Ngân hàng đề — Google Cloud Generative AI Leader

Đáp án

C — Tầng agents định nghĩa NĂNG LỰC của AI (tìm kiếm, đặt chỗ, gợi ý), còn tầng applications cung cấp CÔNG CỤ hướng người dùng (website hoặc ứng dụng) để tương tác với agent.

Vì sao đúng

Hai tầng có vai trò tách bạch rõ ràng:

⚠ Phân vai:

⚠ TẦNG AGENTS
   → ⚠ agent LÀM ĐƯỢC GÌ
   → tìm chuyến bay
   → đặt khách sạn
   → lập lịch trình
   → ⚠ logic, công cụ, suy luận

⚠ TẦNG APPLICATIONS
   → ⚠ người dùng TƯƠNG TÁC RA SAO
   → website, ứng dụng di động
   → giao diện, trải nghiệm

⚠ Vì sao tách hai tầng lại tốt:

⚠ Cùng một agent phục vụ nhiều
  giao diện: web, app, chatbot
⚠ Đổi giao diện không phải viết
  lại logic
⚠ Đội khác nhau làm song song

Vì sao các phương án khác sai

• B (tầng applications quyết định các nhiệm vụ cụ thể agent làm được) — ⚠ đảo ngược vai trò: năng lực do tầng agents định nghĩa, không phải tầng ứng dụng.

• A (tầng agents cung cấp giao diện người dùng) — ⚠ cũng đảo ngược.

• D (tầng applications cung cấp tài nguyên tính toán) — ⚠ nhầm tầng: tài nguyên tính toán thuộc tầng Infrastructure.

Ghi nhớ

⚠ Năm tầng của bức tranh gen AI — bảng phải thuộc: | Tầng | Nội dung | |---|---| | Infrastructure | ⚠ GPU/TPU, mạng, lưu trữ | | Models | ⚠ mô hình nền | | Platforms | ⚠ công cụ xây và triển khai | | ⚠ Agents | ⚠ NĂNG LỰC: suy luận, công cụ, hành động — đề này | | ⚠ Applications | ⚠ GIAO DIỆN người dùng — đề này |

Từ khoá nhận diện:

"agent làm được gì, gọi công cụ nào" → ⚠ tầng Agents "website, app, người dùng bấm vào đâu" → ⚠ tầng Applications "GPU, máy chủ" → Infrastructure "công cụ xây agent" → Platforms

Ba việc kiểm chứng: | Việc | Cách | |---|---| | Logic agent có phụ thuộc vào giao diện không | ⚠ nếu có thì tách tầng chưa sạch | | Bước đặt chỗ có xác nhận không | ⚠ bắt buộc | | Agent nhớ được gì giữa các phiên | ⚠ hỗ trợ trong chuyến đi cần điều này |

Và cách kiểm tra kiến trúc có tách tầng đúng hay chưa: thử tưởng tượng thêm một kênh mới — tổng đài điện thoại chẳng hạn. Nếu phải viết lại logic tìm chuyến bay thì hai tầng đang dính vào nhau.

Đáp án

B — Cho phép mô hình truy cập và sử dụng nguồn tri thức BÊN NGOÀI để sinh ra đầu ra.

Vì sao đúng

Chữ "retrieval-augmented" nghĩa là được tăng cường bằng truy hồi — mô hình đi lấy thông tin từ nguồn ngoài trước khi trả lời.

⚠ Cơ chế:

Câu hỏi
    → ⚠ TRUY HỒI từ nguồn ngoài
    → ⚠ ghép vào prompt
    → ⚠ SINH câu trả lời dựa trên đó
    → ⚠ kèm trích dẫn

⚠ Gần trùng với #14162 (chính lô này) — cùng hỏi về RAG, cùng hướng khoá. Câu kia hỏi mô hình tương tác với kho dữ liệu ra sao, câu này hỏi chức năng chính. Hai cách diễn đạt của cùng một kiến thức.

Vì sao các phương án khác sai

• A (tăng khả năng GHI NHỚ lượng lớn thông tin của mô hình) — ⚠ bẫy mạnh nhất và là hiểu lầm phổ biến: RAG KHÔNG làm mô hình nhớ thêm gì. Thông tin nằm ngoài mô hình và được đưa vào từng lần gọi.

• C (giới hạn đầu ra vào một tập câu trả lời định sẵn) — ⚠ đó là hệ thống theo kịch bản, không phải RAG. RAG vẫn sinh ngôn ngữ tự do, chỉ khác là dựa trên tài liệu.

• D (thay thế sự can thiệp của con người) — ⚠ không phải mục đích của RAG. RAG cải thiện độ chính xác, nhưng ⚠ với việc rủi ro cao thì vẫn cần HITL.

Ghi nhớ

⚠ RAG là gì và không là gì — bảng phải thuộc: | RAG LÀ | RAG KHÔNG LÀ | |---|---| | ⚠ Truy hồi rồi mới sinh | ⚠ thay đổi trọng số mô hình | | ⚠ Kiến thức nằm ngoài mô hình | ⚠ làm mô hình "nhớ" thêm | | ⚠ Cập nhật bằng cách sửa tài liệu | ⚠ giới hạn vào câu trả lời định sẵn | | Trích dẫn được nguồn | ⚠ thay thế con người |

Từ khoá nhận diện:

"truy cập nguồn ngoài, tài liệu riêng, dữ liệu mới" → ⚠ RAG "mở rộng trí nhớ / tham số mô hình" → ⚠ mô tả SAI "câu trả lời định sẵn" → ⚠ hệ kịch bản, không phải RAG

Ba việc kiểm chứng: | Việc | Cách | |---|---| | Xem được đoạn nào đã truy hồi không | ⚠ gỡ lỗi RAG phải nhìn vào đây | | Hỏi ngoài kho thì mô hình nói gì | ⚠ phải nói không biết | | Tài liệu nguồn ai duyệt | ⚠ nguồn sai thì RAG cũng sai |

Và cách hiểu RAG dễ nhớ nhất: nó giống việc đưa cho một người thông minh vài trang tài liệu rồi bảo trả lời dựa trên đó. Người đó không học thuộc tài liệu, không thông minh hơn — chỉ là bây giờ có cơ sở để trả lời đúng.

Đáp án

A — Cung cấp nền tảng tập trung để tổ chức và truy cập các AI agent có thể dùng dữ liệu công ty hỗ trợ nhân viên.

Vì sao đúng

Google Agentspace (nay gắn với Gemini Enterprise) là cổng vào AI cho nhân viên trong doanh nghiệp.

⚠ Ba đặc điểm chính:

⚠ TẬP TRUNG
   → một nơi cho mọi agent
   → quản trị và kiểm soát thống nhất

⚠ DÙNG DỮ LIỆU CÔNG TY
   → tìm xuyên nhiều nguồn nội bộ
   → tôn trọng phân quyền

⚠ HỖ TRỢ NHÂN VIÊN
   → ⚠ hướng NỘI BỘ, không phải
     hướng khách hàng

Vì sao các phương án khác sai

• D (giao diện hướng KHÁCH HÀNG để tương tác với chatbot) — ⚠ bẫy mạnh nhất: sai đối tượng. Agentspace phục vụ nhân viên nội bộ, không phải khách hàng bên ngoài.

• C (kho tập trung để lưu trữ và quản lý toàn bộ dữ liệu công ty) — ⚠ đó là data lake / warehouse. Agentspace TRUY CẬP dữ liệu chứ không LƯU nó.

• B (tăng cường phòng thủ an ninh mạng, phát hiện và ngăn rò rỉ dữ liệu) — ⚠ đó là việc của Security Command Center.

Ghi nhớ

⚠ Phân biệt theo đối tượng phục vụ — bảng phải thuộc: | Sản phẩm | Phục vụ ai | |---|---| | ⚠ Agentspace / Gemini Enterprise | ⚠ NHÂN VIÊN nội bộ — đề này | | Agent Builder | ⚠ lập trình viên xây agent | | Chatbot khách hàng | ⚠ người ngoài | | Data lake / warehouse | ⚠ lưu dữ liệu | | Security Command Center | ⚠ đội bảo mật |

Từ khoá nhận diện:

"nền tảng tập trung, nhân viên, dữ liệu công ty" → ⚠ Agentspace "khách hàng bên ngoài" → ⚠ sai đối tượng "lưu trữ dữ liệu" → ⚠ kho dữ liệu, không phải Agentspace "an ninh mạng" → SCC

Ba việc kiểm chứng: | Việc | Cách | |---|---| | Agent có kế thừa đúng quyền không | ⚠ thử với tài khoản quyền thấp | | Có nhật ký truy cập không | ⚠ yêu cầu kiểm toán | | Nhân viên đang dùng công cụ ngoài luồng nào | ⚠ dấu hiệu nhu cầu chưa được đáp ứng |

Và câu hỏi phân biệt nhanh nhất cho nhóm sản phẩm này: ai là người mở nó ra dùng hằng ngày? Nhân viên công ty thì đó là Agentspace; khách hàng ngoài thì là một ứng dụng khác hoàn toàn.

Đáp án

B — Vì họ ở gần quy trình làm việc nên nhận ra được những giải pháp gen AI có tác động thật.

Vì sao đúng

Người làm việc hằng ngày với một quy trình biết chỗ nào thật sự tốn thời gian — thứ mà lãnh đạo nhìn từ trên không thấy.

⚠ Họ biết gì mà người khác không biết:

⚠ Việc nào lặp lại và tốn giờ
⚠ Chỗ nào hay sai
⚠ Bước nào ai cũng ghét làm
⚠ Cách làm tắt mọi người tự nghĩ ra
⚠ Vì sao giải pháp trước đó thất bại

⚠ Vai trò kép của họ:

⚠ Nguồn Ý TƯỞNG
   → biết bài toán đáng giải

⚠ Người ỦNG HỘ
   → ⚠ đồng nghiệp tin họ hơn tin
     thông báo từ lãnh đạo
   → ⚠ quyết định việc công cụ có
     được dùng thật hay không

⚠ Gần trùng với #14179 (chính lô này) — câu kia hỏi cách tiếp cận tổng thể (kết hợp trên xuống và dưới lên), câu này hỏi riêng vì sao chiều dưới lên quan trọng. Cùng một bài học.

Vì sao các phương án khác sai

• A (họ hiểu biết HẠN CHẾ về vận hành hằng ngày và nhu cầu người dùng) — ⚠ sai ngược: chính họ là người hiểu rõ nhất.

• C (họ nên tránh tham gia thử nghiệm gen AI) — ⚠ ngược với mọi khuyến nghị về áp dụng công nghệ.

• D (họ chỉ nên tập trung vào chi tiết kỹ thuật) — ⚠ sai vai: đóng góp của họ là hiểu biết nghiệp vụ, không phải kỹ thuật.

Ghi nhớ

⚠ Ai đóng góp gì — bảng phải thuộc: | Vai | Đóng góp | |---|---| | Lãnh đạo | ⚠ tầm nhìn, ngân sách, quản trị | | ⚠ Quản lý cấp trung | ⚠ kết nối chiến lược với thực địa | | ⚠ Nhân viên trực tiếp | ⚠ biết điểm đau thật — đề này | | Kỹ thuật | ⚠ đánh giá khả thi, xây dựng |

Từ khoá nhận diện:

"gần quy trình, biết điểm đau" → ⚠ giá trị của chiều dưới lên "chỉ lãnh đạo quyết" → ⚠ thiếu thực địa "không có kế hoạch tổng thể" → ⚠ không lên quy mô được

Ba việc kiểm chứng: | Việc | Cách | |---|---| | Đã hỏi người làm việc đó chưa | ⚠ trước khi chọn ca sử dụng | | Có kênh để họ đề xuất không | ⚠ không có thì ý tưởng không tới được | | Ai đang tự dùng công cụ ngoài | ⚠ tín hiệu nhu cầu thật |

Và chỉ dấu đáng tin nhất về nơi AI sẽ tạo giá trị: những chỗ nhân viên đã tự tìm cách dùng nó mà chưa ai bảo họ. Đó là nhu cầu thật, còn danh sách ưu tiên vẽ trong phòng họp thì chưa chắc.

Đáp án

D — Định nghĩa các chỉ số then chốt, thu thập và phân tích dữ liệu, rồi lặp lại để cải tiến.

Vì sao đúng

Ba bước này tạo thành một vòng lặp đo lường và cải tiến — cách duy nhất biết được giải pháp có tạo tác động thật hay không.

⚠ Ba bước:

⚠ 1. ĐỊNH NGHĨA CHỈ SỐ
   → ⚠ trước khi bắt đầu
   → ⚠ thành công trông như thế nào
   → ⚠ có đường nền để so

⚠ 2. THU THẬP VÀ PHÂN TÍCH
   → ⚠ số liệu thật, không cảm tính
   → ⚠ so với đường nền

⚠ 3. LẶP LẠI VÀ CẢI TIẾN
   → ⚠ điều chỉnh dựa trên dữ liệu
   → ⚠ không đúng thì đổi hướng

Vì sao các phương án khác sai

• B (tập trung áp dụng công nghệ và GIẢ ĐỊNH tác động tích cực sẽ tới) — ⚠ bẫy phổ biến nhất trong thực tế: triển khai xong rồi tin là có ích mà không đo. ⚠ Đây chính là lý do nhiều dự án AI không chứng minh được giá trị khi bị hỏi.

• C (thu thập và phân tích dữ liệu, tập trung mục tiêu NGẮN HẠN ngay từ đầu) — ⚠ thiếu bước định nghĩa chỉ số, và ⚠ chỉ nhìn ngắn hạn dễ bỏ lỡ tác động thật vốn cần thời gian.

• A (ưu tiên năng lực AI mà KHÔNG xét hàm ý đạo đức) — ⚠ bỏ qua rủi ro, ngược với triển khai có trách nhiệm.

Ghi nhớ

⚠ Vòng lặp đo tác động — bảng phải thuộc: | Bước | Việc | |---|---| | ⚠ 1. Định nghĩa chỉ số | ⚠ TRƯỚC khi triển khai | | ⚠ 2. Đo đường nền | ⚠ không có thì không so được | | ⚠ 3. Triển khai | | | ⚠ 4. Thu thập và phân tích | | | ⚠ 5. Lặp lại | ⚠ cải tiến hoặc dừng |

Từ khoá nhận diện:

"định nghĩa chỉ số, đo, lặp" → ⚠ cách làm đúng "giả định tác động sẽ tới" → ⚠ sai lầm phổ biến nhất "chỉ nhìn ngắn hạn" → ⚠ thiếu sót "bỏ qua đạo đức" → ⚠ luôn sai

Ba việc kiểm chứng: | Việc | Cách | |---|---| | Đã đo đường nền chưa | ⚠ trước khi triển khai | | Chỉ số có phản ánh giá trị thật không | ⚠ không phải "số lượt dùng" | | Có chỉ số đối trọng không | ⚠ tránh tối ưu một chiều gây hại |

Và câu hỏi nên đặt ra ngay ngày đầu dự án: "sáu tháng nữa, con số nào sẽ cho biết việc này đáng làm?" Không trả lời được câu đó thì cũng sẽ không chứng minh được giá trị khi tới lúc phải bảo vệ ngân sách.

Đáp án

B — Cung cấp đầu vào cho mô hình và kích hoạt một đầu ra.

Vì sao đúng

Prompt là đầu vào người dùng gửi tới mô hình để nhận về đầu ra. Đó là toàn bộ định nghĩa.

⚠ Prompt có thể chứa gì:

⚠ Câu hỏi hoặc yêu cầu
⚠ Ngữ cảnh, tài liệu tham khảo
⚠ Ví dụ mẫu (few-shot)
⚠ Vai được gán (role)
⚠ Ràng buộc và định dạng mong muốn

⚠ Điểm cần phân biệt:

⚠ Prompt tác động ở lúc CHẠY
   → ⚠ không đổi mô hình
   → ⚠ mỗi lần gọi là độc lập

⚠ Fine-tuning tác động lên
   TRỌNG SỐ
   → ⚠ đổi mô hình vĩnh viễn

Vì sao các phương án khác sai

• C (để tinh chỉnh mô hình cho một nhiệm vụ cụ thể) — ⚠ bẫy mạnh nhất: prompt hướng dẫn mô hình làm nhiệm vụ, nhưng ⚠ không TINH CHỈNH nó. Fine-tuning là quá trình huấn luyện riêng, dùng tập dữ liệu, đổi trọng số.

• D (để huấn luyện mô hình trên dữ liệu mới) — ⚠ sai hoàn toàn: prompt không huấn luyện gì cả. ⚠ Dữ liệu bạn gõ vào prompt không trở thành tri thức của mô hình.

• A (để đánh giá hiệu năng mô hình) — ⚠ prompt được DÙNG trong quá trình đánh giá, nhưng mục đích của nó không phải là đánh giá.

Ghi nhớ

⚠ Ba cách tác động lên mô hình — bảng phải thuộc: | Cách | Tác động | Vĩnh viễn | |---|---|---| | ⚠ Prompt | ⚠ lúc chạy, mỗi lần gọi — đề này | ⚠ không | | RAG | ⚠ thêm ngữ cảnh lúc chạy | ⚠ không | | Fine-tuning | ⚠ đổi trọng số | ⚠ có |

Từ khoá nhận diện:

"đầu vào, kích hoạt đầu ra" → ⚠ prompt "đổi trọng số, tập dữ liệu huấn luyện" → ⚠ fine-tuning "dữ liệu tôi gõ có làm mô hình học không" → ⚠ KHÔNG

Ba việc kiểm chứng: | Việc | Cách | |---|---| | Prompt có nêu đủ ngữ cảnh không | ⚠ mô hình không biết thứ bạn không nói | | Có dán dữ liệu nhạy cảm vào không | ⚠ kiểm điều khoản dịch vụ | | Prompt tốt đã lưu lại chưa | ⚠ thư viện prompt là tài sản |

Và điều nên nói rõ với người dùng mới: trò chuyện với mô hình không phải là dạy nó. Mỗi cuộc trò chuyện là một lần mượn năng lực có sẵn — mô hình không giỏi lên sau khi nói chuyện với bạn, và cũng không nhớ bạn ở lần sau.

Đáp án

C — Triển khai các chính sách gen AI có tính giải thích được (explainable AI).

Vì sao đúng

Đề nêu vấn đề rất cụ thể: AI KHÔNG đưa ra giải thích nào cho thứ hạng hay việc loại ứng viên. Vấn đề là thiếu minh bạch, nên giải pháp phải là làm cho quyết định giải thích được.

⚠ Ghép vấn đề với giải pháp:

"không có giải thích cho thứ hạng"
    → ⚠ cần biết ĐẶC TRƯNG NÀO
      ảnh hưởng

"ứng viên đủ điều kiện bị bỏ qua
 một cách NHẤT QUÁN"
    → ⚠ có mẫu hình → phải tìm ra
      mô hình đang dựa vào cái gì

"cần xử lý việc thiếu minh bạch"
    → ⚠ đề nói thẳng vấn đề

⚠ Explainable AI cho biết gì:

⚠ Đặc trưng nào đẩy điểm lên/xuống
⚠ Ứng viên này bị loại vì lý do gì
⚠ Mô hình có dựa vào biến thay thế
  cho nhóm bảo vệ không
   → ⚠ trường học, mã vùng, khoảng
     trống trong CV

Ghi nhớ về chất lượng câu hỏi

⚠ Đối chiếu với #14090 (lô 149) — cũng là AI sàng lọc hồ sơ, nhưng khoá khác nhau và cả hai đều đúng:

⚠ Không mâu thuẫn: một câu hỏi nguyên nhân, một câu hỏi cách chẩn đoán. Thực tế cần cả hai — explainability để phát hiện mô hình dựa vào gì, rồi sửa dữ liệu để chữa gốc.

Vì sao các phương án khác sai

• A (thu thập tập dữ liệu lớn hơn và đa dạng hơn) — ⚠ bẫy mạnh nhất: đây là cách chữa thiên lệch, và có thể cũng cần. Nhưng ⚠ nó không giải quyết việc thiếu giải thích — dữ liệu tốt hơn vẫn cho ra mô hình hộp đen.

• B (fine-tune mô hình) — ⚠ đổi hành vi mô hình nhưng ⚠ không làm nó giải thích được.

• D (dùng phương pháp xử lý luồng) — ⚠ kiến trúc dữ liệu, hoàn toàn không liên quan.

Ghi nhớ

⚠ Ghép vấn đề với giải pháp — bảng phải thuộc: | Vấn đề | Giải pháp | |---|---| | ⚠ Không hiểu vì sao mô hình quyết vậy | ⚠ Explainable AI — đề này | | Kết quả thiên lệch | ⚠ sửa dữ liệu, đo theo nhóm | | Không ai chịu trách nhiệm | ⚠ quy trình quản trị, HITL | | Thông tin sai | ⚠ grounding |

Từ khoá nhận diện:

"không giải thích được, không rõ vì sao" → ⚠ explainability "kết quả chênh lệch theo nhóm" → ⚠ thiên lệch dữ liệu "cần người chịu trách nhiệm" → accountability, HITL

Ba việc kiểm chứng: | Việc | Cách | |---|---| | Mô hình dựa vào đặc trưng nào nhiều nhất | ⚠ feature attribution | | Ứng viên bị loại có được giải thích không | ⚠ yêu cầu pháp lý ở nhiều nơi | | Có ai xem lại hồ sơ bị xếp thấp không | ⚠ không thì lỗi không bao giờ lộ ra |

Và điều nhà tuyển dụng trong ca này làm đúng: họ ĐỂ Ý thấy có gì đó không ổn. Với hệ thống hộp đen, con người nhận ra mẫu hình bất thường thường là cơ chế phát hiện duy nhất — nên đừng bao giờ để AI loại ứng viên mà không ai nhìn lại.

Đáp án

D — LLM được huấn luyện trên tập dữ liệu khổng lồ, nhờ đó hiểu ngôn ngữ và ngữ cảnh rộng, thích ứng được với nhiều nhiệm vụ.

Vì sao đúng

Đây là đặc tính định nghĩa của mô hình ngôn ngữ lớn: quy mô dữ liệu lớn → năng lực rộng → thích ứng đa nhiệm vụ.

⚠ Ba vế liên quan nhau:

⚠ Dữ liệu huấn luyện KHỔNG LỒ
        ↓
⚠ Hiểu ngôn ngữ và ngữ cảnh RỘNG
        ↓
⚠ Làm được NHIỀU việc mà không
  cần huấn luyện riêng cho từng việc

Vì sao các phương án khác sai

• A (LLM xuất sắc ở nhiệm vụ kỹ thuật rất hẹp đòi hỏi chuyên môn sâu duy nhất) — ⚠ ngược lại: LLM mạnh ở bề RỘNG. Với nhiệm vụ hẹp chuyên sâu, ⚠ mô hình chuyên biệt thường tốt hơn.

• B (LLM học và khái quát tốt từ tập dữ liệu NHỎ cho ứng dụng ngách) — ⚠ ngược: LLM cần dữ liệu rất lớn để huấn luyện. ⚠ Đúng là LLM có thể few-shot với vài ví dụ khi dùng, nhưng đó là chuyện khác với việc huấn luyện từ dữ liệu nhỏ.

• C (LLM có khả năng suy luận logic và giải quyết vấn đề mạnh sẵn, KHÔNG cần prompt thêm) — ⚠ bẫy tinh vi: LLM có khả năng suy luận nhất định, nhưng ⚠ cần kỹ thuật prompt như chain-of-thought để phát huy. Cụm "without extra prompting" khiến phương án này sai.

Ghi nhớ

⚠ Đặc tính của LLM — bảng phải thuộc: | Đặc tính | Nội dung | |---|---| | ⚠ Quy mô dữ liệu lớn | ⚠ nền tảng của mọi năng lực khác | | ⚠ Hiểu ngữ cảnh rộng | | | ⚠ Đa nhiệm vụ | ⚠ không cần huấn luyện riêng từng việc | | Học trong ngữ cảnh | ⚠ few-shot ngay trong prompt | | ⚠ Điểm yếu | ⚠ ảo giác, mốc tri thức, suy luận toán yếu |

Từ khoá nhận diện:

"dữ liệu khổng lồ, đa nhiệm vụ, ngữ cảnh rộng" → ⚠ đặc tính LLM "chuyên môn hẹp, sâu" → ⚠ mô hình chuyên biệt tốt hơn "học từ dữ liệu nhỏ" → ⚠ sai với việc huấn luyện LLM "suy luận mạnh mà không cần prompt" → ⚠ nói quá

Ba việc kiểm chứng: | Việc | Cách | |---|---| | Việc này có cần chuyên sâu hẹp không | ⚠ có thì cân nhắc mô hình chuyên biệt | | Có phép tính nào cần chính xác tuyệt đối không | ⚠ giao cho công cụ, đừng để LLM tính | | Đã thử chain-of-thought chưa | ⚠ với bài toán suy luận |

Và cách nhớ đúng vị trí của LLM: nó là người biết rất nhiều thứ ở mức khá, không phải chuyên gia ở bất kỳ thứ gì. Rất hữu ích cho phần lớn công việc, nhưng cho bài toán hẹp và quan trọng thì vẫn cần chuyên gia thật — hoặc mô hình chuyên biệt.

Đáp án

D — Reinforcement learning (học tăng cường).

Vì sao đúng

Đề mô tả đúng cơ chế học tăng cường: tác nhân hành động, nhận ĐIỂM THƯỞNG hoặc PHẠT, và cải thiện dần.

⚠ Ghép từng yếu tố:

"robot học tuyến đường tối ưu"
    → ⚠ TÁC NHÂN trong MÔI TRƯỜNG

"điểm DƯƠNG cho giao hàng nhanh,
 thành công"
    → ⚠ PHẦN THƯỞNG

"điểm ÂM cho chậm trễ, thất bại"
    → ⚠ HÌNH PHẠT

"cải thiện dần theo thời gian"
    → ⚠ HỌC QUA THỬ VÀ SAI

⚠ Điểm phân biệt cốt lõi:

⚠ KHÔNG có "đáp án đúng" cho sẵn
⚠ Chỉ có TÍN HIỆU THƯỞNG sau
  khi hành động
⚠ Tác nhân tự khám phá cách tốt nhất

Vì sao các phương án khác sai

• A (Supervised learning) — ⚠ bẫy mạnh nhất: học có giám sát cần dữ liệu đã GÁN NHÃN — tức là có sẵn "tuyến đường đúng" cho từng tình huống. ⚠ Ở đây không ai biết trước tuyến tối ưu; robot phải tự tìm.

• C (Unsupervised learning) — ⚠ tìm cấu trúc ẩn trong dữ liệu không nhãn (phân cụm). ⚠ Không có khái niệm thưởng phạt.

• B (Deep learning) — ⚠ nhầm phạm trù: đó là kỹ thuật (mạng nơ-ron nhiều lớp), không phải kiểu học. ⚠ Học tăng cường có thể dùng deep learning bên trong (deep RL), nhưng đề hỏi kiểu học nào.

Ghi nhớ

⚠ Bốn kiểu học máy — bảng phải thuộc: | Kiểu | Dữ liệu | Ví dụ | |---|---|---| | Supervised | ⚠ có NHÃN | ⚠ phân loại spam, dự đoán giá | | Unsupervised | ⚠ KHÔNG nhãn | ⚠ phân cụm khách hàng | | ⚠ Reinforcement | ⚠ THƯỞNG/PHẠT | ⚠ robot, game, tối ưu tuyến — đề này | | Semi/Self-supervised | ⚠ một phần nhãn hoặc tự sinh nhãn | ⚠ cách LLM được huấn luyện |

Từ khoá nhận diện:

"thưởng, phạt, thử và sai, cải thiện dần" → ⚠ reinforcement "dữ liệu có nhãn đúng/sai sẵn" → ⚠ supervised "tìm nhóm, tìm cấu trúc ẩn" → ⚠ unsupervised "mạng nơ-ron nhiều lớp" → ⚠ deep learning — là KỸ THUẬT, không phải kiểu học

Ba việc kiểm chứng: | Việc | Cách | |---|---| | Hàm thưởng có khuyến khích hành vi ngoài ý muốn không | ⚠ xem hành vi thực tế, không xem điểm số | | Huấn luyện trong mô phỏng hay ngoài đời | ⚠ thử sai thật rất tốn | | Có ràng buộc an toàn cứng chưa | ⚠ không để RL tự quyết mọi thứ |

Và bài học quan trọng nhất của học tăng cường, đúng cả với AI hiện đại: hệ thống sẽ tối ưu đúng thứ bạn thưởng, không phải thứ bạn muốn. Định nghĩa phần thưởng sai là cách nhanh nhất để có một tác nhân đạt điểm rất cao mà làm hỏng việc.

Đáp án

C — Là một hệ thống thông minh có thể phân tích, sử dụng công cụ và ra quyết định để đạt mục tiêu.

Vì sao đúng

Phương án C nêu đủ ba đặc trưng của agent:

⚠ Ba đặc trưng:

⚠ PHÂN TÍCH
   → hiểu yêu cầu, lập kế hoạch

⚠ DÙNG CÔNG CỤ
   → gọi API, truy vấn dữ liệu

⚠ RA QUYẾT ĐỊNH ĐỂ ĐẠT MỤC TIÊU
   → ⚠ tự chọn bước tiếp theo
   → ⚠ không theo kịch bản cứng

⚠ Gần trùng với #14157 (chính lô này) — câu kia hỏi điều phân biệt agent với mô hình đơn lẻ (vòng lặp suy luận + công cụ), câu này hỏi chức năng chính. Cùng một kiến thức, cùng hướng khoá.

Vì sao các phương án khác sai

Ba phương án còn lại đều nhầm tầng:

• B (là giao diện người dùng để tương tác với mô hình AI) — ⚠ bẫy mạnh nhất: đó là tầng Applications, không phải agent.

• A (cung cấp sức mạnh tính toán để huấn luyện và chạy mô hình) — ⚠ tầng Infrastructure.

• D (là nơi lưu trữ tập trung cho dữ liệu mà mô hình dùng) — ⚠ tầng dữ liệu (data lake, warehouse).

⚠ Mẹo: câu hỏi về agent rất hay đặt cạnh ba phương án thuộc ba tầng khác — nhớ bức tranh năm tầng là loại được ngay.

Ghi nhớ

⚠ Năm tầng và ai làm gì — bảng phải thuộc: | Tầng | Vai trò | |---|---| | Infrastructure | ⚠ sức mạnh tính toán | | Models | ⚠ mô hình nền | | Platforms | ⚠ công cụ xây dựng | | ⚠ Agents | ⚠ phân tích, dùng công cụ, quyết định — đề này | | Applications | ⚠ giao diện người dùng |

Từ khoá nhận diện:

"phân tích, dùng công cụ, đạt mục tiêu" → ⚠ agent "giao diện, website, app" → Applications "GPU, sức mạnh tính toán" → Infrastructure "kho lưu dữ liệu" → tầng dữ liệu

Ba việc kiểm chứng: | Việc | Cách | |---|---| | Hệ thống đích có API không | ⚠ điều kiện tiên quyết | | Agent làm sai thì hậu quả tới đâu | ⚠ giới hạn bằng quyền | | Có ghi lại chuỗi quyết định không | ⚠ để gỡ lỗi và giải trình |

Và điều quyết định agent có triển khai được trong doanh nghiệp hay không thường không phải mô hình, mà là hệ thống cũ có API hay không. Agent thông minh tới đâu cũng bất lực trước một phần mềm chỉ có giao diện bấm tay.