Ngân hàng đề — Google Cloud Generative AI Leader

Đáp án

D — Imagen.

Vì sao đúng

Đề nêu rõ: cần sinh nhiều ẢNH chân thực từ chữ, nhanh, rẻ hơn chụp thật. Imagen là mô hình sinh ảnh của Google.

⚠ Ghép yêu cầu:

"nhiều ảnh CHÂN THỰC từ CHỮ"
    → ⚠ text-to-image
    → ⚠ Imagen

"chụp ảnh truyền thống chậm và đắt"
    → ⚠ sinh ảnh nhanh, chi phí thấp

"chiến dịch cho khách hàng"
    → ⚠ khối lượng lớn

Vì sao các phương án khác sai

• C (Veo) — ⚠ bẫy mạnh nhất trong nhóm sinh nội dung: Veo sinh VIDEO, không phải ảnh tĩnh. Đề cần ảnh cho chiến dịch quảng cáo.

• A (Gemini) — ⚠ mô hình đa phương thức mạnh về hiểu và sinh văn bản. Nó hiểu ảnh nhưng không phải mô hình chuyên sinh ảnh chất lượng cao.

• B (Gemma) — ⚠ họ mô hình MỞ, NHẸ, văn bản, dùng khi cần chạy tại chỗ. Không sinh ảnh.

Ghi nhớ

⚠ Mô hình nền của Google theo đầu ra — bảng phải thuộc: | Mô hình | Sinh ra | |---|---| | ⚠ Imagen | ⚠ ẢNH — đề này | | ⚠ Veo | ⚠ VIDEO | | ⚠ Gemini | ⚠ văn bản, đa phương thức đầu vào | | ⚠ Gemma | ⚠ văn bản, MỞ và NHẸ, chạy tại chỗ | | Chirp | ⚠ giọng nói | | Lyria | ⚠ âm nhạc |

Từ khoá nhận diện:

"ảnh tĩnh, photorealistic" → ⚠ Imagen "video, clip" → ⚠ Veo "chạy trên thiết bị, mã nguồn mở" → ⚠ Gemma "hiểu và viết văn bản" → Gemini

Ba việc kiểm chứng: | Việc | Cách | |---|---| | Ảnh có phản ánh đúng sản phẩm không | ⚠ rủi ro pháp lý lớn nhất | | Có dấu SynthID không | ⚠ minh bạch | | Chi phí thật mỗi ảnh dùng được | ⚠ tính cả số lần sinh bị loại |

Và ranh giới nên vạch rõ trong quảng cáo: dùng ảnh AI cho BỐI CẢNH thì ổn, cho SẢN PHẨM thì phải rất cẩn thận. Khách hàng mua thứ họ thấy trong ảnh, và sai lệch ở chỗ này không còn là vấn đề thẩm mỹ mà là vấn đề pháp lý.

Đáp án

A — Việc Google Cloud nhấn mạnh cách tiếp cận MỞ trong các sản phẩm AI của mình.

Vì sao đúng

Mối lo của công ty là bị khoá chân vào một nhà cung cấp, và họ muốn tự do chọn và tích hợp công cụ khác nhau. Chỉ tính mở trả lời được điều đó.

⚠ Cách tiếp cận mở thể hiện ở đâu:

⚠ Mô hình MỞ — Gemma
   → ⚠ tải trọng số, chạy ở đâu cũng được

⚠ Model Garden có mô hình BÊN THỨ BA
   → ⚠ Llama, Mistral, Claude…

⚠ Hỗ trợ khung mã nguồn mở
   → ⚠ TensorFlow, PyTorch, Kubernetes

⚠ Chuẩn mở cho agent
   → ⚠ giao tiếp giữa các nền tảng

⚠ Chạy đa đám mây và lai

Vì sao các phương án khác sai

• B (cam kết với giải pháp AI ĐỘC QUYỀN, tích hợp chặt) — ⚠ ngược hoàn toàn: tích hợp chặt và độc quyền chính là nguyên nhân gây khoá chân.

• C (chiến lược ưu tiên trách nhiệm doanh nghiệp) — ⚠ liên quan tới đạo đức và trách nhiệm, không giải quyết khoá chân.

• D (tập trung vào tự động hoá quy trình AI) — ⚠ về năng suất, không về tự do lựa chọn.

Ghi nhớ

⚠ Bốn thế mạnh và dấu hiệu — bảng phải thuộc: | Thế mạnh | Dấu hiệu trong đề | |---|---| | ⚠ Cách tiếp cận mở | ⚠ lo khoá chân, muốn tự do chọn — đề này | | Hệ sinh thái tích hợp | ⚠ nhiều sản phẩm Google trong một luồng | | Hạ tầng tối ưu AI | ⚠ TPU, huấn luyện lớn | | An toàn từ thiết kế | ⚠ Titan, bảo mật |

Từ khoá nhận diện:

"vendor lock-in, tự do chọn, linh hoạt" → ⚠ cách tiếp cận mở "kết hợp nhiều sản phẩm Google" → hệ sinh thái "huấn luyện nhanh" → hạ tầng "chống tấn công" → bảo mật

Ba việc kiểm chứng: | Việc | Cách | |---|---| | Xuất dữ liệu ra mất bao lâu | ⚠ thử thật một lần | | Phần nào của hệ thống khó chuyển nhất | ⚠ biết trước để quyết định có đáng không | | Đội có kỹ năng dùng được nơi khác không | ⚠ chuẩn mở giúp điều này |

Và cách nhìn thực tế về khoá chân: nó không phải điều luôn phải tránh, mà là chi phí phải biết trước. Vấn đề không nằm ở việc phụ thuộc, mà ở việc phụ thuộc mà không biết cái giá của việc thoát ra.

Đáp án

A — NotebookLM.

Vì sao đúng

Đề mô tả đúng bài toán NotebookLM sinh ra để giải: làm việc sâu với MỘT BỘ tài liệu cụ thể.

⚠ Ghép từng yêu cầu:

"phân tích NHIỀU báo cáo và
 tài liệu DÀI"
    → ⚠ NotebookLM nhận nhiều nguồn

"hiểu nhanh phát hiện cốt lõi
 của TỪNG tài liệu"
    → ⚠ tóm tắt theo nguồn

"LIÊN KẾT thông tin GIỮA các nguồn"
    → ⚠ điểm mạnh riêng của NotebookLM

"tổ chức insight cho báo cáo"
    → ⚠ ghi chú, dàn ý, tài liệu tổng hợp

⚠ Đặc điểm quan trọng:

⚠ Chỉ trả lời DỰA TRÊN nguồn bạn đưa
⚠ Có TRÍCH DẪN tới đúng đoạn
   → ⚠ nhà nghiên cứu kiểm chứng được

Vì sao các phương án khác sai

• B (Gemini app) — ⚠ bẫy hợp lý: cũng đọc được tài liệu tải lên. Nhưng ⚠ nó là trợ lý đa năng, không có không gian làm việc theo nguồn, không quản lý bộ tài liệu, và ⚠ có thể trả lời từ tri thức chung thay vì chỉ từ nguồn.

• C (Vertex AI Search) — ⚠ để TÌM trong kho tài liệu lớn của doanh nghiệp, là hạ tầng tìm kiếm. ⚠ Không phải không gian nghiên cứu cho một nhóm tài liệu cụ thể.

• D (Gemini for Google Workspace) — ⚠ hỗ trợ soạn thảo trong Docs, Gmail, không phải công cụ nghiên cứu đa nguồn.

Ghi nhớ

⚠ Bốn công cụ và bài toán của chúng — bảng phải thuộc: | Công cụ | Bài toán | |---|---| | ⚠ NotebookLM | ⚠ nghiên cứu sâu trên BỘ tài liệu cụ thể — đề này | | Gemini app | ⚠ trợ lý đa năng | | Vertex AI Search | ⚠ tìm trong KHO tài liệu lớn | | Gemini for Workspace | ⚠ soạn thảo trong Docs/Gmail | | Deep Research | ⚠ tự đi TÌM nguồn mới trên web |

Từ khoá nhận diện:

"bộ tài liệu có sẵn, liên kết giữa nguồn, trích dẫn" → ⚠ NotebookLM "tự tìm nguồn mới" → ⚠ Deep Research "kho hàng nghìn tài liệu doanh nghiệp" → ⚠ Vertex AI Search "viết trong Docs" → Gemini for Workspace

Ba việc kiểm chứng: | Việc | Cách | |---|---| | Đã đưa đủ nguồn quan trọng chưa | ⚠ thiếu nguồn là thiếu kết luận | | Trích dẫn có trỏ đúng đoạn không | ⚠ mở ra xem | | Tài liệu khách hàng có được phép tải lên không | ⚠ thoả thuận bảo mật |

Và điểm mạnh thật sự của NotebookLM nằm ở chỗ ít ai để ý: nó không biết gì ngoài những gì bạn đưa cho nó. Với công việc nghiên cứu nghiêm túc, đó chính xác là điều bạn muốn — mọi câu trả lời đều truy được về một trang cụ thể trong một tài liệu cụ thể.

Đáp án

C — Vertex AI Search.

Vì sao đúng

Đề nêu vấn đề rất rõ: dữ liệu nằm rải rác ở nhiều hệ thống, nhân viên mất thời gian đi tìm. Họ cần một cửa tìm kiếm chung.

⚠ Ghép từng yêu cầu:

"dữ liệu ở NHIỀU hệ thống nội bộ"
    → ⚠ bán hàng, tồn kho, marketing

"nhân viên mất thời gian TÌM KIẾM"
    → ⚠ vấn đề là TÌM, không phải
      thiếu dữ liệu

"cách TẬP TRUNG để truy cập và
 HIỂU dữ liệu"
    → ⚠ tìm kiếm + trả lời bằng
      ngôn ngữ tự nhiên

Vì sao các phương án khác sai

• A (BigQuery) — ⚠ bẫy mạnh nhất: nó chứa và phân tích dữ liệu rất tốt, nhưng ⚠ đòi biết SQL. Nhân viên cửa hàng không viết được truy vấn, và BigQuery không tìm được trong tài liệu marketing phi cấu trúc.

• D (Vertex AI Workbench) — ⚠ môi trường notebook cho nhà khoa học dữ liệu, sai hoàn toàn đối tượng.

• B (Veo 5) — ⚠ mô hình sinh video, không liên quan.

Ghi nhớ

⚠ Chọn công cụ theo bài toán — bảng phải thuộc: | Bài toán | Công cụ | |---|---| | ⚠ Tìm và hỏi xuyên nhiều hệ thống | ⚠ Vertex AI Search — đề này | | Phân tích SQL quy mô lớn | ⚠ BigQuery | | Phát triển mô hình | ⚠ Workbench | | Cổng AI cho toàn nhân viên | ⚠ Gemini Enterprise / Agentspace |

Từ khoá nhận diện:

"tìm xuyên nhiều nguồn, nhân viên tự hỏi" → ⚠ Vertex AI Search "truy vấn SQL, phân tích" → BigQuery "xây mô hình" → Workbench "dữ liệu rải rác, mất thời gian tìm" → ⚠ bài toán TÌM KIẾM, không phải lưu trữ

Ba việc kiểm chứng: | Việc | Cách | |---|---| | Người quyền thấp có thấy dữ liệu không được phép không | ⚠ thử trước khi mở rộng | | Dữ liệu trả về có mới không | ⚠ kiểm tần suất đồng bộ | | Nhân viên có dùng thật không | ⚠ đo mức dùng sau vài tuần |

Và điều dễ nhầm trong nhóm câu này: có dữ liệu không có nghĩa là truy cập được dữ liệu. Công ty trong đề không thiếu dữ liệu — họ thiếu một cách hỏi nó mà không cần biết dữ liệu nằm ở hệ thống nào.

Đáp án

B — Vertex AI.

Vì sao đúng

Đề nêu vấn đề tổ chức: các đội dùng công cụ khác nhau, gây trùng lặp công việc và khó mở rộng. Họ cần một nền tảng thống nhất cho cả vòng đời.

⚠ Ghép từng yêu cầu:

"các đội dùng công cụ KHÁC NHAU"
    → ⚠ cần thống nhất

"trùng lặp công việc"
    → ⚠ cần tái sử dụng: đặc trưng,
      mô hình, pipeline

"khó mở rộng quy mô"
    → ⚠ cần hạ tầng chung

"quản lý phát triển, triển khai
 và GIÁM SÁT"
    → ⚠ cả vòng đời trong một nền tảng

⚠ Vertex AI gói cả vòng đời:

⚠ Workbench → phát triển
⚠ Feature Store → đặc trưng dùng chung
⚠ Vizier → tinh chỉnh tham số
⚠ Pipelines → tự động hoá
⚠ Model Registry → phiên bản
⚠ Prediction → phục vụ
⚠ Model Monitoring → giám sát

Vì sao các phương án khác sai

• C (Google Agentspace) — ⚠ bẫy hợp lý: cũng là "nền tảng tập trung", nhưng ⚠ cho nhân viên dùng agent, không phải cho đội ML phát triển mô hình. Sai đối tượng.

• D (BigQuery) — ⚠ kho dữ liệu phân tích. Có ML trong SQL nhưng ⚠ không phải nền tảng quản lý toàn bộ vòng đời mô hình.

• A (Cloud Functions) — ⚠ chạy hàm nhỏ theo sự kiện, không liên quan tới quản lý dự án ML.

Ghi nhớ

⚠ Nền tảng tập trung — cho ai — bảng phải thuộc: | Nền tảng | Cho ai | |---|---| | ⚠ Vertex AI | ⚠ đội ML, cả vòng đời mô hình — đề này | | Agentspace / Gemini Enterprise | ⚠ nhân viên dùng AI | | BigQuery | ⚠ phân tích dữ liệu | | Cloud Run / Functions | ⚠ chạy mã |

Từ khoá nhận diện:

"đội ML, phát triển – triển khai – giám sát" → ⚠ Vertex AI "nhân viên truy cập agent" → ⚠ Agentspace "truy vấn dữ liệu" → BigQuery "công cụ rời rạc, trùng lặp" → ⚠ cần nền tảng thống nhất

Ba việc kiểm chứng: | Việc | Cách | |---|---| | Có bao nhiêu pipeline làm cùng một việc | ⚠ đo mức trùng lặp trước khi hợp nhất | | Thời gian từ ý tưởng tới sản xuất | ⚠ chỉ số quan trọng nhất | | Đội có được đào tạo chưa | ⚠ nền tảng tốt mà không ai biết dùng là vô ích |

Và điều thường bị đánh giá thấp khi hợp nhất nền tảng ML: phần khó không phải kỹ thuật mà là thói quen. Mỗi đội đã có cách làm chạy được, nên lợi ích của nền tảng chung phải rõ ràng và đo được thì họ mới chịu đổi.

Đáp án

C — Retrieval-augmented generation (RAG).

Vì sao đúng

Đề nêu đúng ba dấu hiệu của bài toán RAG:

⚠ Ba dấu hiệu:

"tính năng MỚI PHÁT HÀNH không có
 trong dữ liệu huấn luyện gốc"
    → ⚠ tri thức mô hình đã lỗi thời

"dùng tài liệu sản phẩm MỚI NHẤT"
    → ⚠ cần nguồn ngoài, cập nhật

"KHÔNG huấn luyện lại toàn bộ
 mô hình"
    → ⚠ đề tự loại fine-tuning

⚠ Vì sao RAG hợp:

⚠ Tài liệu sản phẩm đổi liên tục
        ↓
⚠ RAG: cập nhật tài liệu là xong
⚠ Fine-tune: phải huấn luyện lại
  mỗi lần ra tính năng mới

Vì sao các phương án khác sai

• A (Fine-tuning) — ⚠ bẫy mạnh nhất: nghe như cách "dạy" mô hình biết cái mới. Nhưng ⚠ đề nói rõ không huấn luyện lại, và ⚠ fine-tune đóng băng tri thức nên tính năng ra tuần sau lại sai tiếp.

• B (Prompt engineering) — ⚠ giúp mô hình trả lời đúng cách, nhưng ⚠ không cấp thông tin mô hình không có. Nhét thủ công tài liệu vào prompt thì không mở rộng được cho hàng nghìn câu hỏi khác nhau.

• D (HITL) — ⚠ có người kiểm giúp bắt lỗi, nhưng ⚠ không sửa nguyên nhân và không mở rộng được cho khối lượng hỗ trợ khách hàng.

Ghi nhớ

⚠ Ghép vấn đề với kỹ thuật — bảng phải thuộc: | Vấn đề | Kỹ thuật | |---|---| | ⚠ Thiếu thông tin mới, thông tin riêng | ⚠ RAG — đề này | | Đầu ra sai định dạng, lệch ý | ⚠ prompt engineering | | Sai phong cách, thuật ngữ | ⚠ fine-tuning | | Rủi ro cao cần kiểm | ⚠ HITL |

Từ khoá nhận diện:

"tài liệu mới nhất, không huấn luyện lại" → ⚠ RAG "giọng văn, định dạng" → fine-tuning "cách hỏi chưa tốt" → prompt engineering "cần người duyệt" → HITL

Ba việc kiểm chứng: | Việc | Cách | |---|---| | Tài liệu tính năng mới vào chỉ mục sau bao lâu | ⚠ nên tự động | | Bản tài liệu cũ đã gỡ chưa | ⚠ kiểm định kỳ | | Bot có nói rõ khi không biết không | ⚠ tốt hơn là đoán |

Và điều đáng nhớ để không nhầm hai kỹ thuật: fine-tune dạy mô hình NÓI như nhân viên hỗ trợ, RAG cho nó BIẾT sản phẩm hiện tại có gì. Bài toán ở đây là biết, không phải nói.

Đáp án

D — Hallucinations (ảo giác).

Vì sao đúng

Đề mô tả kinh điển: mô hình tự tin đưa ra con số cụ thể và còn bịa cả một thông cáo báo chí không tồn tại.

⚠ Ba dấu hiệu của ảo giác:

⚠ Thông tin CỤ THỂ, chi tiết
   → con số doanh thu chính xác

⚠ Có vẻ CÓ THẨM QUYỀN
   → viện dẫn cả nguồn

⚠ HOÀN TOÀN KHÔNG CÓ THẬT
   → công ty chưa công bố gì
   → thông cáo đó không tồn tại

⚠ Vì sao mô hình làm vậy:

⚠ Nó dự đoán từ tiếp theo có
  xác suất cao
        ↓
⚠ "Doanh thu quý của startup X là…"
   là mẫu câu rất quen thuộc
        ↓
⚠ Mô hình điền vào chỗ trống một
  con số nghe hợp lý
        ↓
⚠ Nó KHÔNG BIẾT là mình không biết

Vì sao các phương án khác sai

• B (Knowledge cutoff — mốc tri thức) — ⚠ bẫy mạnh nhất: startup mới vào thị trường nên có thể nằm sau mốc huấn luyện. Nhưng ⚠ mốc tri thức biểu hiện bằng việc KHÔNG BIẾT hoặc thông tin CŨ, còn ở đây mô hình ⚠ BỊA RA thông tin chưa từng tồn tại với BẤT KỲ AI — kể cả dữ liệu mới nhất cũng không có, vì công ty chưa công bố gì.

• A (Bias — thiên lệch) — ⚠ liên quan tới đối xử không công bằng giữa các nhóm, không phải bịa thông tin.

• C (Data dependency — phụ thuộc dữ liệu) — ⚠ chỉ việc mô hình chỉ giỏi trong phạm vi dữ liệu đã học. Là nguyên nhân nền, nhưng ⚠ triệu chứng cụ thể ở đây có tên riêng là ảo giác.

Ghi nhớ

⚠ Năm giới hạn của LLM — bảng phải thuộc: | Giới hạn | Biểu hiện | |---|---| | ⚠ Ảo giác | ⚠ BỊA thông tin nghe hợp lý — đề này | | Mốc tri thức | ⚠ không biết chuyện sau ngày X | | Thiên lệch | ⚠ đối xử khác nhau giữa các nhóm | | Phụ thuộc dữ liệu | ⚠ kém ngoài phạm vi đã học | | Ca biên | ⚠ kém với tình huống hiếm |

Từ khoá nhận diện:

"bịa, fabricated, không tồn tại, tự tin nhưng sai" → ⚠ ảo giác "không biết sự kiện sau tháng X" → ⚠ mốc tri thức "nhóm này bị đối xử khác" → thiên lệch

Ba việc kiểm chứng: | Việc | Cách | |---|---| | Nguồn mô hình nêu có tồn tại không | ⚠ mở ra xem, đừng tin tên nguồn | | Thông tin này có công khai không | ⚠ công ty tư nhân thường không công bố | | Có dùng số liệu này để ra quyết định không | ⚠ nếu có thì bắt buộc kiểm nguồn gốc |

Và bài học đắt giá của ca này: mô hình bịa cả NGUỒN, không chỉ bịa số. Nên khi kiểm chứng, đừng dừng ở việc thấy nó nêu ra một thông cáo báo chí — phải mở đúng thông cáo đó ra và đọc.

Đáp án

C — Áp dụng kỹ thuật grounding.

Vì sao đúng

Đề nêu hai triệu chứng và một mục tiêu, cả ba đều dẫn về grounding:

⚠ Ghép từng phần:

"thông tin LỖI THỜI và SAI"
    → ⚠ mô hình dựa vào tri thức
      nội tại đã cũ

"gây nhầm lẫn"
    → ⚠ nhân viên làm sai theo
      chính sách cũ

"câu trả lời ĐÁNG TIN dựa trên
 TÀI LIỆU CHÍNH THỨC MỚI NHẤT"
    → ⚠ đúng định nghĩa grounding

⚠ Gần trùng với #14201 (chính lô này) và #14132 (lô 150) — ba bối cảnh khác nhau (tài liệu sản phẩm, chính sách khuyến mãi, chính sách nhân sự), cùng một khoá: nối mô hình vào nguồn chính thức.

Vì sao các phương án khác sai

• A (fine-tune mô hình với tập dữ liệu tri thức chung RỘNG HƠN) — ⚠ sai hướng hoàn toàn: vấn đề là chính sách RIÊNG của công ty, tri thức chung rộng hơn không giúp gì. Và fine-tune vẫn đóng băng thông tin.

• B (tăng temperature) — ⚠ làm tệ hơn: temperature cao khiến đầu ra ngẫu nhiên hơn, tăng nguy cơ bịa. Với câu hỏi chính sách thì phải để thấp.

• D (giảm tham số token count) — ⚠ chỉ làm câu trả lời ngắn hơn, không ảnh hưởng độ chính xác.

Ghi nhớ

⚠ Bốn cách xử lý thông tin sai — bảng phải thuộc: | Cách | Hiệu quả | |---|---| | ⚠ Grounding vào tài liệu chính thức | ⚠ giải quyết gốc — đề này | | Yêu cầu trích dẫn | ⚠ kiểm chứng được | | Temperature thấp | ⚠ hỗ trợ, không đủ | | ⚠ Không hiệu quả | ⚠ fine-tune tri thức chung, tăng temperature, giảm độ dài |

Từ khoá nhận diện:

"tài liệu chính thức mới nhất" → ⚠ grounding "tăng temperature" → ⚠ gần như luôn SAI khi cần chính xác "fine-tune tri thức chung" → ⚠ không giải bài toán dữ liệu riêng

Ba việc kiểm chứng: | Việc | Cách | |---|---| | Chính sách cũ còn trong chỉ mục không | ⚠ hỏi một câu đã đổi quy định | | Trích dẫn có ghi ngày hiệu lực không | ⚠ rất quan trọng với chính sách | | Temperature đang đặt bao nhiêu | ⚠ phải thấp |

Và nguyên nhân thật sự đằng sau phần lớn ca "chatbot trả lời chính sách cũ": không phải mô hình kém, mà là tài liệu cũ chưa ai gỡ. Grounding giải quyết được vấn đề, nhưng chỉ khi kho tài liệu được duy trì như một tài sản có người chịu trách nhiệm.

Đáp án

D — Veo.

Vì sao đúng

Đề cần VIDEO chào hàng cá nhân hoá, và Veo là mô hình sinh video của Google.

⚠ Ghép yêu cầu:

"video pitch động và CÁ NHÂN HOÁ"
    → ⚠ đầu ra là VIDEO

"nhận thông tin khách ở nhiều
 định dạng"
    → ⚠ đầu vào đa dạng

"biến thành nội dung video hấp dẫn
 riêng cho từng khách"
    → ⚠ sinh video theo yêu cầu

Vì sao các phương án khác sai

• C (Imagen) — ⚠ bẫy mạnh nhất vì là mô hình sinh nội dung hình ảnh quen thuộc nhất. Nhưng ⚠ Imagen sinh ẢNH TĨNH, không sinh video.

• B (Gemini) — ⚠ hiểu và sinh văn bản rất tốt, hiểu được video, nhưng ⚠ không sinh video. Thực tế Gemini sẽ là phần viết kịch bản, còn Veo dựng hình.

• A (Gemma) — ⚠ mô hình mở, nhẹ, văn bản, dùng khi cần chạy tại chỗ.

Ghi nhớ

⚠ Mô hình theo đầu ra — bảng phải thuộc: | Mô hình | Sinh ra | |---|---| | ⚠ Veo | ⚠ VIDEO — đề này | | ⚠ Imagen | ⚠ ẢNH TĨNH | | Gemini | ⚠ văn bản, hiểu đa phương thức | | Gemma | ⚠ văn bản, mở và nhẹ | | Google Vids | ⚠ CÔNG CỤ lắp video từ tài sản có sẵn |

Từ khoá nhận diện:

"sinh video từ mô tả" → ⚠ Veo "sinh ảnh" → ⚠ Imagen "lắp video từ Docs và Drive, người không chuyên" → ⚠ Google Vids "chạy trên thiết bị" → Gemma

Ba việc kiểm chứng: | Việc | Cách | |---|---| | Thông tin về khách trong video có đúng không | ⚠ sai một chi tiết là hỏng cả thiện cảm | | Có ghi rõ nội dung AI không | ⚠ minh bạch | | Chi phí mỗi video so với hiệu quả | ⚠ đo tỷ lệ phản hồi |

Và điều cần nhớ chắc trong nhóm câu về sinh nội dung: Imagen ảnh, Veo video, Gemini chữ, Vids là công cụ lắp ghép. Bộ đề đặt chúng cạnh nhau rất thường xuyên, và chỉ cần nhớ đúng đầu ra của từng cái là loại được ba phương án ngay.

Đáp án

B — Google Cloud Contact Center as a Service (CCaaS).

Vì sao đúng

Đề nêu vấn đề kênh hỗ trợ RỜI RẠC và yêu cầu một giải pháp đám mây hợp nhất.

⚠ Ghép từng yêu cầu:

"điện thoại, email, chat web
 RỜI RẠC"
    → ⚠ cần HỢP NHẤT kênh

"kênh liên lạc TÍCH HỢP"
    → ⚠ đúng định nghĩa CCaaS

"trải nghiệm NHẤT QUÁN"
    → ⚠ một hồ sơ khách xuyên kênh

"mở rộng được, bảo mật, riêng tư"
    → ⚠ dịch vụ quản lý trên đám mây

⚠ Gần trùng với #13990 và #14049 (lô 146, 148) — cùng khoá CCaaS cho bài toán hợp nhất tổng đài. Ba câu, ba cách diễn đạt.

Vì sao các phương án khác sai

• C (Conversational AI) — ⚠ bẫy mạnh nhất: đó là thành phần tạo ra bot hội thoại, ⚠ nhưng không phải nền tảng tổng đài với định tuyến cuộc gọi, hàng chờ, chuyển cho nhân viên, ghi âm, báo cáo. Đề cần cả hệ thống, không chỉ phần bot.

• A (Vertex AI Platform) — ⚠ nền tảng phát triển AI cho kỹ sư, không phải giải pháp tổng đài.

• D (Vertex AI Search) — ⚠ tìm kiếm doanh nghiệp, chỉ là một mảnh nhỏ.

Ghi nhớ

⚠ Bộ sản phẩm chăm sóc khách hàng — bảng phải thuộc: | Sản phẩm | Vai trò | |---|---| | ⚠ CCaaS | ⚠ NỀN TẢNG tổng đài đầy đủ — đề này | | Conversational Agents | ⚠ bot hội thoại — một thành phần | | Agent Assist | ⚠ gợi ý cho NHÂN VIÊN đang trực | | CCAI Insights | ⚠ phân tích hội thoại sau đó | | Customer Engagement Suite | ⚠ cả bộ gộp lại |

Từ khoá nhận diện:

"hợp nhất nhiều kênh, tổng đài, định tuyến" → ⚠ CCaaS "chỉ cần bot trả lời" → ⚠ Conversational Agents "hỗ trợ nhân viên trong lúc gọi" → Agent Assist "phân tích chất lượng cuộc gọi" → CCAI Insights

Ba việc kiểm chứng: | Việc | Cách | |---|---| | Nhân viên có thấy lịch sử mọi kênh không | ⚠ dấu hiệu hợp nhất thật | | Chuyển từ bot sang người có mượt không | ⚠ thử thật | | Ghi âm và dữ liệu khách lưu ở đâu | ⚠ yêu cầu riêng tư |

Và điểm phân biệt cần nhớ: Conversational AI là bộ não của bot, CCaaS là cả toà nhà tổng đài. Đề nói tới nhiều kênh và trải nghiệm nhất quán thì đang hỏi toà nhà, không hỏi bộ não.