Ngân hàng đề — Google Cloud Generative AI Leader

Đáp án

D — Fine-tuning LLM bằng chính kho tài liệu pháp lý nội bộ của công ty.

Vì sao đúng

Đề nêu đủ ba điều kiện của một ca fine-tuning điển hình:

⚠ Ba điều kiện:

"mô hình đa dụng cho kết quả TỐT
 nhưng CHƯA ĐỦ CHUYÊN BIỆT"
    → ⚠ prompt đã không đủ

"cần THUẬT NGỮ pháp lý cụ thể và
 tuân theo HƯỚNG DẪN SOẠN THẢO
 nội bộ"
    → ⚠ PHONG CÁCH và ĐỊNH DẠNG
    → ⚠ đúng thứ fine-tune giỏi

"có KHO LỚN tài liệu pháp lý
 nội bộ"
    → ⚠ có dữ liệu để huấn luyện

⚠ Vì sao là fine-tune chứ không phải RAG:

⚠ Vấn đề ở đây là CÁCH VIẾT,
  không phải THIẾU SỰ THẬT
        ↓
⚠ Cần mô hình VIẾT như luật sư
  của công ty
        ↓
⚠ Đó là phong cách → fine-tune

⚠ Thực tế: hệ thống tốt nhất thường dùng cả hai — fine-tune cho văn phong, RAG cho điều khoản cụ thể.

Vì sao các phương án khác sai

• A (prompt engineering với prompt rất dài và chi tiết) — ⚠ bẫy hợp lý: là bước nên thử trước, và đề ngụ ý họ đã ở mức đó rồi ("tốt nhưng chưa đủ chuyên biệt"). ⚠ Prompt dài cho mọi lượt gọi còn tốn token và khó giữ nhất quán ở quy mô.

• C (tăng temperature để đầu ra đa dạng hơn) — ⚠ ngược hẳn: văn bản pháp lý cần chính xác và nhất quán, không cần đa dạng.

• B (điện toán biên và chạy tại chỗ) — ⚠ giải bài toán nơi chạy và bảo mật, không giải bài toán chất lượng chuyên ngành.

Ghi nhớ

⚠ Ghép vấn đề với kỹ thuật — bảng phải thuộc: | Vấn đề | Kỹ thuật | |---|---| | ⚠ Văn phong, thuật ngữ, định dạng | ⚠ fine-tuning — đề này | | Thiếu sự thật, dữ liệu mới | ⚠ RAG | | Đầu ra lệch ý | ⚠ prompt engineering | | Rủi ro cao | ⚠ HITL |

Từ khoá nhận diện:

"thuật ngữ ngành, hướng dẫn soạn thảo, có kho tài liệu lớn" → ⚠ fine-tuning "cần điều khoản cụ thể, trích dẫn" → ⚠ RAG "prompt chưa đủ" → ⚠ tín hiệu leo lên bước tiếp theo

Ba việc kiểm chứng: | Việc | Cách | |---|---| | Tài liệu huấn luyện có nhất quán phong cách không | ⚠ rà tay một mẫu | | Có PII trong kho tài liệu không | ⚠ quét trước khi huấn luyện | | Luật sư có duyệt bản cuối không | ⚠ bắt buộc |

Và ranh giới cần nhớ chắc: fine-tune dạy mô hình VIẾT như đội pháp chế của bạn, RAG cho nó BIẾT quy định hiện hành nói gì. Nhầm hai thứ này là nguyên nhân phổ biến nhất khiến các dự án AI pháp lý tốn tiền mà không dùng được.

Đáp án

D — Few-shot prompting (kèm ngữ cảnh và chi tiết nhân vật được ngụ ý).

Ghi nhớ về chất lượng câu hỏi

⚠ Đây là câu có vấn đề về thuật ngữ — cần đọc kỹ trước khi ghi nhớ.

⚠ Theo định nghĩa chuẩn, few-shot prompting là cung cấp VÍ DỤ MẪU về cặp đầu vào – đầu ra. Prompt trong đề:

"Viết một câu chuyện về con rồng
 thân thiện. Con rồng tên Sparky,
 điều hành tiệm bánh nổi tiếng ở
 một ngôi làng nhỏ. Nó nổi tiếng
 với bánh việt quất phép thuật."

⚠ Prompt này KHÔNG có ví dụ mẫu nào — nó chỉ có ngữ cảnh và chi tiết. Theo định nghĩa chặt chẽ thì đây là zero-shot prompting có ngữ cảnh phong phú.

⚠ Mâu thuẫn với #14158 (lô 151): câu đó định nghĩa rõ zero-shot = "hoàn toàn dựa vào tri thức sẵn có, KHÔNG có ví dụ nào được cung cấp". Theo định nghĩa ấy thì prompt ở đây là zero-shot.

⚠ Vì sao vẫn giữ khoá D: bộ đề đang dùng nghĩa rộng của few-shot — coi các chi tiết cụ thể được cung cấp (tên, nghề, đặc điểm) như những "mẫu" định hình đầu ra. ⚠ Đây là cách hiểu KHÔNG chuẩn, và chính phần chú thích trong ngoặc "(with implied context and character details)" cho thấy người ra đề tự biết là phải giải thích thêm.

⚠ Cách làm bài an toàn: nếu gặp câu tương tự trong đề thật, đọc kỹ phần chú thích trong ngoặc của phương án — nó thường tiết lộ ý định của người ra đề.

Vì sao đúng (theo ý người ra đề)

⚠ Prompt cung cấp gì:

⚠ Tên nhân vật: Sparky
⚠ Nghề nghiệp: chủ tiệm bánh
⚠ Bối cảnh: làng nhỏ
⚠ Đặc điểm nổi bật: bánh việt quất
  phép thuật
        ↓
⚠ Người ra đề coi các chi tiết
  ràng buộc này là "mẫu" định hình

Vì sao các phương án khác sai

• A (Zero-shot) — ⚠ theo định nghĩa chuẩn thì đây MỚI đúng, nhưng bộ đề không chọn. Xem phần chất lượng câu hỏi ở trên.

• B (One-shot) — ⚠ cần đúng MỘT ví dụ mẫu; ở đây không có ví dụ nào.

• C (Rapid-fire prompting) — ⚠ thuật ngữ KHÔNG TỒN TẠI trong tài liệu chuẩn. Đây là phương án bịa.

Ghi nhớ

⚠ Định nghĩa CHUẨN cần thuộc — bảng phải thuộc: | Kỹ thuật | Định nghĩa chuẩn | |---|---| | ⚠ Zero-shot | ⚠ KHÔNG ví dụ nào | | ⚠ One-shot | ⚠ ĐÚNG một ví dụ | | ⚠ Few-shot | ⚠ VÀI ví dụ mẫu đầu vào–đầu ra | | ⚠ Cung cấp ngữ cảnh | ⚠ KHÔNG phải few-shot theo nghĩa chặt |

Từ khoá nhận diện:

"Đây là ví dụ: … → …" → ⚠ few-shot thật "chỉ mô tả yêu cầu và bối cảnh" → ⚠ zero-shot theo nghĩa chuẩn thuật ngữ lạ như "rapid-fire" → ⚠ phương án bịa

Ba việc kiểm chứng: | Việc | Cách | |---|---| | Prompt có cặp ví dụ mẫu không | ⚠ có mới là few-shot | | Chi tiết bối cảnh giúp gì | ⚠ thu hẹp đầu ra, nhưng khác few-shot | | Đề có chú thích thêm trong phương án không | ⚠ dấu hiệu người ra đề tự thấy cần giải thích |

Và điều đáng giữ lại từ câu này không phải là đáp án, mà là định nghĩa chuẩn của ba bậc prompting. Trong công việc thật, gọi tên đúng kỹ thuật quan trọng hơn nhiều so với việc chọn đúng một phương án của bộ đề.

Đáp án

B — Tăng temperature.

Vì sao đúng

Đề nói rõ mục tiêu: rất sáng tạo và đa dạng, chấp nhận cả phương án ít thông thường. Đó chính là việc của temperature cao.

⚠ Cơ chế:

⚠ Temperature CAO
   → ⚠ cho từ có xác suất THẤP
     cơ hội được chọn
   → ⚠ đầu ra bất ngờ hơn
   → ⚠ mỗi lần chạy khác nhau

⚠ Temperature THẤP
   → ⚠ luôn chọn từ khả dĩ nhất
   → ⚠ an toàn, lặp lại được
   → ⚠ nhưng nhàm và giống nhau

⚠ Vì sao hợp với tagline:

⚠ Tagline hay thường là cái BẤT NGỜ
⚠ Cần nhiều phương án để chọn
⚠ Sai cũng không hại — người duyệt
  loại bỏ

Vì sao các phương án khác sai

• A (giảm temperature) — ⚠ ngược hẳn: cho ra các phương án an toàn, giống nhau, đúng thứ họ muốn tránh.

• C (đặt Top-P rất thấp) — ⚠ cũng thu hẹp: top-p thấp nghĩa là chỉ xét một nhóm từ rất hẹp có xác suất cao nhất → ít đa dạng hơn. ⚠ Muốn đa dạng thì top-p phải cao.

• D (giảm mạnh giới hạn số token) — ⚠ chỉ làm đầu ra NGẮN hơn, không làm nó sáng tạo hơn.

Ghi nhớ

⚠ Các tham số sinh và hướng điều chỉnh — bảng phải thuộc: | Tham số | Muốn SÁNG TẠO | Muốn CHÍNH XÁC | |---|---|---| | ⚠ Temperature | ⚠ TĂNG (0,8–1,0+) | ⚠ GIẢM (0–0,3) | | ⚠ Top-P | ⚠ cao (0,9–1,0) | ⚠ thấp | | Top-K | ⚠ cao | ⚠ thấp | | Max tokens | ⚠ không ảnh hưởng sáng tạo | ⚠ chỉ giới hạn độ dài |

Từ khoá nhận diện:

"sáng tạo, đa dạng, bất ngờ, nhiều phương án" → ⚠ TĂNG temperature "chính xác, nhất quán, bám nguồn" → ⚠ GIẢM temperature "ngắn gọn" → ⚠ max output tokens

Ba việc kiểm chứng: | Việc | Cách | |---|---| | Chạy 10 lần có ra 10 kết quả khác nhau không | ⚠ kiểm mức đa dạng thật | | Có phương án nào lạc đề không | ⚠ cái giá của nhiệt cao | | Tagline có trùng thương hiệu khác không | ⚠ tra cứu trước khi dùng |

Và mẹo nhớ hai chiều điều chỉnh: cần ĐÚNG thì hạ nhiệt, cần MỚI thì nâng nhiệt. Mọi tham số sinh khác đều xoay quanh cùng một trục đó — chỉ khác cách cắt tập từ ứng viên.

Đáp án

C — Phân tích điểm phản hồi của khách hàng và tỷ lệ giải quyết từ các lượt tương tác với chatbot.

Vì sao đúng

Đề hỏi cách đo TRỰC TIẾP NHẤT tác động lên sự hài lòng của khách hàng. Chỉ phương án C đo đúng thứ đó.

⚠ Hai chỉ số trong phương án C:

⚠ Điểm phản hồi khách hàng
   → ⚠ đo TRỰC TIẾP mức hài lòng

⚠ Tỷ lệ giải quyết
   → ⚠ khách có được giúp thật không
   → ⚠ chỉ số hài lòng gián tiếp
     nhưng rất mạnh

⚠ Gần trùng với #14129 (lô 150) — cùng bài học: đo chỉ số NGHIỆP VỤ, không đo chỉ số kỹ thuật. Câu kia hỏi KPI cho mục tiêu giảm cuộc gọi, câu này hỏi KPI cho hài lòng khách hàng.

Vì sao các phương án khác sai

Cả ba đều là chỉ số kỹ thuật hoặc quản trị dự án, không phải chỉ số hài lòng:

• A (đếm số lượt gọi API tới mô hình) — ⚠ bẫy hợp lý nhất: nhiều lượt gọi nghe như "được dùng nhiều". Nhưng ⚠ cũng có thể là khách phải hỏi đi hỏi lại vì bot trả lời kém — chỉ số này không có hướng.

• B (theo dõi CPU và bộ nhớ) — ⚠ chỉ số vận hành hạ tầng, không nói gì về khách hàng.

• D (đếm số lập trình viên tham gia dự án) — ⚠ chỉ số quản trị dự án, hoàn toàn không liên quan.

Ghi nhớ

⚠ Ba tầng chỉ số — bảng phải thuộc: | Tầng | Ví dụ | |---|---| | ⚠ Nghiệp vụ | ⚠ CSAT, tỷ lệ giải quyết, doanh thu — đề này | | Vận hành | ⚠ CPU, độ trễ, uptime | | Mô hình | ⚠ độ chính xác, điểm đánh giá | | Dự án | ⚠ nhân sự, tiến độ |

Từ khoá nhận diện:

"hài lòng khách hàng" → ⚠ CSAT, phản hồi, tỷ lệ giải quyết "số lượt gọi API" → ⚠ chỉ số KHÔNG CÓ HƯỚNG "CPU, bộ nhớ" → ⚠ hạ tầng "số người tham gia" → ⚠ quản trị dự án

Ba việc kiểm chứng: | Việc | Cách | |---|---| | Ai không trả lời khảo sát | ⚠ thường là nhóm không hài lòng | | Tỷ lệ chuyển sang người bao nhiêu | ⚠ chỉ số chất lượng thật | | Có đường nền trước khi có bot không | ⚠ không có thì không so được |

Và nguyên tắc chọn chỉ số đáng nhớ: một chỉ số tốt phải trả lời được câu "tăng lên là tốt hay xấu". Số lượt gọi API không trả lời được câu đó, nên nó không phải chỉ số đo thành công.

Đáp án

C — Google's Secure AI Framework (SAIF).

Vì sao đúng

Đề liệt kê ba mối đe doạ, cả ba đều là đe doạ bảo mật đặc thù của AI:

⚠ Ba mối đe doạ:

⚠ Đầu độc dữ liệu (data poisoning)
   → ⚠ chèn dữ liệu độc vào tập
     huấn luyện

⚠ Trộm mô hình (model theft)
   → ⚠ sao chép trọng số hoặc
     trích xuất qua API

⚠ Tấn công đối kháng (adversarial)
   → ⚠ đầu vào được chế tác để
     đánh lừa mô hình

⚠ Bảo mật truyền thống không phủ được ba thứ này — đó là lý do SAIF tồn tại.

⚠ Gần trùng với #14167 (lô 151) — cùng khoá SAIF, cùng nội dung. Câu kia hỏi mục tiêu, câu này hỏi khung nào xử lý các mối đe doạ cụ thể.

Vì sao các phương án khác sai

• B (Google's AI Principles) — ⚠ bẫy mạnh nhất: cũng là khung nền tảng của Google, nhưng về ĐẠO ĐỨC — công bằng, tránh thiên lệch, trách nhiệm. ⚠ Nó không nói về đầu độc dữ liệu hay trộm mô hình.

• A (Well-Architected Framework) — ⚠ hướng dẫn thiết kế hệ thống đám mây tốt (tin cậy, hiệu năng, chi phí, bảo mật chung), ⚠ không chuyên về đe doạ AI.

• D (Shared Responsibility Model) — ⚠ mô hình phân chia ai chịu trách nhiệm phần nào giữa nhà cung cấp và khách hàng. ⚠ Là khái niệm hữu ích nhưng không phải bộ hướng dẫn chống các đe doạ này.

Ghi nhớ

⚠ Bốn khung hay bị nhầm — bảng phải thuộc: | Khung | Trả lời câu hỏi | |---|---| | ⚠ SAIF | ⚠ "chống tấn công vào AI thế nào" — đề này | | AI Principles | ⚠ "hệ thống có gây hại không" | | Well-Architected | ⚠ "thiết kế hệ thống đám mây tốt ra sao" | | Shared Responsibility | ⚠ "ai lo phần nào" |

Từ khoá nhận diện:

"đầu độc dữ liệu, trộm mô hình, đối kháng, tiêm prompt" → ⚠ SAIF "công bằng, thiên lệch, minh bạch" → ⚠ AI Principles "tin cậy, hiệu năng, tối ưu chi phí" → Well-Architected "nhà cung cấp lo gì, khách lo gì" → Shared Responsibility

Ba việc kiểm chứng: | Việc | Cách | |---|---| | Dữ liệu huấn luyện đến từ đâu | ⚠ nguồn không kiểm soát là rủi ro đầu độc | | API có giới hạn tần suất không | ⚠ chống trích xuất mô hình | | Đã red team chưa | ⚠ thử tấn công chính mình |

Và ranh giới không bao giờ được nhầm giữa hai khung của Google: SAIF lo kẻ tấn công từ bên ngoài, AI Principles lo tác hại do chính hệ thống gây ra khi nó hoạt động đúng thiết kế.

Đáp án

B — Ẩn danh hoá (anonymization) hoặc bút danh hoá (pseudonymization) dữ liệu.

Vì sao đúng

Đề hỏi kỹ thuật giảm rủi ro TÁI NHẬN DẠNG cá nhân từ tập dữ liệu. Đó chính xác là mục đích của hai kỹ thuật này.

⚠ Hai kỹ thuật:

⚠ ANONYMIZATION — ẩn danh hoá
   → ⚠ XOÁ hoặc làm mờ định danh
   → ⚠ KHÔNG khôi phục lại được
   → ⚠ bảo vệ mạnh hơn

⚠ PSEUDONYMIZATION — bút danh hoá
   → ⚠ THAY định danh bằng mã giả
   → ⚠ có bảng ánh xạ, khôi phục
     được nếu có khoá
   → ⚠ vẫn phân tích theo cá thể được

⚠ Đối chiếu #13961 và #13929 (lô 145, 146) — hai câu đó tách riêng hai kỹ thuật; ở đây bộ đề gộp chung. ⚠ Cách phân biệt: đề nói "remove/obscure" → ẩn danh; nói "thay bằng định danh nhân tạo" → bút danh.

Vì sao các phương án khác sai

• A (tăng kích thước tập dữ liệu bằng cách thêm dữ liệu khách hàng) — ⚠ làm tệ hơn: thêm dữ liệu cá nhân là tăng rủi ro, không giảm.

• C (chỉ dùng dữ liệu có cấu trúc để huấn luyện) — ⚠ không liên quan: dữ liệu có cấu trúc vẫn chứa PII (tên, email, mã khách). Hình dạng dữ liệu không quyết định mức riêng tư.

• D (lưu dữ liệu ở nhiều vùng địa lý) — ⚠ liên quan tới tính sẵn sàng và chủ quyền dữ liệu, ⚠ và nhân bản dữ liệu cá nhân ra nhiều nơi thực ra còn tăng bề mặt rủi ro.

Ghi nhớ

⚠ Kỹ thuật bảo vệ riêng tư — bảng phải thuộc: | Kỹ thuật | Nội dung | |---|---| | ⚠ Anonymization | ⚠ xoá định danh, KHÔNG khôi phục được | | ⚠ Pseudonymization | ⚠ thay bằng mã giả, khôi phục được | | Masking | ⚠ **che một phần: **1234 | | Tokenization | ⚠ thay bằng token giữ định dạng | | Aggregation | ⚠ chỉ giữ số liệu tổng | | ⚠ Differential privacy | ⚠ thêm nhiễu có kiểm soát |

Từ khoá nhận diện:

"tái nhận dạng, bảo vệ danh tính" → ⚠ ẩn danh / bút danh hoá "remove, obscure" → ⚠ anonymization "thay bằng định danh nhân tạo" → ⚠ pseudonymization "lưu nhiều vùng" → ⚠ sẵn sàng, không phải riêng tư

Ba việc kiểm chứng: | Việc | Cách | |---|---| | Ghép vài trường có nhận ra người không | ⚠ thử tấn công liên kết | | Có cần khôi phục danh tính sau này không | ⚠ quyết định chọn ẩn danh hay bút danh | | Dữ liệu đã vào trọng số mô hình chưa | ⚠ nếu rồi thì rất khó gỡ |

Và lý do phải làm việc này trước khi huấn luyện: dữ liệu trong cơ sở dữ liệu xoá được bằng một câu lệnh, dữ liệu trong trọng số mô hình thì không. Quyền được lãng quên chỉ thực thi được nếu dữ liệu cá nhân chưa bao giờ đi vào mô hình.

Đáp án

B — Rằng mô hình gen AI có thể TẠO RA nội dung, ý tưởng và giải pháp hoàn toàn mới và nguyên bản, dựa trên dữ liệu chúng được huấn luyện.

Vì sao đúng

Đề hỏi hiểu biết nền tảng nhất cần lan toả trong tổ chức. Nếu mọi người hiểu sai bản chất, mọi lựa chọn ứng dụng sau đó đều lệch.

⚠ Vì sao hiểu biết này là gốc:

⚠ Hiểu gen AI = TẠO RA cái mới
        ↓
⚠ Người ta bắt đầu nghĩ tới:
   → thiết kế sản phẩm
   → nội dung marketing
   → ý tưởng giải pháp
   → mô phỏng kịch bản
        ↓
⚠ Thay vì chỉ nghĩ tới
   "làm nhanh việc đang làm"

Vì sao các phương án khác sai

• A (gen AI chủ yếu là công cụ tự động hoá việc lặp lại đơn giản) — ⚠ bẫy phổ biến nhất trong thực tế: hiểu như vậy sẽ giới hạn tầm nhìn vào việc cắt giảm chi phí, bỏ lỡ phần tạo ra giá trị mới.

• C (gen AI sẽ NGAY LẬP TỨC thay thế sáng tạo và giám sát của con người trong MỌI chức năng) — ⚠ thổi phồng nguy hiểm: dẫn tới bỏ HITL, kỳ vọng sai, và mất niềm tin khi thực tế không như hứa hẹn.

• D (công nghệ quá phức tạp để nhân viên không kỹ thuật hiểu hoặc đóng góp) — ⚠ sai và có hại: chính nhân viên nghiệp vụ mới biết bài toán nào đáng giải.

Ghi nhớ

⚠ Ba cách hiểu sai phổ biến — bảng phải thuộc: | Hiểu sai | Hậu quả | |---|---| | ⚠ "Chỉ để tự động hoá việc vặt" | ⚠ bỏ lỡ giá trị tạo mới | | ⚠ "Sẽ thay thế con người ngay" | ⚠ kỳ vọng sai, bỏ giám sát | | ⚠ "Quá khó, để đội kỹ thuật lo" | ⚠ mất nguồn ý tưởng tốt nhất | | ⚠ Hiểu đúng | ⚠ TẠO RA cái mới, có người giám sát |

Từ khoá nhận diện:

"tạo ra nội dung, ý tưởng, giải pháp mới" → ⚠ hiểu đúng bản chất "chỉ tự động hoá" → ⚠ hiểu hẹp "thay thế con người ngay" → ⚠ thổi phồng "quá phức tạp cho người thường" → ⚠ sai và cản trở áp dụng

Ba việc kiểm chứng: | Việc | Cách | |---|---| | Nhân viên hiểu gen AI là gì | ⚠ hỏi vài người, câu trả lời thường rất khác nhau | | Có ai nghĩ nó chỉ để cắt giảm nhân sự không | ⚠ nỗi sợ này cản trở áp dụng mạnh nhất | | Có kênh đề xuất ý tưởng chưa | ⚠ ý tưởng tốt nhất đến từ người làm việc trực tiếp |

Và điều lãnh đạo hay bỏ qua khi truyền đạt về AI: nhân viên nghe "AI" thường nghĩ tới việc mất việc trước khi nghĩ tới công cụ mới. Không xử lý nỗi lo đó thì mọi chương trình áp dụng đều gặp lực cản ngầm.

Đáp án

C — Gen AI trao cho doanh nghiệp khả năng mở khoá những hình thức sáng tạo mới, tăng tốc đổi mới và tạo ra trải nghiệm người dùng mới lạ, bằng cách sinh ra nội dung và hiểu biết đa dạng.

Vì sao đúng

Đề hỏi giá trị cốt lõi cho một lãnh đạo muốn ĐỔI MỚI. Phương án C nêu đúng ba hướng giá trị tạo ra cái mới:

⚠ Ba hướng giá trị:

⚠ Mở khoá sáng tạo
   → làm được thứ trước đây không làm nổi

⚠ Tăng tốc đổi mới
   → thử nhiều ý tưởng nhanh hơn

⚠ Trải nghiệm người dùng mới
   → sản phẩm có hình dạng khác trước

⚠ Gần trùng với #14232 (chính lô này) — cùng bài học: gen AI không chỉ để tự động hoá. Câu kia hỏi hiểu biết nền tảng, câu này hỏi giá trị cho lãnh đạo.

Vì sao các phương án khác sai

• A (chủ yếu tiết kiệm chi phí qua tự động hoá quy trình thủ công hiện có) — ⚠ bẫy mạnh nhất và là cách nghĩ phổ biến nhất: tiết kiệm chi phí có thật, nhưng ⚠ đề hỏi lãnh đạo muốn ĐỔI MỚI — và tự động hoá chỉ làm nhanh hơn cái đang có, không tạo ra cái mới.

• B (chủ yếu là công cụ nghiên cứu, ít ứng dụng thực tế trong ngành đã ổn định) — ⚠ sai thực tế: đã ứng dụng rộng khắp.

• D (lợi ích chính là sao chép hoàn hảo trí tuệ và ra quyết định của con người trong mọi tình huống) — ⚠ thổi phồng và sai: gen AI không sao chép hoàn hảo trí tuệ con người, và vẫn cần giám sát.

Ghi nhớ

⚠ Hai loại giá trị của gen AI — bảng phải thuộc: | Loại | Ví dụ | |---|---| | Hiệu quả | ⚠ làm nhanh hơn, rẻ hơn việc đang có | | ⚠ Tạo mới | ⚠ làm được thứ trước đây không làm nổi — đề này | | ⚠ Lãnh đạo đổi mới quan tâm | ⚠ loại thứ HAI | | Thực tế | ⚠ hầu hết tổ chức bắt đầu ở loại một rồi mới tới loại hai |

Từ khoá nhận diện:

"đổi mới, sáng tạo, trải nghiệm mới" → ⚠ giá trị tạo mới "tiết kiệm chi phí, tự động hoá việc đang có" → ⚠ giá trị hiệu quả "thay thế hoàn toàn con người" → ⚠ luôn là phương án thổi phồng

Ba việc kiểm chứng: | Việc | Cách | |---|---| | Danh mục dự án AI đang nghiêng về đâu | ⚠ toàn tiết kiệm chi phí là dấu hiệu tầm nhìn hẹp | | Có dự án nào tạo ra sản phẩm mới không | | | Đối thủ đang làm gì | ⚠ nếu ai cũng làm được thì không phải lợi thế |

Và câu hỏi để kiểm tra tầm nhìn của một chương trình AI: nếu thành công, sản phẩm của công ty có KHÁC ĐI không, hay chỉ RẺ HƠN? Chỉ rẻ hơn thì đối thủ cũng sẽ đạt được điều đó trong vòng một năm.

Đáp án

B — Tạo bản nháp slogan cho chiến dịch marketing mới kèm ý tưởng hình ảnh cho sản phẩm mới.

Vì sao đúng

Đề hỏi ví dụ minh hoạ năng lực CĂN BẢN của gen AI VƯỢT RA NGOÀI phân tích dữ liệu đơn thuần. Chỉ phương án B TẠO RA thứ chưa tồn tại.

⚠ So sánh bốn phương án:

A. Dự đoán doanh số quý tới
   → ⚠ ML DỰ BÁO — phân tích

B. ⚠ Tạo slogan MỚI + ý tưởng
   hình ảnh MỚI
   → ⚠ SINH nội dung chưa tồn tại

C. Tối ưu logistics chuỗi cung ứng
   → ⚠ tối ưu hoá — phân tích

D. Phát hiện giao dịch gian lận
   → ⚠ phân loại — phân tích

⚠ Ba phương án A, C, D đều cho ra kết luận VỀ dữ liệu đã có; chỉ B cho ra NỘI DUNG MỚI.

Vì sao các phương án khác sai

Cả ba đều là ứng dụng AI giá trị cao và có thật, nhưng đều thuộc AI phân tích/dự báo:

• A (dự đoán doanh số theo dữ liệu lịch sử) — ⚠ ML dự báo cổ điển, có từ lâu trước gen AI.

• D (phát hiện giao dịch gian lận) — ⚠ bài toán phân loại, đầu ra là nhãn.

• C (tối ưu logistics) — ⚠ bài toán tối ưu hoá, có thể không cần ML.

⚠ Mẹo: hỏi "đầu ra là NHÃN/SỐ hay NỘI DUNG?" — nhãn hoặc số thì không phải gen AI.

Ghi nhớ

⚠ Phân biệt hai nhánh — bảng phải thuộc: | Nhánh | Đầu ra | Ví dụ | |---|---|---| | AI phân tích / dự báo | ⚠ nhãn, số, xác suất | ⚠ dự báo, phân loại, tối ưu | | ⚠ Gen AI | ⚠ NỘI DUNG MỚI | ⚠ văn bản, ảnh, mã, video — đề này |

Từ khoá nhận diện:

"tạo, viết, thiết kế, sinh ra" → ⚠ gen AI "dự đoán, phân loại, phát hiện, tối ưu" → ⚠ AI phân tích "đa phương thức: chữ + hình" → ⚠ thêm dấu hiệu gen AI

Ba việc kiểm chứng: | Việc | Cách | |---|---| | Bài toán này cần nhãn hay cần nội dung | ⚠ quyết định chọn nhánh nào | | Có đang dùng gen AI cho việc ML thường làm tốt hơn không | ⚠ đắt hơn mà kém chính xác hơn | | Nội dung sinh ra ai duyệt | ⚠ luôn cần người |

Và câu hỏi lọc nhanh nhất cho mọi bài toán: đầu ra là một CON SỐ hay một ĐOẠN NỘI DUNG? Con số thì dùng ML truyền thống — rẻ hơn, nhanh hơn, chính xác hơn; nội dung thì mới cần tới gen AI.

Đáp án

C — Cách tiếp cận AI-first: nền tảng sẵn sàng cho doanh nghiệp với các mô hình nền tiên tiến, công cụ MLOps vững chắc và cam kết về AI có trách nhiệm.

Vì sao đúng

Đề hỏi điểm khác biệt đến từ lịch sử lâu dài và đầu tư sâu vào nghiên cứu AI. Phương án C nêu đúng ba trụ:

⚠ Ba trụ:

⚠ Mô hình nền tiên tiến
   → ⚠ Gemini, Imagen, Veo, Gemma
   → ⚠ Transformer ra đời từ nghiên cứu
     của Google

⚠ Công cụ MLOps đầy đủ
   → ⚠ Vertex AI cả vòng đời

⚠ Cam kết AI có trách nhiệm
   → ⚠ AI Principles, SAIF, SynthID

Vì sao các phương án khác sai

Cả ba đều mô tả những thứ ngược với thực tế:

• D (hệ sinh thái ĐÓNG, không khuyến khích tích hợp công cụ bên thứ ba hay mô hình mở) — ⚠ sai ngược: Google nhấn mạnh cách tiếp cận MỞ — Gemma là mô hình mở, Model Garden có mô hình bên thứ ba.

• B (chủ yếu tập trung vào hạ tầng, doanh nghiệp phải tự xây gần hết) — ⚠ sai: có đầy đủ mô hình sẵn, API, công cụ no-code.

• A (số lượng hạn chế mô hình chuyên biệt hẹp, ít tuỳ chỉnh) — ⚠ sai: danh mục rộng và nhiều mức tuỳ chỉnh.

⚠ Mẹo: ba phương án sai đều mang giọng tiêu cực hoặc hạn chế — dạng câu hỏi "điểm khác biệt là gì" thì đáp án gần như luôn là phương án mô tả năng lực đầy đủ.

Ghi nhớ

⚠ Bốn thế mạnh của Google Cloud — bảng phải thuộc: | Thế mạnh | Nội dung | |---|---| | ⚠ AI-first, nghiên cứu lâu năm | ⚠ Transformer, TPU, mô hình nền — đề này | | Hệ sinh thái tích hợp | ⚠ Ads, Analytics, Workspace, Cloud | | Cách tiếp cận mở | ⚠ Gemma, mô hình bên thứ ba, đa đám mây | | An toàn từ thiết kế | ⚠ Titan, SAIF |

Từ khoá nhận diện:

"lịch sử nghiên cứu AI, mô hình tiên tiến, MLOps đầy đủ" → ⚠ AI-first "đóng, không tích hợp bên ngoài" → ⚠ luôn SAI "tự xây gần hết" → ⚠ luôn SAI

Ba việc kiểm chứng: | Việc | Cách | |---|---| | Điều khoản dữ liệu của đúng dịch vụ đang dùng | ⚠ đừng suy từ sản phẩm khác | | Mô hình cần dùng có ở region của bạn không | | | Có bị khoá chân ở chỗ nào không | ⚠ kiểm khả năng xuất dữ liệu |

Và cách chấm nhanh nhóm câu "điểm khác biệt của nhà cung cấp": phương án mô tả sự HẠN CHẾ gần như luôn sai. Câu hỏi đang tìm thế mạnh, nên đáp án là phương án nói về năng lực toàn diện.