việc | Cách | |---|---| | Hệ thống này cho ra nhãn hay nội dung | ⚠ câu hỏi phân biệt nhanh nhất | | Nó có sinh thứ chưa có trong dữ liệu không | ⚠ nếu chỉ chọn từ danh sách thì không phải gen AI | | Bài toán thật cần sinh hay cần dự đoán | ⚠ chọn nhầm công cụ là tốn kém vô ích |

Và câu hỏi lọc nhanh nhất khi phân vân: đầu ra là một NHÃN hay một NỘI DUNG? Dự đoán khách hàng có rời bỏ hay không là nhãn; viết email giữ chân khách hàng đó là nội dung — hai bài toán khác nhau, hai loại mô hình khác nhau.

Đáp án

B — Nó được thiết kế để tạo ra nội dung mới và nguyên bản — văn bản, hình ảnh, âm thanh hoặc mã nguồn — chưa từng tồn tại trước đó.

Vì sao đúng

Câu này hỏi phát biểu nào đúng về gen AI, và phương án B nêu đúng hai yếu tố định nghĩa:

⚠ Hai yếu tố:

⚠ "CREATE NEW and ORIGINAL"
    → ⚠ SINH RA, không phân tích

⚠ "did not previously exist"
    → ⚠ NGUYÊN BẢN, không sao chép
      từ dữ liệu huấn luyện

⚠ Điểm quan trọng — "chưa từng tồn tại":

⚠ Mô hình KHÔNG tra cứu rồi
  trả về câu có sẵn
        ↓
⚠ Nó DỰ ĐOÁN từng phần tiếp theo
  dựa trên mẫu hình đã học
        ↓
⚠ Kết quả là tổ hợp MỚI
        ↓
⚠ Đây cũng là lý do nó ẢO GIÁC:
  cùng một cơ chế sinh ra cái mới
  cũng sinh ra cái sai

Vì sao các phương án khác sai

• A (chức năng chính là phân tích dữ liệu có sẵn và đưa ra dự báo theo xu hướng lịch sử) — ⚠ định nghĩa của ML dự báo, không phải gen AI.

• C (chỉ dựa vào luật và cây quyết định lập trình sẵn) — ⚠ mô tả hệ chuyên gia dựa luật, thế hệ AI cũ. Từ "exclusively" cũng là dấu hiệu phương án sai.

• D (mục đích chính là tự động hoá việc lặp lại mà không tạo ra thông tin hay nội dung mới) — ⚠ tự mâu thuẫn với chữ "generative": nó nói rõ không tạo nội dung mới, tức là phủ định chính định nghĩa.

Ghi nhớ về chất lượng câu hỏi

⚠ Câu này GẦN TRÙNG với #14153 ngay trong cùng lô — cùng hỏi định nghĩa gen AI, cùng bốn ý theo cùng thứ tự (phân tích/dự báo – sinh nội dung – luật cũ hoặc tự động hoá – ứng dụng cụ thể), cùng khoá B. Hai câu chỉ khác cách diễn đạt.

⚠ Lỗi trình bày giống #14153: nhãn "A." "B." bị lặp trong chính nội dung phương án.

⚠ Bài học khi ôn: gặp hai câu gần giống nhau trong cùng đề thì đừng nghi ngờ mình đọc nhầm — bộ đề có lặp thật. Trả lời theo cùng một nguyên tắc.

Ghi nhớ

⚠ Bốn thế hệ/nhánh AI — bảng phải thuộc: | Nhánh | Cơ chế | |---|---| | ⚠ Gen AI | ⚠ sinh nội dung mới từ mẫu hình đã học — đề này | | ML dự báo | ⚠ học từ dữ liệu để dự đoán | | ⚠ Hệ dựa luật | ⚠ luật và cây quyết định do người viết | | Tự động hoá quy trình | ⚠ thực hiện các bước cố định |

Từ khoá nhận diện:

"create, original, did not previously exist" → ⚠ gen AI "predictive insights, historical trends" → ⚠ ML dự báo "pre-programmed rules, decision trees" → ⚠ hệ dựa luật "exclusively", "without creating" → ⚠ dấu hiệu phương án sai

Ba việc kiểm chứng: | Việc | Cách | |---|---| | Đầu ra là nội dung mới hay nhãn | ⚠ phân biệt gen AI với ML dự báo | | Nội dung sinh ra có đúng không | ⚠ mới không đồng nghĩa với đúng | | Có ghi nhớ nguyên văn dữ liệu huấn luyện không | ⚠ rủi ro bản quyền |

Và điều đáng suy nghĩ nhất từ định nghĩa này: khả năng tạo ra cái chưa từng có và khả năng bịa ra cái không có thật là CÙNG MỘT khả năng. Mọi biện pháp kiểm soát trong các câu khác của đề này — grounding, HITL, bộ lọc — đều tồn tại vì lý do đó.

Đáp án

C — Diffusion model (mô hình khuếch tán).

Vì sao đúng

Sinh ảnh chân thực từ mô tả bằng chữ là việc của mô hình khuếch tán — kiến trúc đứng sau Imagen và hầu hết công cụ sinh ảnh hiện nay.

⚠ Cách hoạt động:

⚠ Bắt đầu từ NHIỄU ngẫu nhiên
        ↓ ⚠ khử nhiễu từng bước
        ↓ ⚠ prompt dẫn đường
⚠ Ảnh hoàn chỉnh

⚠ Gần trùng với #14106 (lô 150) — cùng hỏi kiến trúc của mô hình sinh ảnh, cùng khoá Diffusion. Lô 150 hỏi qua bối cảnh Imagen, lô này hỏi trực tiếp.

Vì sao các phương án khác sai

• A (Multimodal model) — ⚠ bẫy mạnh nhất: mô hình đa phương thức xử lý được nhiều loại đầu vào (chữ, ảnh, âm thanh). Nhưng "đa phương thức" nói về loại dữ liệu, không nói về kiến trúc sinh ảnh. Nhiều mô hình đa phương thức chỉ hiểu ảnh chứ không tạo ảnh.

• B (LLM) — ⚠ sinh văn bản, không sinh ảnh.

• D (Classification model) — ⚠ phân loại, cho ra nhãn chứ không tạo ra gì mới.

Ghi nhớ về chất lượng câu hỏi

⚠ Cả lô này lặp nhãn chữ cái trong nội dung phương án ("A. Multimodal model"), nghĩa là bộ đề dán cả nhãn vào phần nội dung. Không ảnh hưởng cách chấm nhưng dễ gây rối mắt khi đọc nhanh.

Ghi nhớ

⚠ Kiến trúc theo đầu ra — bảng phải thuộc: | Kiến trúc | Sinh ra | |---|---| | ⚠ Diffusion | ⚠ ẢNH, video — đề này | | ⚠ Transformer / LLM | ⚠ văn bản, mã | | GAN | ⚠ ảnh — thế hệ cũ hơn | | Classification | ⚠ nhãn, KHÔNG sinh gì |

Từ khoá nhận diện:

"từ nhiễu, sinh ảnh chân thực" → ⚠ Diffusion "nhiều loại đầu vào" → ⚠ multimodal — nói về DỮ LIỆU, không phải kiến trúc "sinh văn bản" → LLM "gán nhãn" → classification

Ba việc kiểm chứng: | Việc | Cách | |---|---| | Đầu ra cần là gì | ⚠ quyết định kiến trúc | | Ảnh sinh ra có dấu SynthID không | ⚠ minh bạch nguồn gốc | | Nội dung ảnh có vi phạm bản quyền hay chân dung không | ⚠ kiểm trước khi dùng thương mại |

Và mẹo phân biệt nhanh: "multimodal" trả lời câu hỏi mô hình ĐỌC ĐƯỢC gì, "diffusion" trả lời câu hỏi mô hình TẠO RA ảnh BẰNG CÁCH NÀO. Đề hỏi cách tạo ảnh thì phải chọn kiến trúc, không chọn khả năng đầu vào.