Ngân hàng đề — Google Cloud Generative AI Leader

Đáp án

C — Cách tiếp cận AI-first của Google và việc đầu tư liên tục vào nghiên cứu và đổi mới AI.

Vì sao đúng

Công ty này ưu tiên một đối tác cam kết với nghiên cứu và phát triển dài hạn, để luôn tiếp cận được những tiến bộ mới nhất. Đó là đặc điểm AI-first của Google.

⚠ Bằng chứng cho cách tiếp cận AI-first:

⚠ NGHIÊN CỨU NỀN TẢNG
    → ⚠ Transformer — kiến trúc nền
      của hầu hết LLM hiện nay,
      do Google công bố
    → ⚠ TensorFlow, JAX

⚠ PHẦN CỨNG TỰ THIẾT KẾ
    → ⚠ TPU qua nhiều thế hệ

⚠ MÔ HÌNH NỀN
    → Gemini, Imagen, Veo, Gemma

⚠ ĐƯA VÀO SẢN PHẨM THẬT
    → ⚠ Search, Maps, Photos,
      Workspace — dùng ở quy mô tỉ
      người dùng

⚠ Vì sao ba phương án kia sai:

"Mô hình giá trả theo mức dùng"
    → ⚠ đúng và hữu ích, nhưng
      không nói về ĐỔI MỚI

"Tài liệu và dịch vụ hỗ trợ đầy đủ"
    → ⚠ về trải nghiệm vận hành

"Mạng trung tâm dữ liệu toàn cầu"
    → ⚠ về hạ tầng và độ phủ

Vì sao các phương án khác sai

• D (mạng trung tâm dữ liệu toàn cầu) — phương án gần nhất vì cũng là thế mạnh thật và có hỗ trợ cho AI, nhưng nó nói về hạ tầng và phạm vi địa lý, không phải cam kết nghiên cứu.

• A và B — nói về giá và hỗ trợ.

Ghi nhớ

⚠ Bốn điểm mạnh Google Cloud hay ra đề — bảng phải thuộc: | Điểm mạnh | Trả lời mối quan tâm nào | |---|---| | ⚠ AI-first, đầu tư nghiên cứu | ⚠ muốn luôn có công nghệ mới nhất | | ⚠ Tính năng doanh nghiệp | ⚠ bảo mật, riêng tư, co giãn | | ⚠ Công nghệ mở | ⚠ chống khoá chân | | ⚠ Hệ sinh thái tích hợp | ⚠ gắn kết với đầu tư sẵn có | | SAIF | ⚠ quản trị rủi ro AI | | Hạ tầng tối ưu AI | ⚠ TPU, GPU cho mô hình lớn |

Từ khoá nhận diện:

"đổi mới, nghiên cứu, công nghệ mới nhất" → ⚠ AI-first "bảo mật, riêng tư, co giãn" → tính năng doanh nghiệp "chống khoá chân" → công nghệ mở "gắn với sản phẩm sẵn có" → hệ sinh thái "quản trị rủi ro AI" → SAIF

Ba câu hỏi kiểm chứng: | Câu hỏi | Vì sao hỏi | |---|---| | Đổi mới có phải ưu tiên thật không | ⚠ hay ổn định mới là ưu tiên | | Có ghim phiên bản mô hình chưa | ⚠ để đầu ra không đổi bất ngờ | | Đội có theo kịp tốc độ thay đổi không | ⚠ đây mới là giới hạn thật |

Và mặt trái ít được nói tới của việc chọn nền tảng vì tốc độ đổi mới: mô hình được cập nhật cũng có nghĩa là đầu ra có thể đổi. Với hệ thống đang chạy thật, việc ghim phiên bản mô hình và kiểm thử trước khi nâng cấp là thao tác nên có ngay từ đầu.

Đáp án

C — Unsupervised Learning (học không giám sát).

Vì sao đúng

Hai từ khoá quyết định: dữ liệu KHÔNG có nhãn, và mô hình phải tự tìm ra mẫu hình mà không được chỉ dẫn cụ thể phải tìm gì.

⚠ Ba nhóm phương pháp học:

⚠ HỌC CÓ GIÁM SÁT
    → ⚠ dữ liệu CÓ NHÃN
    → phân loại, hồi quy
    → "đây là spam, đây không phải"

⚠ HỌC KHÔNG GIÁM SÁT
    → ⚠ dữ liệu KHÔNG nhãn
    → ⚠ mô hình TỰ tìm nhóm và
      mẫu hình
    → phân cụm, giảm chiều,
      phát hiện bất thường
    → ⚠ ĐỀ NÀY

⚠ HỌC TĂNG CƯỜNG
    → ⚠ học qua THƯỞNG/PHẠT

⚠ Vì sao "Deep Learning" là bẫy:

⚠ Deep Learning KHÔNG phải một
  trong ba nhóm trên
        ↓
    ⚠ Nó là một KỸ THUẬT
      (mạng nơ-ron nhiều lớp)
        ↓
    ⚠ Dùng được cho CẢ BA nhóm
        ↓
    → không trả lời được câu hỏi
      "có nhãn hay không"

Nhất quán với #13532 (lô 144) — đề đó khoá clustering cho việc gom nhóm đánh giá khách hàng không có danh mục sẵn. Clustering là kỹ thuật thuộc học không giám sát. Bổ sung nhau.

Vì sao các phương án khác sai

• D (Deep Learning) — phương án gần nhất và là bẫy chính: nó nghe hiện đại và thật sự dùng được cho bài toán này. Nhưng nó là kỹ thuật, không phải nhóm phương pháp phân theo việc có nhãn hay không.

• A (có giám sát) — cần nhãn, mà đề nói rõ là không có.

• B (tăng cường) — không có cơ chế thưởng/phạt ở đây.

Ghi nhớ

⚠ Ba nhóm phương pháp học — bảng phải thuộc: | Nhóm | Dữ liệu | Bài toán | |---|---|---| | ⚠ Có giám sát | ⚠ CÓ nhãn | ⚠ phân loại, hồi quy | | ⚠ Không giám sát | ⚠ KHÔNG nhãn | ⚠ phân cụm, giảm chiều, bất thường | | ⚠ Tăng cường | ⚠ thưởng/phạt | robot, game, tối ưu | | ⚠ Deep learning | ⚠ KỸ THUẬT, không phải nhóm | ⚠ dùng cho cả ba |

Từ khoá nhận diện:

"không nhãn, tự tìm mẫu hình" → ⚠ học không giám sát "đã gán nhãn sẵn" → học có giám sát "học qua thử và sai, phần thưởng" → học tăng cường "mạng nơ-ron nhiều lớp" → ⚠ deep learning — kỹ thuật

Ba câu hỏi kiểm chứng: | Câu hỏi | Dẫn tới | |---|---| | Có nhãn sẵn không | không → ⚠ không giám sát | | Cụm tìm được có ý nghĩa không | ⚠ đọc mẫu — cụm vô nghĩa là chuyện thường | | Có định dùng kết quả làm nhãn không | ⚠ mẫu hình rất hữu ích |

Và điều đáng lưu ý khi kết quả phân cụm được đưa ra bàn: mô hình chỉ nói "những bản ghi này giống nhau", còn việc chúng có ý nghĩa gì với doanh nghiệp thì phải do người đọc quyết định. Bước diễn giải ấy không tự động hoá được, và cũng là bước quyết định dự án có giá trị hay không.

Đáp án

B — Unstructured Data (dữ liệu phi cấu trúc).

Vì sao đúng

Ghi chú của bác sĩ là văn bản tự do, khác nhau về độ dài, phong cách và nội dung ở mỗi lần khám. Không có mô hình dữ liệu định trước — đó là dữ liệu phi cấu trúc.

⚠ Vì sao là phi cấu trúc:

"văn bản TỰ DO"
    → ⚠ không có trường cố định

"khác nhau về ĐỘ DÀI"
    → ⚠ không có schema

"khác nhau về PHONG CÁCH và
 NỘI DUNG"
    → ⚠ mỗi bác sĩ viết một kiểu
        ↓
    ⚠ Không có hàng, không có cột
    → ⚠ PHI CẤU TRÚC

⚠ Vì sao ba phương án kia sai:

"Structured Data"
    → ⚠ có hàng, cột, kiểu dữ liệu
      cố định

"Time-series Data"
    → ⚠ chuỗi giá trị theo thời gian:
      nhịp tim mỗi phút

"Labeled Data"
    → ⚠ dữ liệu đã gán nhãn cho
      học có giám sát; ghi chú thô
      chưa có nhãn nào

Nhất quán với #13553 và #13525 (lô 144) — cùng ranh giới ba loại dữ liệu. Đề đó lấy ví dụ tệp MP3, đề này là ghi chú y khoa. Hoàn toàn nhất quán.

Vì sao các phương án khác sai

• D (labeled data) — phương án gần nhất về mặt "cũng là một cách phân loại dữ liệu", nhưng nó nói về việc đã gán nhãn hay chưa, một chiều hoàn toàn khác với có cấu trúc hay không.

• C (có cấu trúc) và A (chuỗi thời gian) — không mô tả đúng văn bản tự do.

Ghi nhớ

⚠ Hai cách phân loại dữ liệu — ĐỪNG LẪN: | Theo CẤU TRÚC | Theo NHÃN | |---|---| | Có cấu trúc | ⚠ Đã gán nhãn (labeled) | | Bán cấu trúc | ⚠ Chưa gán nhãn (unlabeled) | | ⚠ Phi cấu trúc | | | ⚠ Lưu ý | ⚠ hai chiều ĐỘC LẬP: ảnh phi cấu trúc vẫn có thể đã gán nhãn |

Từ khoá nhận diện:

"văn bản tự do, ảnh, âm thanh" → ⚠ phi cấu trúc "JSON, XML, log" → bán cấu trúc "bảng, hàng, cột" → có cấu trúc "đã được người gán nhãn" → ⚠ labeled "giá trị theo mốc thời gian" → ⚠ chuỗi thời gian

Ba câu hỏi kiểm chứng: | Câu hỏi | Vì sao hỏi | |---|---| | Đã khử định danh chưa | ⚠ việc đầu tiên, không phải việc cuối | | Trích xuất có xử lý được phủ định không | ⚠ nguồn sai nghiêm trọng | | Ai kiểm kết quả trích xuất | ⚠ cần chuyên môn y khoa |

Và giá trị lớn nhất mà AI sinh mang lại cho dữ liệu y khoa không phải là đọc thay bác sĩ, mà là biến hàng triệu ghi chú tự do thành những bảng số liệu có thể thống kê được. Bước chuyển đó mở ra những câu hỏi về xu hướng mà trước đây không ai đủ thời gian để trả lời.

Đáp án

B — Labeled Data (dữ liệu đã gán nhãn).

Vì sao đúng

Mỗi bài báo đã được người chú thích gán sẵn một chủ đề. Dữ liệu có nhãn đúng là labeled data, và đó là điều kiện để huấn luyện mô hình có giám sát.

⚠ Vì sao là labeled data:

"mỗi bài báo ĐÃ ĐƯỢC người
 chú thích gán MỘT chủ đề"
        ↓
    ⚠ Có ĐẦU VÀO (nội dung bài)
    ⚠ Có ĐẦU RA MONG MUỐN
      (Thể thao / Chính trị / Công nghệ)
        ↓
    ⚠ Đó chính là NHÃN
        ↓
    → ⚠ huấn luyện được mô hình
      PHÂN LOẠI có giám sát

⚠ Vì sao "Unstructured Data" là bẫy:

⚠ Bài báo ĐÚNG là văn bản
  phi cấu trúc
        ↓
    ⚠ Nhưng câu hỏi hỏi về
      LOẠI DỮ LIỆU DÙNG CHO
      QUÁ TRÌNH HUẤN LUYỆN
        ↓
    ⚠ Điểm đặc trưng ở đây là
      chúng ĐÃ CÓ NHÃN
        ↓
    → labeled data

Nhất quán với #13887 (cùng lô) — đề đó là KHÔNG có nhãn → học không giám sát. Đề này CÓ nhãn → học có giám sát. Hai mặt đối lập, bổ sung nhau.

Vì sao các phương án khác sai

• A (unstructured data) — phương án gần nhất và là bẫy chính: bài báo thật sự là văn bản phi cấu trúc. Nhưng đặc điểm quyết định cho việc huấn luyện ở đây là đã có nhãn.

• D (unlabeled) — ngược hẳn.

• C (structured) — bài báo không phải bảng.

Ghi nhớ

⚠ Hai chiều phân loại ĐỘC LẬP — bảng phải thuộc: | | Đã gán nhãn | Chưa gán nhãn | |---|---|---| | Có cấu trúc | ⚠ bảng có cột kết quả | bảng thô | | ⚠ Phi cấu trúc | ⚠ bài báo ĐÃ gán chủ đề — đề này | ⚠ chat log thô | | Dùng cho | ⚠ học CÓ giám sát | ⚠ học KHÔNG giám sát |

Từ khoá nhận diện:

"đã được người gán nhãn" → ⚠ labeled data "không có nhãn, tự tìm mẫu" → unlabeled / không giám sát "văn bản tự do, ảnh, âm thanh" → phi cấu trúc "phân vào các loại đã biết" → ⚠ classification

Ba câu hỏi kiểm chứng: | Câu hỏi | Vì sao hỏi | |---|---| | Nhãn có nhất quán không | ⚠ cho hai người gán một tập, so kết quả | | Các nhãn có cân bằng không | ⚠ lệch quá thì phải xử lý | | LLM zero-shot đã đủ chưa | ⚠ thử trước khi bỏ công gán nhãn |

Và câu hỏi đáng đặt trước khi khởi động một dự án gán nhãn tốn kém: một mô hình ngôn ngữ với vài ví dụ trong prompt liệu đã đủ tốt chưa? Với nhiều bài toán phân loại văn bản, câu trả lời hiện nay là có — và biết điều đó sớm tiết kiệm được hàng tháng công sức.

Đáp án

D — Tăng temperature (nhiệt độ).

Vì sao đúng

Người viết muốn gợi ý giàu tưởng tượng, phá cách, chấp nhận cả những ý bất ngờ. Tăng temperature làm mô hình chọn từ đa dạng hơn, cho đầu ra sáng tạo hơn.

⚠ Temperature điều khiển gì:

Mô hình có xác suất cho mỗi
từ tiếp theo
        ↓
⚠ TEMPERATURE THẤP
    → ⚠ luôn chọn từ khả năng
      CAO NHẤT
    → an toàn, dự đoán được,
      ⚠ và nhàm chán

⚠ TEMPERATURE CAO
    → ⚠ cho phép chọn cả những từ
      ít khả năng hơn
    → ⚠ bất ngờ, đa dạng, sáng tạo
    → ⚠ ĐỀ NÀY

⚠ Vì sao ba phương án kia sai:

"GIẢM temperature"
    → ⚠ NGƯỢC HẲN: cho kết quả
      an toàn và lặp lại

"Đặt top-p RẤT THẤP"
    → ⚠ cũng THU HẸP lựa chọn
    → ⚠ đi ngược mục tiêu sáng tạo

"Siết chặt cài đặt an toàn"
    → ⚠ lọc nội dung có hại, không
      liên quan tới độ sáng tạo

⚠ Đối chiếu #13876 (cùng lô) — đề đó khoá temperature THẤP cho tóm tắt văn bản pháp lý. Đề này khoá temperature CAO cho brainstorm sáng tạo. KHÔNG mâu thuẫn — hai mục tiêu ngược nhau nên hai chiều điều chỉnh ngược nhau. Đây chính là cặp minh hoạ hoàn hảo cho tham số này.

Vì sao các phương án khác sai

• B (giảm temperature) — phương án gần nhất và là bẫy chính: đúng tham số, sai chiều.

• A (top-p rất thấp) — cũng thu hẹp lựa chọn.

• C (cài đặt an toàn) — không liên quan tới tính sáng tạo.

Ghi nhớ

⚠ Temperature — hai chiều, bảng phải thuộc: | Mục tiêu | Temperature | Tác vụ | |---|---|---| | ⚠ Chính xác, nhất quán | ⚠ THẤP | ⚠ trích xuất, phân loại, tóm tắt pháp lý | | ⚠ Sáng tạo, đa dạng | ⚠ CAO | ⚠ brainstorm, viết truyện, quảng cáo |

Từ khoá nhận diện:

"sáng tạo, bất ngờ, đa dạng" → ⚠ temperature CAO "chính xác, bám nguồn, nhất quán" → ⚠ temperature THẤP "chỉ chọn trong K từ" → top-K "chọn trong nhóm tổng xác suất P" → ⚠ top-P

Ba việc kiểm chứng: | Việc | Cách | |---|---| | Kết quả có còn bám chủ đề không | ⚠ quá cao thì lạc đề | | Có đủ đa dạng chưa | ⚠ sinh nhiều lần rồi so | | Bước viết chi tiết đã hạ nhiệt độ chưa | ⚠ hai bước nên khác nhau |

Và cách dùng tham số này hiệu quả nhất trong một quy trình sáng tạo thật: chia làm hai bước với hai cấu hình khác nhau — nhiệt độ cao để mô hình ném ra thật nhiều hướng đi, rồi nhiệt độ thấp để phát triển hướng đã chọn thành bản thảo mạch lạc.

Đáp án

A — Google AI Studio.

Vì sao đúng

Ba dữ kiện: thử nghiệm nhanh, không phải dựng cả môi trường đám mây, chi phí ban đầu thấp. Đó chính là định vị của Google AI Studio.

⚠ Ba dữ kiện khớp:

"thử prompt NHANH với Gemini"
    → ⚠ AI Studio mở là dùng ngay
      trên trình duyệt

"KHÔNG phải dựng môi trường đám mây"
    → ⚠ không cần project, không cần
      cấu hình IAM

"chi phí ban đầu THẤP"
    → ⚠ có mức dùng miễn phí
        ↓
    ⚠ Làm mẫu xong thì LẤY MÃ
      sinh sẵn đem sang ứng dụng

⚠ Vì sao ba phương án kia sai:

"Vertex AI Studio"
    → ⚠ cũng để thử nghiệm, nhưng
      TRONG môi trường doanh nghiệp
    → ⚠ cần project, IAM, cấu hình
    → ⚠ nặng hơn nhu cầu "thử nhanh"

"Tự xây ứng dụng dùng Gemini API"
    → ⚠ tốn công hơn nhiều cho
      giai đoạn khám phá

"Vertex AI Pipelines"
    → ⚠ tự động hoá quy trình MLOps,
      hoàn toàn không phải để thử prompt

Đối chiếu #13861 (cùng lô) — đề đó khoá tính năng doanh nghiệp của Vertex AI cho tổ chức tài chính xử lý dữ liệu nhạy cảm. Không mâu thuẫn — AI Studio cho thử nghiệm, Vertex AI cho dữ liệu thật và sản xuất.

Vì sao các phương án khác sai

• C (Vertex AI Studio) — phương án gần nhất và là bẫy chính: tên gần giống, chức năng tương tự. Nhưng nó nằm trong Google Cloud với đầy đủ thiết lập doanh nghiệp, nặng hơn nhu cầu thử nhanh của đề.

• B và D — tốn công hơn hoặc phục vụ mục đích khác.

Ghi nhớ

⚠ AI Studio và Vertex AI — bảng phải thuộc: | | Google AI Studio | Vertex AI | |---|---|---| | Mục đích | ⚠ thử nhanh, làm mẫu | ⚠ sản xuất, doanh nghiệp | | Thiết lập | ⚠ gần như không cần | ⚠ project, IAM, cấu hình | | ⚠ Dữ liệu nhạy cảm | ⚠ KHÔNG nên | ⚠ có kiểm soát đầy đủ | | Bảo mật | cơ bản | ⚠ VPC-SC, CMEK, audit | | Chi phí | ⚠ có mức miễn phí | ⚠ theo mức dùng |

Từ khoá nhận diện:

"thử nhanh, không dựng gì, rẻ" → ⚠ Google AI Studio "dữ liệu công ty, tuân thủ, sản xuất" → ⚠ Vertex AI "khám phá và triển khai mô hình" → ⚠ Model Garden "tự động hoá quy trình ML" → Vertex AI Pipelines

Ba câu hỏi kiểm chứng: | Câu hỏi | Vì sao hỏi | |---|---| | Có dữ liệu thật trong prompt thử không | ⚠ nếu có thì phải chuyển sang Vertex AI | | Prompt hiệu quả có được lưu lại không | ⚠ prompt là tài sản, đừng để mất | | Đã có bộ ví dụ để đo chưa | ⚠ thử cảm tính không đủ để quyết |

Và ranh giới cần nói rõ với cả đội ngay từ ngày đầu thử nghiệm: công cụ để làm mẫu không phải nơi dán dữ liệu khách hàng. Ranh giới đó dễ bị vượt qua một cách vô tình, và rất khó thu hồi sau khi dữ liệu đã được gửi đi.

Đáp án

C — Model Garden.

Vì sao đúng

Đội cần một nơi tập trung để khám phá, truy cập và triển khai nhiều mô hình nền — cả của Google lẫn mã nguồn mở — không phải thiết lập nhiều. Đó chính là Model Garden.

⚠ Model Garden là gì:

⚠ DANH MỤC mô hình trong Vertex AI
        ↓
    ⚠ Mô hình của Google
      (Gemini, Imagen, Veo, Gemma)
    ⚠ Mô hình MỞ của bên thứ ba
    ⚠ Mô hình chuyên ngành
        ↓
    ⚠ Xem thông tin, thử ngay,
      TRIỂN KHAI bằng vài cú bấm
    ⚠ hoặc tinh chỉnh

⚠ Vì sao ba phương án kia sai:

"AutoML"
    → ⚠ HUẤN LUYỆN mô hình riêng
      từ dữ liệu của bạn, không phải
      danh mục để chọn

"Vertex AI Pipelines"
    → ⚠ tự động hoá quy trình MLOps

"Feature Store"
    → ⚠ quản lý ĐẶC TRƯNG dùng chung

Vì sao các phương án khác sai

• A (AutoML) — phương án gần nhất vì cũng là một tính năng của Vertex AI giúp có mô hình mà ít công sức, nhưng nó huấn luyện mô hình MỚI từ dữ liệu của bạn, còn đề cần duyệt và thử các mô hình có sẵn.

• B (Pipelines) và D (Feature Store) — phục vụ khâu khác trong vòng đời.

Ghi nhớ

⚠ Thành phần Vertex AI — bảng phải thuộc: | Thành phần | Việc | |---|---| | ⚠ Model Garden | ⚠ khám phá, thử, triển khai mô hình CÓ SẴN | | ⚠ AutoML | ⚠ huấn luyện mô hình RIÊNG, không viết mã | | Custom training | ⚠ tự viết mã mô hình | | ⚠ Model Registry | ⚠ quản phiên bản mô hình của bạn | | ⚠ Feature Store | ⚠ đặc trưng dùng chung, chống skew | | Pipelines | ⚠ tự động hoá quy trình | | Prediction / Endpoint | ⚠ phục vụ dự đoán | | Model Monitoring | ⚠ phát hiện drift |

Từ khoá nhận diện:

"nơi tập trung để chọn mô hình" → ⚠ Model Garden "huấn luyện mô hình riêng không viết mã" → AutoML "quản phiên bản mô hình" → Model Registry "đặc trưng dùng chung" → ⚠ Feature Store

Ba câu hỏi kiểm chứng: | Câu hỏi | Vì sao hỏi | |---|---| | Đã so trên cùng bộ ví dụ chưa | ⚠ so khác bộ là vô nghĩa | | Chi phí và độ trễ ra sao | ⚠ thường quyết định nhiều hơn chất lượng | | Giấy phép có cho dùng thương mại không | ⚠ kiểm với mô hình mở |

Và với một bài toán tương đối phổ thông như phân tích cảm xúc, kết luận sau khi so sánh thường khiến người ta bất ngờ: mô hình nhỏ nhất trong danh sách đã đủ tốt, và chênh lệch chất lượng so với mô hình lớn nhất không đáng với chênh lệch chi phí nhiều lần.

Đáp án

A — NotebookLM.

Vì sao đúng

Đề mô tả đúng NotebookLM: một trợ lý nghiên cứu ảo làm việc trên chính bộ tài liệu người dùng tải lên, trả lời câu hỏi, tóm tắt và gợi ý ý tưởng có căn cứ trong những nguồn đó.

⚠ Điểm đặc trưng của NotebookLM:

⚠ GROUNDED vào NGUỒN BẠN NẠP
    → ⚠ chỉ trả lời dựa trên tài
      liệu bạn tải lên
    → ⚠ TRÍCH DẪN về đúng đoạn
      trong tài liệu
        ↓
    ⚠ Kiểm chứng được từng câu
        ↓
    ⚠ Ít bịa hơn nhiều so với
      hỏi mô hình chung chung

⚠ Vì sao ba phương án kia sai:

"Gemini for Google Workspace"
    → ⚠ làm việc trong Gmail, Docs,
      Drive của tổ chức
    → ⚠ không phải công cụ nghiên cứu
      trên bộ nguồn TỰ CHỌN

"Vertex AI Model Garden"
    → ⚠ danh mục mô hình

"Google Search"
    → ⚠ tìm trên web CÔNG KHAI,
      không phải tài liệu nội bộ của bạn

Đối chiếu #13883 (cùng lô) — đề đó khoá Gemini for Workspace cho việc tóm tắt Meet và soạn thư Gmail. Đề này khoá NotebookLM vì nguồn là bộ tài liệu PDF do người dùng chọn và nạp vào. Không mâu thuẫn — khác nguồn và khác mục đích.

Vì sao các phương án khác sai

• D (Gemini for Workspace) — phương án gần nhất và là bẫy chính: nó cũng làm việc với tài liệu và cũng tóm tắt được. Nhưng NotebookLM được thiết kế riêng cho việc suy luận sâu trên một bộ nguồn có chủ đích.

• B và C — không phải công cụ nghiên cứu trên tài liệu riêng.

Ghi nhớ

⚠ Công cụ AI theo NGUỒN dữ liệu — bảng phải thuộc: | Công cụ | Nguồn | |---|---| | ⚠ NotebookLM | ⚠ tài liệu BẠN NẠP vào — có trích dẫn | | Gemini for Workspace | ⚠ Gmail, Drive, Docs của tổ chức | | ⚠ Vertex AI Search | ⚠ kho tài liệu doanh nghiệp, quy mô lớn | | Grounding with Google Search | ⚠ web công khai | | Ứng dụng Gemini | kiến thức chung của mô hình |

Từ khoá nhận diện:

"nạp PDF, hỏi đáp có trích dẫn" → ⚠ NotebookLM "trong Gmail và Docs" → Gemini for Workspace "tìm kiếm doanh nghiệp quy mô lớn" → ⚠ Vertex AI Search "thông tin mới trên web" → grounding with Search

Ba việc kiểm chứng: | Việc | Cách | |---|---| | Câu trả lời có trích dẫn không | ⚠ không có thì đừng dùng | | Trích dẫn có đúng nội dung không | ⚠ mở ra đọc vài chỗ | | Tài liệu nạp lên có nhạy cảm không | ⚠ kiểm trước |

Và cách dùng đúng nhất cho một trợ lý nghiên cứu dạng này: để nó chỉ cho bạn nên đọc kỹ chỗ nào. Nó rút ngắn rất nhiều thời gian định vị thông tin trong hàng trăm trang, nhưng phần đọc và đánh giá những đoạn quan trọng vẫn nên do người làm nghiên cứu tự làm.

Đáp án

B — Mức giảm thời gian trung bình mà lập trình viên cần để hoàn thành tác vụ lập trình khi dùng tính năng này.

Vì sao đúng

Chỉ số tốt phải trực tiếp, đo được, và quy về đúng tính năng đang xét. Thời gian hoàn thành tác vụ đáp ứng cả ba.

⚠ Vì sao chỉ số này đúng:

⚠ TRỰC TIẾP
    → ⚠ đo đúng thứ tính năng
      hứa hẹn: viết mã NHANH HƠN

⚠ SO SÁNH ĐƯỢC
    → ⚠ có dùng và không dùng
    → ⚠ trước và sau

⚠ QUY ĐỔI RA TIỀN
    → ⚠ giờ tiết kiệm × chi phí giờ
      = giá trị cụ thể cho lãnh đạo

⚠ Vì sao ba phương án kia sai:

"Thời gian họp bàn về tính năng"
    → ⚠ không đo giá trị gì

"Số dòng mã trong bản thân mô hình"
    → ⚠ hoàn toàn không liên quan
    → ⚠ và số dòng mã chưa bao giờ
      là thước đo tốt

"Tăng trưởng DOANH THU toàn công ty
 trong quý sau"
    → ⚠ quá GIÁN TIẾP: doanh thu
      chịu hàng chục yếu tố khác
    → ⚠ không quy được về tính năng này

Vì sao các phương án khác sai

• D (tăng trưởng doanh thu) — phương án gần nhất và là bẫy mạnh vì nghe rất "nghiệp vụ". Nhưng nó quá xa với tính năng: không cách nào tách phần đóng góp của một trợ lý viết mã khỏi mọi yếu tố khác trong quý.

• A và C — không đo được giá trị.

Ghi nhớ

⚠ Chỉ số tốt phải có gì — bảng nên thuộc: | Tiêu chí | Nội dung | |---|---| | ⚠ Trực tiếp | ⚠ đo đúng thứ tính năng tác động | | ⚠ Quy được về tính năng | ⚠ so có dùng và không dùng | | Đo được, có sẵn dữ liệu | | | ⚠ Quy đổi được ra giá trị | ⚠ thời gian, tiền, chất lượng | | Không dễ bị "chơi" số | ⚠ số dòng mã là ví dụ tệ điển hình |

Từ khoá nhận diện:

"đo tác động trực tiếp của tính năng" → ⚠ chỉ số về thời gian/chất lượng tác vụ "doanh thu toàn công ty" → ⚠ quá gián tiếp "số dòng mã" → ⚠ chỉ số tệ, dễ bị bóp méo "tỉ lệ chấp nhận gợi ý" → ⚠ chỉ số phụ trợ tốt

Ba câu hỏi kiểm chứng: | Câu hỏi | Vì sao hỏi | |---|---| | Có đường cơ sở trước khi triển khai không | ⚠ không có thì mọi con số đều tranh cãi được | | Chất lượng có giảm không | ⚠ phải đo cùng lúc | | Chỉ số này có bị bóp méo được không | ⚠ nếu có thì nó sẽ bị bóp méo |

Và sai lầm hay gặp nhất khi chứng minh giá trị của một tính năng AI: bắt đầu đo sau khi đã triển khai. Không có số liệu của giai đoạn trước đó, mọi cải thiện đều trở thành chuyện tranh luận — nên phép đo đầu tiên phải diễn ra trước ngày bật tính năng.

Đáp án

B — Cam kết của Google Cloud về việc KHÔNG dùng dữ liệu khách hàng từ các dịch vụ doanh nghiệp để huấn luyện mô hình chung nếu không có sự đồng ý tường minh, cùng với bộ công cụ bảo mật và quản trị.

Vì sao đúng

Đề nêu ba yêu cầu, và cả ba đều nằm trong phương án này: dữ liệu không dùng để huấn luyện mô hình nền của Google, quản được vị trí lưu trữ dữ liệu, quản được quyền truy cập.

⚠ Ba yêu cầu khớp:

"không dùng để huấn luyện mô hình
 nền chung"
    → ⚠ CAM KẾT về dữ liệu

"quản DATA RESIDENCY"
    → ⚠ chọn VÙNG lưu và xử lý

"quản QUYỀN theo nhu cầu tuân thủ"
    → ⚠ IAM, VPC-SC, CMEK, audit

⚠ Vì sao ba phương án kia sai:

"Công cụ low-code phát triển nhanh"
    → ⚠ về tốc độ làm sản phẩm

"Tốc độ và hiệu năng của TPU"
    → ⚠ về hiệu năng

"Có sẵn mô hình nền mạnh nhất"
    → ⚠ về năng lực

⚠ Cả ba đều là điểm mạnh thật, nhưng không giải quyết mối lo về kiểm soát dữ liệu.

⚠ Gần trùng với #13861 (cùng lô) — đề đó khoá "tính năng sẵn sàng doanh nghiệp: bảo mật, riêng tư, co giãn" cho tổ chức tài chính. Đề này đi sâu vào cam kết dữ liệu và quản trị. Hai khoá cùng hướng, bổ sung nhau, không mâu thuẫn.

Vì sao các phương án khác sai

• D (mô hình nền mạnh nhất) — phương án gần nhất về mặt "cũng là lý do chọn nền tảng", nhưng năng lực mô hình không trả lời được câu hỏi dữ liệu bệnh nhân sẽ đi đâu.

• A và C — nói về tốc độ phát triển và hiệu năng.

Ghi nhớ

⚠ Kiểm soát dữ liệu trên Vertex AI — bảng phải thuộc: | Kiểm soát | Nội dung | |---|---| | ⚠ Cam kết dữ liệu | ⚠ prompt và dữ liệu doanh nghiệp KHÔNG dùng huấn luyện mô hình nền | | ⚠ Data residency | ⚠ chọn vùng lưu và xử lý | | ⚠ VPC Service Controls | ⚠ ngăn dữ liệu rời khỏi ranh giới | | ⚠ CMEK | ⚠ khoá mã hoá do khách quản | | IAM | ⚠ ai gọi được mô hình nào | | Audit log | ⚠ truy vết mọi lời gọi | | ⚠ Sensitive Data Protection | ⚠ che PII/PHI trước khi gửi | | Assured Workloads | ⚠ cho yêu cầu tuân thủ đặc thù |

Từ khoá nhận diện:

"dữ liệu có bị dùng huấn luyện không" → ⚠ cam kết dữ liệu doanh nghiệp "dữ liệu phải ở trong nước" → ⚠ data residency "ngăn dữ liệu rời khỏi phạm vi" → VPC Service Controls "khoá mã hoá của riêng tôi" → CMEK

Ba câu hỏi kiểm chứng: | Câu hỏi | Vì sao hỏi | |---|---| | Đã đọc điều khoản của đúng dịch vụ chưa | ⚠ đừng suy đoán từ sản phẩm khác | | Nhân viên có dùng công cụ AI ngoài không | ⚠ rủi ro rò rỉ lớn nhất trong thực tế | | Log có chứa PHI không | ⚠ chỗ hay bị bỏ quên |

Và mối rủi ro về dữ liệu trong ngành y tế thường không đến từ nền tảng đã chọn kỹ càng, mà từ những công cụ AI mà nhân viên tự tìm đến khi công cụ nội bộ chưa đủ tiện. Vì vậy, cùng với việc siết chính sách, đáng làm không kém là cung cấp một lựa chọn nội bộ đủ tốt để không ai phải đi đường vòng.