Ngân hàng đề — Google Cloud Generative AI Leader

Đáp án

D — Grounding.

Vì sao đúng

Ảo giác xảy ra khi mô hình sinh ra nội dung nghe hợp lý nhưng không có cơ sở. Grounding chữa đúng nguyên nhân đó bằng cách buộc câu trả lời bám vào tài liệu thật.

⚠ Cơ chế:

Không grounding:
   ⚠ mô hình sinh từ mẫu hình đã học
   ⚠ không có gì ràng buộc với sự thật

⚠ Có grounding:
   ⚠ truy hồi đoạn tài liệu liên quan
   ⚠ buộc trả lời DỰA TRÊN đoạn đó
   ⚠ kèm TRÍCH DẪN kiểm chứng được
   ⚠ không có trong tài liệu → nói
     không biết

Vì sao các phương án khác sai

Cả ba đều là năng lực thật của Vertex AI Search nhưng giải việc khác:

• B (kiểm soát truy cập chi tiết) — ⚠ lo ai được xem tài liệu nào. Quan trọng cho bảo mật, ⚠ nhưng không ảnh hưởng tới việc mô hình có bịa hay không.

• A (tìm kiếm đa phương thức) — ⚠ mở rộng loại nội dung tìm được (ảnh, video), không liên quan tới độ chính xác.

• C (phân tích nâng cao) — ⚠ báo cáo về hành vi tìm kiếm, không phải cơ chế chống ảo giác.

Ghi nhớ

⚠ Bốn cách giảm ảo giác — bảng phải thuộc: | Cách | Hiệu quả | |---|---| | ⚠ Grounding / RAG | ⚠ mạnh nhất — đề này | | Yêu cầu trích dẫn | ⚠ kiểm chứng được | | Temperature thấp | ⚠ hỗ trợ, không đủ | | Người duyệt | ⚠ lớp chặn cuối | | ⚠ Không hiệu quả | ⚠ thêm disclaimer, fine-tune phong cách |

Từ khoá nhận diện:

"bịa thông tin, sai sự thật" → ⚠ grounding "ai được xem gì" → kiểm soát truy cập "tìm được cả ảnh và video" → đa phương thức "thống kê lượt tìm" → phân tích

Ba việc kiểm chứng: | Việc | Cách | |---|---| | Hỏi câu ngoài kho tài liệu thì sao | ⚠ phải nói không biết | | Trích dẫn có trỏ đúng chỗ không | ⚠ mở ra đối chiếu | | Tài liệu nguồn có chính xác không | ⚠ grounding không sửa được nguồn sai |

Và câu đáng nhớ nhất về mối quan hệ này: ảo giác không phải lỗi của mô hình, nó là hệ quả tất yếu của cách mô hình hoạt động. Vì thế cách chữa không nằm ở việc làm mô hình "cẩn thận hơn", mà ở việc đưa sự thật vào cho nó.

Đáp án

C — Hệ thống trong đó NHIỀU agent chuyên biệt phối hợp với nhau để đạt một mục tiêu phức tạp, ví dụ đặt trọn một chuyến đi.

Vì sao đúng

"Multi-agent" đòi hỏi nhiều agent, mỗi agent có chuyên môn riêng, và chúng phối hợp.

⚠ Ví dụ đặt chuyến đi:

⚠ Agent điều phối
   → hiểu yêu cầu, chia việc

⚠ Agent chuyến bay
   → tìm và đặt vé

⚠ Agent khách sạn
   → tìm và đặt phòng

⚠ Agent lịch trình
   → sắp xếp hoạt động

⚠ Kết quả tổng hợp lại

⚠ Vì sao chia nhỏ lại tốt:

⚠ Mỗi agent có prompt và công cụ
  chuyên biệt → làm tốt hơn
⚠ Phát triển và kiểm thử độc lập
⚠ Thay một agent không ảnh hưởng
  cả hệ

Vì sao các phương án khác sai

• B (một agent dùng NHIỀU CÔNG CỤ như CSDL và API tìm kiếm) — ⚠ bẫy mạnh nhất: đây là một agent có nhiều công cụ, tức là agent bình thường. ⚠ Nhiều công cụ ≠ nhiều agent.

• A (một agent làm được nhiều việc: viết email và tóm tắt tài liệu) — ⚠ vẫn là MỘT agent đa năng.

• D (một agent tuỳ chỉnh được bằng tham số khác nhau) — ⚠ nói về cấu hình, không phải về nhiều agent.

⚠ Điểm phân biệt duy nhất: có nhiều thực thể agent riêng biệt cùng làm việc hay không.

Ghi nhớ

⚠ Ba mức phức tạp — bảng phải thuộc: | Mức | Đặc điểm | |---|---| | Mô hình đơn | ⚠ một lượt hỏi đáp | | ⚠ Một agent | ⚠ vòng lặp suy luận + nhiều CÔNG CỤ | | ⚠ Đa tác nhân | ⚠ nhiều AGENT chuyên biệt phối hợp — đề này |

Từ khoá nhận diện:

"nhiều agent, phối hợp, chuyên biệt" → ⚠ multi-agent "một agent dùng nhiều công cụ" → ⚠ agent thường, KHÔNG phải multi-agent "agent đa năng" → ⚠ vẫn là một agent

Ba việc kiểm chứng: | Việc | Cách | |---|---| | Có thật sự cần nhiều agent không | ⚠ thử một agent trước | | Chi phí mỗi yêu cầu là bao nhiêu | ⚠ cộng hết các lượt gọi | | Agent nào gây lỗi khi kết quả sai | ⚠ cần ghi vết từng agent |

Và ranh giới cần thuộc để không nhầm: công cụ là thứ agent GỌI, agent là thứ biết TỰ QUYẾT ĐỊNH. Một agent cầm mười công cụ vẫn là một agent; hai agent mỗi bên cầm một công cụ mới là hệ đa tác nhân.

Đáp án

D — Dùng gen AI để phân tích cảm xúc khách hàng trong video chứng thực VÀ dữ liệu khảo sát.

Vì sao đúng

Đa phương thức nghĩa là hệ thống làm việc với NHIỀU LOẠI dữ liệu cùng lúc.

⚠ Trong phương án D có mấy loại:

⚠ VIDEO chứng thực
   → hình ảnh + âm thanh + lời nói

⚠ DỮ LIỆU KHẢO SÁT
   → văn bản, số

⚠ Phân tích CÙNG LÚC
   → đó là đa phương thức

Vì sao các phương án khác sai

Cả ba đều là ứng dụng gen AI thật nhưng chỉ một phương thức:

• A (Gemini trong Gmail để viết email) — ⚠ chữ vào, chữ ra.

• B (Imagen tạo ảnh cho website) — ⚠ bẫy hợp lý: có chữ và có ảnh nên nghe như hai phương thức. Nhưng ⚠ đây là chuyển đổi một chiều chữ → ảnh, không phải phân tích nhiều loại dữ liệu cùng lúc. Đề hỏi ứng dụng đa phương thức theo nghĩa xử lý.

• C (NotebookLM tóm tắt báo cáo tài chính) — ⚠ tài liệu vào, tóm tắt ra — vẫn là văn bản.

Ghi nhớ

⚠ Đa phương thức là gì — bảng phải thuộc: | Khía cạnh | Nội dung | |---|---| | ⚠ Đầu vào nhiều loại | ⚠ chữ + ảnh + âm thanh + video | | ⚠ Hiểu quan hệ giữa các loại | ⚠ điểm cốt lõi | | Có thể sinh ra nhiều loại | | | ⚠ Không phải | ⚠ chỉ đổi loại này thành loại kia |

Từ khoá nhận diện:

"video + văn bản, nhiều nguồn khác loại" → ⚠ đa phương thức "chữ vào chữ ra" → ⚠ một phương thức "chữ ra ảnh" → ⚠ sinh ảnh, không phải phân tích đa phương thức

Ba việc kiểm chứng: | Việc | Cách | |---|---| | Người tham gia có đồng ý cho phân tích video không | ⚠ bắt buộc | | Kết luận cảm xúc có khớp người đọc không | ⚠ đối chiếu mẫu | | Chi phí xử lý video là bao nhiêu | ⚠ cao hơn văn bản rất nhiều |

Và cách kiểm tra nhanh xem một ứng dụng có thật sự đa phương thức: đếm số LOẠI dữ liệu ĐI VÀO cùng một lần phân tích. Một loại vào thì dù đầu ra là gì cũng chưa phải đa phương thức theo nghĩa đề hỏi.

Đáp án

D — Kết hợp tầm nhìn chiến lược từ trên xuống với ý kiến từ dưới lên của các đội.

Vì sao đúng

Hai chiều tiếp cận giải hai vấn đề khác nhau, và thiếu chiều nào cũng hỏng.

⚠ Mỗi chiều đóng góp gì:

⚠ TỪ TRÊN XUỐNG
   → ⚠ tầm nhìn, ưu tiên
   → ⚠ ngân sách và nhân sự
   → ⚠ quản trị, chuẩn an toàn
   → ⚠ gỡ vướng liên phòng ban

⚠ TỪ DƯỚI LÊN
   → ⚠ biết ĐIỂM ĐAU THẬT ở đâu
   → ⚠ biết việc nào AI giúp được
   → ⚠ tạo người ủng hộ trong đội
   → ⚠ ý tưởng thực tế, dùng được

⚠ Thiếu một chiều thì sao:

⚠ Chỉ từ trên xuống
   → ⚠ giải bài toán không ai có
   → ⚠ đội không dùng

⚠ Chỉ từ dưới lên
   → ⚠ hàng chục thử nghiệm rời rạc
   → ⚠ trùng lặp, không lên quy mô được
   → ⚠ "shadow AI" ngoài tầm kiểm soát

Vì sao các phương án khác sai

• A (chỉ từ trên xuống do lãnh đạo dẫn dắt) — ⚠ bẫy hợp lý vì bảo trợ điều hành đúng là quan trọng. Nhưng ⚠ thiếu hiểu biết thực địa thì chọn sai bài toán.

• B (chỉ từ dưới lên, không có kế hoạch tổng thể) — ⚠ đề tự nói "no overarching plan" — không lên quy mô và không quản trị được.

• C (chạy theo xu hướng mới nhất) — ⚠ không phải chiến lược: công nghệ đi trước bài toán là cách tốn tiền nhanh nhất.

Ghi nhớ

⚠ Hai chiều và vai trò — bảng phải thuộc: | Chiều | Đóng góp | |---|---| | ⚠ Từ trên xuống | ⚠ ưu tiên, ngân sách, quản trị | | ⚠ Từ dưới lên | ⚠ bài toán thật, người ủng hộ | | ⚠ Kết hợp | ⚠ câu trả lời đúng — đề này | | Chạy theo xu hướng | ⚠ luôn sai |

Từ khoá nhận diện:

"kết hợp cả hai" → ⚠ thường là đáp án cho câu chiến lược "chỉ… mà không…" → ⚠ dấu hiệu phương án phiến diện "theo xu hướng mới nhất" → ⚠ luôn là phương án sai

Ba việc kiểm chứng: | Việc | Cách | |---|---| | Ca sử dụng có xuất phát từ bài toán thật không | ⚠ hỏi người làm việc đó hằng ngày | | Có ai đang tự dùng AI ngoài luồng không | ⚠ shadow AI là tín hiệu về nhu cầu thật | | Đo thành công bằng chỉ số gì | ⚠ thống nhất trước khi bắt đầu |

Và điều thường quyết định thành bại của chương trình AI trong doanh nghiệp không phải mô hình nào, mà là có chọn đúng bài toán đáng giải hay không. Câu trả lời đó nằm ở những người làm việc đó mỗi ngày, không nằm trong phòng họp lãnh đạo.

Đáp án

B — Deep learning (học sâu).

Vì sao đúng

Đề định nghĩa gần như nguyên văn: tập con chuyên biệt của machine learning, dùng mạng nơ-ron nhân tạo NHIỀU LỚP để phân tích mẫu hình dữ liệu phức tạp.

⚠ Từ khoá quyết định:

"tập con của MACHINE LEARNING"
    → ⚠ hẹp hơn ML

"mạng nơ-ron NHIỀU LỚP"
    → ⚠ chữ "SÂU" trong deep learning
      chính là NHIỀU LỚP

Vì sao các phương án khác sai

• D (Machine learning) — ⚠ bẫy mạnh nhất: đề nói rõ đây là tập con CỦA ML, nên không thể là chính ML.

• A (Artificial intelligence) — ⚠ rộng nhất, chứa cả ML lẫn deep learning.

• C (Prompting) — ⚠ kỹ thuật sử dụng mô hình, không phải nhánh nghiên cứu.

Ghi nhớ về chất lượng câu hỏi

⚠ Câu này dùng CÙNG BỘ PHƯƠNG ÁN với #14165 trong cùng lô — cùng bốn lựa chọn AI / Deep learning / Prompting / Machine learning. Khoá khác nhau và cả hai đều đúng:

⚠ Bài học: cùng một bộ phương án có thể phục vụ nhiều câu hỏi khác nhau — phải đọc kỹ định nghĩa trong đề, đừng nhớ theo "bộ này thì chọn cái kia".

Ghi nhớ

⚠ Bốn tầng — bảng phải thuộc: | Tầng | Định nghĩa | |---|---| | AI | ⚠ lĩnh vực rộng nhất | | ML | ⚠ học từ dữ liệu | | ⚠ Deep Learning | ⚠ ML dùng mạng nơ-ron NHIỀU LỚP — đề này | | Gen AI | ⚠ sinh nội dung mới |

Từ khoá nhận diện:

"mạng nơ-ron nhiều lớp, dữ liệu phức tạp" → ⚠ Deep learning "lĩnh vực rộng" → AI "học từ dữ liệu nói chung" → ML "cách viết câu lệnh" → prompting

Ba việc kiểm chứng: | Việc | Cách | |---|---| | Bài toán có đủ dữ liệu cho deep learning không | ⚠ ít dữ liệu thì mô hình đơn giản tốt hơn | | Có cần giải thích quyết định không | ⚠ mạng sâu là hộp đen | | Mô hình đơn giản đã đủ chưa | ⚠ thử trước khi dùng thứ phức tạp |

Và điều dễ bị quên giữa cơn sốt mô hình lớn: deep learning không phải luôn là lựa chọn tốt nhất. Với dữ liệu dạng bảng và tập nhỏ, một mô hình cây quyết định thường vừa chính xác hơn, vừa nhanh hơn, vừa giải thích được — ba thứ mà mạng nơ-ron sâu khó có cùng lúc.

Đáp án

C — Grounding, prompt engineering, fine-tuning và human-in-the-loop (HITL).

Vì sao đúng

Bốn kỹ thuật này khắc phục bốn giới hạn khác nhau của mô hình nền, và chúng bổ sung cho nhau.

⚠ Ghép giới hạn với kỹ thuật:

⚠ Ảo giác, tri thức lỗi thời,
  không biết dữ liệu riêng
   → ⚠ GROUNDING / RAG

⚠ Đầu ra không đúng ý, sai định dạng
   → ⚠ PROMPT ENGINEERING

⚠ Không đúng phong cách, thuật ngữ
  chuyên ngành
   → ⚠ FINE-TUNING

⚠ Không đáng tin cho quyết định
  rủi ro cao
   → ⚠ HITL

⚠ Thứ tự nên áp dụng:

⚠ Prompt (rẻ nhất)
   → ⚠ Grounding
      → ⚠ Fine-tuning (đắt)
⚠ HITL luôn có mặt ở việc rủi ro cao

Vì sao các phương án khác sai

• B (ngăn ảo giác bằng cách HẠN CHẾ mô hình truy cập nguồn tri thức bên ngoài) — ⚠ ngược hoàn toàn: cắt nguồn ngoài làm ảo giác TĂNG, vì mô hình chỉ còn cách bịa. Cách đúng là MỞ đường tới nguồn tin cậy.

• A (tăng sức mạnh xử lý và phần cứng nhanh hơn) — ⚠ giúp tốc độ, không giúp độ chính xác hay tính phù hợp.

• D (thuật toán và cấu trúc dữ liệu nâng cao) — ⚠ chung chung, không phải kỹ thuật khắc phục giới hạn mô hình nền.

Ghi nhớ

⚠ Bốn kỹ thuật và việc chúng chữa — bảng phải thuộc: | Kỹ thuật | Chữa giới hạn | |---|---| | ⚠ Grounding / RAG | ⚠ ảo giác, tri thức cũ, dữ liệu riêng | | ⚠ Prompt engineering | ⚠ đầu ra lệch ý, sai định dạng | | ⚠ Fine-tuning | ⚠ phong cách, nhiệm vụ chuyên biệt | | ⚠ HITL | ⚠ rủi ro cao, cần phán đoán |

Từ khoá nhận diện:

"khắc phục giới hạn mô hình nền" → ⚠ bốn kỹ thuật trên "hạn chế truy cập nguồn ngoài" → ⚠ luôn SAI "phần cứng mạnh hơn" → ⚠ giải bài toán tốc độ, không phải chất lượng

Ba việc kiểm chứng: | Việc | Cách | |---|---| | Đã thử prompt và RAG trước khi fine-tune chưa | ⚠ thứ tự từ rẻ tới đắt | | Việc này có cần HITL không | ⚠ xét theo mức rủi ro | | Mô hình có nói "không biết" khi thiếu dữ liệu không | ⚠ hành vi mong muốn |

Và cách nhớ gọn bốn kỹ thuật: grounding dạy mô hình BIẾT GÌ, prompt dạy nó LÀM GÌ, fine-tune dạy nó NÓI THẾ NÀO, HITL quyết định ai CHỊU TRÁCH NHIỆM.

Đáp án

D — Đảm bảo hệ thống AI được sử dụng có trách nhiệm và không gây hại.

Vì sao đúng

Đây là phát biểu bao quát và chính xác nhất về mục tiêu của phát triển AI có đạo đức: ngăn tác hại và dùng có trách nhiệm.

⚠ Tác hại cần ngăn:

⚠ Phân biệt đối xử với nhóm bảo vệ
⚠ Xâm phạm quyền riêng tư
⚠ Lan truyền thông tin sai
⚠ Quyết định sai ở lĩnh vực rủi ro cao
⚠ Thao túng người dùng
⚠ Tác động môi trường và xã hội

Vì sao các phương án khác sai

• C (thúc đẩy minh bạch với bên liên quan và TỐI ĐA HOÁ tác động lên hệ thống AI) — ⚠ bẫy tinh vi nhất: nửa đầu (minh bạch) là thực hành đúng, nhưng nửa sau ⚠ "tối đa hoá tác động" là mục tiêu mơ hồ và không phải mục tiêu đạo đức. Minh bạch là phương tiện, không phải mục tiêu cuối.

• A (né tránh yêu cầu pháp lý và quản lý) — ⚠ ngược hoàn toàn: đạo đức thường vượt trên mức luật yêu cầu, không phải để lách luật.

• B (tối đa hoá hiệu năng AI bất kể tác động xã hội) — ⚠ định nghĩa của việc KHÔNG có đạo đức.

Ghi nhớ

⚠ Mục tiêu và phương tiện — bảng phải thuộc: | Loại | Nội dung | |---|---| | ⚠ MỤC TIÊU | ⚠ không gây hại, dùng có trách nhiệm | | Phương tiện | ⚠ minh bạch, giải thích được, công bằng | | Phương tiện | ⚠ HITL, kiểm toán, Model Card | | Phương tiện | ⚠ bảo mật (SAIF), quyền riêng tư | | ⚠ Đề hỏi "primary goal" | ⚠ chọn mục tiêu, không chọn phương tiện |

Từ khoá nhận diện:

"không gây hại, có trách nhiệm" → ⚠ mục tiêu đạo đức "minh bạch, giải thích được" → ⚠ phương tiện đạt mục tiêu "né luật", "bất kể tác động" → ⚠ luôn sai

Ba việc kiểm chứng: | Việc | Cách | |---|---| | Đã đo tác động theo từng nhóm chưa | ⚠ con số tổng che mất bất công | | Ai có quyền dừng dự án | ⚠ phải độc lập với đội sản phẩm | | Người dùng có biết đang tương tác với AI không | ⚠ minh bạch cơ bản |

Và điều phân biệt đạo đức thật với đạo đức trên giấy: có ai từng thật sự dừng một dự án vì lý do đạo đức chưa? Tổ chức chưa bao giờ nói không thì bộ nguyên tắc của họ chưa từng được thử.

Đáp án

C — Khi chỉ dùng prompt engineering không đạt kết quả mong muốn, và mô hình cần được chuyên biệt hoá cho nhiệm vụ hoặc định dạng đầu ra cụ thể bằng một tập dữ liệu mới dành riêng cho nhiệm vụ đó.

Vì sao đúng

Phương án C nêu đúng cả điều kiện lẫn cách làm:

⚠ Hai vế đều quan trọng:

⚠ "khi prompt engineering KHÔNG đủ"
   → ⚠ fine-tune là bước SAU, không
     phải bước đầu

⚠ "chuyên biệt hoá bằng tập dữ liệu
   dành riêng cho nhiệm vụ"
   → ⚠ đúng cách fine-tune hoạt động

⚠ Fine-tuning làm được gì:

⚠ Đầu ra theo ĐÚNG ĐỊNH DẠNG
⚠ Giọng văn và thuật ngữ ngành
⚠ Nhiệm vụ hẹp lặp lại nhiều
⚠ Rút ngắn prompt → giảm chi phí
  mỗi lượt gọi

Vì sao các phương án khác sai

• A (grounding để cung cấp dữ liệu thời gian thực nhằm TĂNG ảo giác) — ⚠ tự mâu thuẫn: grounding để GIẢM ảo giác. Câu này vừa nhầm khái niệm vừa nói ngược mục đích.

• B (nhanh chóng hướng mô hình tới tối ưu chi phí tính toán bằng cách thay đổi tri thức nền) — ⚠ sai kép: fine-tune không nhanh và không phải công cụ tối ưu chi phí tính toán theo nghĩa này; nó cũng không "thay đổi tri thức nền" một cách đáng tin cậy.

• D (khi mô hình gặp nhiều ca biên và cần CHẶN truy cập mọi thông tin bên ngoài) — ⚠ ngược: ca biên cần thêm dữ liệu và ngữ cảnh, không phải cắt bớt.

Ghi nhớ

⚠ Thứ tự thử — bảng phải thuộc: | Bước | Kỹ thuật | Chi phí | |---|---|---| | 1 | ⚠ Prompt engineering | ⚠ thấp nhất | | 2 | ⚠ Few-shot | thấp | | 3 | ⚠ RAG / Grounding | ⚠ trung bình | | ⚠ 4 | ⚠ FINE-TUNING | ⚠ cao — đề này | | 5 | ⚠ Huấn luyện từ đầu | ⚠ rất cao |

Từ khoá nhận diện:

"prompt không đủ, cần chuyên biệt hoá, có dữ liệu riêng" → ⚠ fine-tuning "cần dữ liệu mới nhất, sự thật" → ⚠ RAG, KHÔNG phải fine-tune "tăng ảo giác" → ⚠ phương án tự mâu thuẫn

Ba việc kiểm chứng: | Việc | Cách | |---|---| | Đã thử hết prompt và RAG chưa | ⚠ fine-tune là bước sau cùng | | Dữ liệu huấn luyện có nhất quán không | ⚠ rà tay một mẫu | | Mô hình sau fine-tune có kém đi ở việc khác không | ⚠ kiểm cả năng lực chung |

Và sai lầm tốn kém phổ biến nhất với fine-tuning: làm nó để giải bài toán mà RAG mới là câu trả lời. Đội cần mô hình biết dữ liệu công ty thường nghĩ ngay tới fine-tune, tốn hàng tuần và hàng nghìn đô, rồi phát hiện mô hình vẫn bịa — vì fine-tune dạy cách nói, không dạy sự thật.

Đáp án

B — Workflow orchestrations (Vertex AI Pipelines).

Vì sao đúng

Đề nói tự động hoá TOÀN BỘ quy trình ML, từ tiền xử lý dữ liệu tới triển khai mô hình. Đó chính là định nghĩa của điều phối quy trình.

⚠ Pipelines làm gì:

⚠ Định nghĩa các BƯỚC và thứ tự
        ↓
⚠ Tiền xử lý dữ liệu
   → ⚠ huấn luyện
      → ⚠ đánh giá
         → ⚠ đăng ký vào Registry
            → ⚠ triển khai
        ↓
⚠ Chạy theo lịch hoặc theo sự kiện
⚠ Ghi lại mọi lần chạy → tái hiện được

Vì sao các phương án khác sai

• C (Model Registry) — ⚠ một BƯỚC trong quy trình (lưu và đánh phiên bản mô hình), không phải thứ điều phối cả quy trình.

• A (Model evaluation) — ⚠ cũng chỉ là một bước: đo chất lượng mô hình.

• D (Docker) — ⚠ bẫy hợp lý: Docker đóng gói môi trường và được Pipelines dùng bên dưới, nhưng ⚠ bản thân nó không điều phối thứ tự các bước hay quản lý phụ thuộc giữa chúng.

Ghi nhớ

⚠ Từng công cụ là một mảnh — bảng phải thuộc: | Công cụ | Vai trò | |---|---| | ⚠ Pipelines / Workflow orchestration | ⚠ NỐI các bước thành quy trình — đề này | | Model Registry | ⚠ lưu và đánh phiên bản mô hình | | Model Evaluation | ⚠ đo chất lượng | | Model Monitoring | ⚠ theo dõi sau triển khai | | Docker | ⚠ đóng gói môi trường cho từng bước |

Từ khoá nhận diện:

"tự động hoá toàn bộ, từ A tới Z, lặp lại được" → ⚠ Pipelines "lưu phiên bản mô hình" → Registry "đo chất lượng" → Evaluation "đóng gói môi trường" → Docker

Ba việc kiểm chứng: | Việc | Cách | |---|---| | Chạy lại pipeline có ra kết quả cũ không | ⚠ kiểm tính tái hiện | | Có cổng chất lượng trước khi triển khai không | ⚠ tránh đẩy mô hình kém ra thật | | Ai được kích hoạt chạy | ⚠ kiểm soát truy cập |

Và dấu hiệu rõ nhất phân biệt đội ML trưởng thành với đội chưa: có ai đó phải mở notebook và bấm chạy tay để huấn luyện lại mô hình hay không. Nếu có, quy trình đó chưa tự động hoá — và nó sẽ hỏng vào đúng ngày người đó nghỉ phép.

Đáp án

B — Vertex AI AutoML.

Vì sao đúng

Đề nêu ba ràng buộc, và AutoML sinh ra đúng cho hoàn cảnh này:

⚠ Ba ràng buộc:

"đội ÍT chuyên môn machine learning"
    → ⚠ không tự thiết kế kiến trúc được

"giải pháp NHANH và DỄ"
    → ⚠ không có thời gian nghiên cứu

"TỐI THIỂU việc lập trình"
    → ⚠ loại mọi phương án viết code

⚠ AutoML làm gì:

⚠ Bạn cung cấp dữ liệu đã gán nhãn
        ↓
⚠ AutoML TỰ chọn kiến trúc
⚠ TỰ tinh chỉnh siêu tham số
⚠ TỰ đánh giá
        ↓
⚠ Cho ra mô hình triển khai được

Ghi nhớ về chất lượng câu hỏi

⚠ Câu này dùng CÙNG BỘ PHƯƠNG ÁN với #14170 trong cùng lô (chỉ khác phương án D). Khoá khác nhau và cả hai đều đúng:

⚠ Bài học: bộ đề tái sử dụng phương án cho các tình huống trái ngược. Phải đọc năng lực của đội và mức kiểm soát cần thiết trong đề, không nhớ theo bộ phương án.

Vì sao các phương án khác sai

• A (tự xây mô hình tuỳ chỉnh trên Vertex AI) — ⚠ đòi hỏi chuyên môn ML sâu, đúng thứ đội này không có.

• D (Python và TensorFlow) — ⚠ nhiều code nhất, ngược hẳn yêu cầu.

• C (Model Garden) — ⚠ bẫy hợp lý: cho mô hình sẵn dùng ngay. Nhưng phân loại phiếu hỗ trợ theo danh mục RIÊNG của công ty cần mô hình học từ dữ liệu của họ — Model Garden không huấn luyện trên dữ liệu đó.

Ghi nhớ

⚠ Bốn mức kiểm soát — bảng phải thuộc: | Mức | Công cụ | Ai dùng | |---|---|---| | Cao nhất | ⚠ huấn luyện tuỳ chỉnh | ⚠ kỹ sư ML | | ⚠ Trung bình | ⚠ AutoML | ⚠ có dữ liệu, ít chuyên môn — đề này | | Thấp | ⚠ Model Garden / API | ⚠ dùng mô hình sẵn | | Không cần kỹ thuật | ⚠ Gemini for Workspace | nhân viên |

Từ khoá nhận diện:

"ít chuyên môn ML, nhanh, ít code, có dữ liệu gán nhãn" → ⚠ AutoML "toàn quyền kiểm soát kiến trúc" → ⚠ tự xây "dùng mô hình có sẵn" → Model Garden

Ba việc kiểm chứng: | Việc | Cách | |---|---| | Có đủ dữ liệu gán nhãn chưa | ⚠ điều kiện tiên quyết của AutoML | | Nhãn có nhất quán không | ⚠ cho hai người gán cùng 50 phiếu rồi so | | Thử zero-shot bằng Gemini trước chưa | ⚠ có thể không cần huấn luyện gì cả |

Và một lựa chọn đề không nêu nhưng đáng cân nhắc thực tế: thử phân loại bằng mô hình nền với vài ví dụ trước khi huấn luyện AutoML. Nếu đủ tốt thì tiết kiệm được toàn bộ công gán nhãn — thứ tốn kém nhất trong dự án loại này.