Ngân hàng đề — Google Cloud Generative AI Leader

Đáp án

A — 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 bổ sung cho nhau.

⚠ Ghép giới hạn với kỹ thuật:

⚠ Ảo giác, tri thức lỗi thời
   → ⚠ GROUNDING / RAG

⚠ Đầu ra lệch ý, sai định dạng
   → ⚠ PROMPT ENGINEERING

⚠ Sai phong cách, thuật ngữ ngành
   → ⚠ FINE-TUNING

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

Ghi nhớ về chất lượng câu hỏi

⚠ Câu này TRÙNG ĐỀ BÀI với #14181 (lô 151), đã ĐỔI CHỮ CÁI: từ chữ C sang chữ A.

⚠ Đây là câu thứ TÁM trong lô này bị xáo chữ cái. ⚠ Với 50 câu mỗi lô, tỷ lệ này rất cao — người ôn tuyệt đối không được nhớ theo vị trí.

Vì sao các phương án khác sai

• C (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.

• D (tăng sức mạnh xử lý và phần cứng nhanh hơn) — ⚠ giúp tốc độ, không giúp độ chính xác.

• B (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 | | ⚠ 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

Ba việc kiểm chứng: | Việc | Cách | |---|---| | Đã thử prompt và RAG trước fine-tune chưa | | | 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 — Thiết lập chuẩn bảo mật để xây dựng và triển khai AI một cách có trách nhiệm, giải quyết các thách thức và mối đe doạ đặc thù của bối cảnh AI.

Vì sao đúng

SAIF (Secure AI Framework) mang thực hành bảo mật vào vòng đời AI, đồng thời xử lý những mối đe doạ chỉ có ở AI.

⚠ Mối đe doạ đặc thù của AI:

⚠ Đầu độc dữ liệu huấn luyện
⚠ Tiêm prompt trực tiếp và gián tiếp
⚠ Trộm mô hình
⚠ Trích xuất dữ liệu huấn luyện
⚠ Đầu vào đối kháng
⚠ Tấn công chuỗi cung ứng mô hình

⚠ Bảo mật truyền thống không phủ được những thứ này.

Ghi nhớ về chất lượng câu hỏi

⚠ Câu này TRÙNG ĐỀ BÀI với #14167 (lô 151), đã ĐỔI CHỮ CÁI: từ chữ C sang chữ D.

⚠ Câu thứ CHÍN trong lô này bị xáo chữ cái.

⚠ Cùng lô còn có #14284 cũng hỏi về SAIF ở góc độ khác (mục đích cho tổ chức trên Google Cloud). ⚠ Hai câu, hai cách hỏi, cùng một kiến thức.

Vì sao các phương án khác sai

• B (chỉ tập trung ngăn tấn công từ BÊN NGOÀI) — ⚠ quá hẹp: SAIF phủ cả chuỗi cung ứng, dữ liệu, nội bộ, toàn bộ vòng đời.

• C (thúc đẩy đổi mới mà KHÔNG xét rủi ro bảo mật) — ⚠ ngược hoàn toàn với chữ "Secure".

• A (hạn chế phát triển và triển khai AI vì lo ngại rủi ro) — ⚠ cũng ngược: SAIF nhằm cho phép triển khai an toàn, không nhằm cấm cản.

Ghi nhớ

⚠ Sáu trụ của SAIF — bảng nên thuộc: | Trụ | Nội dung | |---|---| | ⚠ Mở rộng nền tảng bảo mật sẵn có sang AI | | | ⚠ Mở rộng phát hiện và phản ứng vào AI | | | Tự động hoá phòng thủ | | | ⚠ Thống nhất kiểm soát trên toàn nền tảng | | | ⚠ Thích ứng kiểm soát, rút ngắn vòng phản hồi | | | ⚠ Đặt rủi ro AI trong quy trình rủi ro NGHIỆP VỤ | |

Từ khoá nhận diện:

"đầu độc dữ liệu, tiêm prompt, trộm mô hình" → ⚠ SAIF "công bằng, thiên lệch" → ⚠ AI Principles "chỉ chống tấn công bên ngoài" → ⚠ quá hẹp "không xét rủi ro" → ⚠ luôn sai

Ba việc kiểm chứng: | Việc | Cách | |---|---| | Đã red team hệ thống AI chưa | | | Mô hình tải về từ nguồn nào | ⚠ kiểm chữ ký và nguồn gốc | | Log có đủ để điều tra không | ⚠ nhưng đừng ghi cả dữ liệu nhạy cảm |

Và ranh giới không bao giờ nhầm: SAIF lo kẻ xấu bên ngoài, AI Principles lo tác hại do chính hệ thống gây ra khi nó hoạt động bình thường.

Đáp án

D — Nó tạo ra kết quả thiên lệch và không công bằng.

Vì sao đúng

Chất lượng dữ liệu huấn luyện quyết định trực tiếp hành vi mô hình — nguyên tắc "rác vào, rác ra".

⚠ Hai loại lỗi, hai hậu quả:

⚠ Dữ liệu KHÔNG CHÍNH XÁC
   → ⚠ mô hình học sai mẫu hình
   → ⚠ dự đoán sai

⚠ Dữ liệu KHÔNG ĐẦY ĐỦ
   → ⚠ nhóm nào bị thiếu đại diện
   → ⚠ mô hình hoạt động KÉM với
     nhóm đó
   → ⚠ KẾT QUẢ BẤT CÔNG

⚠ Vì sao "bất công" là hậu quả đúng:

⚠ Thiếu dữ liệu hiếm khi thiếu ĐỀU
        ↓
⚠ Thường thiếu ở nhóm thiểu số
        ↓
⚠ Mô hình phục vụ nhóm đa số tốt,
  nhóm thiểu số kém

Ghi nhớ về chất lượng câu hỏi

⚠ Câu này TRÙNG ĐỀ BÀI với #14168 (lô 151), đã ĐỔI CHỮ CÁI: từ chữ C sang chữ D.

⚠ Câu thứ MƯỜI trong lô này bị xáo chữ cái. ⚠ Trung bình cứ năm câu thì có một câu lặp lại với vị trí đáp án khác.

Vì sao các phương án khác sai

Cả ba đều nói về những thứ không liên quan tới chất lượng dữ liệu:

• C (loại bỏ nhu cầu tinh chỉnh và huấn luyện thêm) — ⚠ ngược hẳn: dữ liệu kém làm tăng nhu cầu sửa chữa.
• A (gây kém hiệu quả trong lưu trữ) — ⚠ vấn đề hạ tầng.
• B (gây giao diện người dùng kém hiệu quả) — ⚠ hoàn toàn không liên quan.

Ghi nhớ

⚠ Đặc tính dữ liệu và hậu quả khi thiếu — bảng phải thuộc: | Thiếu gì | Hậu quả | |---|---| | ⚠ Chính xác | ⚠ mô hình học sai | | ⚠ Đầy đủ / đại diện | ⚠ BẤT CÔNG với nhóm thiếu — đề này | | Nhất quán | ⚠ không ghép được dữ liệu | | Cập nhật | ⚠ quyết định theo thực tế cũ | | Liên quan | ⚠ nhiễu, mô hình kém |

Từ khoá nhận diện:

"dữ liệu sai hoặc thiếu" → ⚠ thiên lệch, bất công "nhóm thiểu số hoạt động kém" → ⚠ thiếu đại diện "lưu trữ, giao diện" → ⚠ phương án lạc đề

Ba việc kiểm chứng: | Việc | Cách | |---|---| | Phân bố dữ liệu theo nhóm ra sao | ⚠ so với dân số thực tế | | Chỉ số theo từng nhóm chênh bao nhiêu | ⚠ con số tổng che mất điều này | | Dữ liệu thu tự nhiên hay có chủ đích | ⚠ thu tự nhiên thường tái tạo bất bình đẳng |

Và câu tổng kết cho cả nhóm chủ đề: mô hình không có ý kiến riêng, nó chỉ phản chiếu dữ liệu. Muốn kết quả công bằng thì phải sửa từ dữ liệu — chỉnh mô hình sau khi huấn luyện gần như luôn là chữa triệu chứng.

Đáp án

D — Vòng lặp suy luận (reasoning loop) và công cụ (tools).

Vì sao đúng

Đây là hai yếu tố định nghĩa phân biệt agent với một mô hình đứng riêng.

⚠ Hai yếu tố:

⚠ VÒNG LẶP SUY LUẬN
   → ⚠ suy nghĩ → hành động → quan sát
   → ⚠ lặp lại tới khi xong
   → ⚠ mô hình đơn lẻ chỉ chạy MỘT LƯỢT

⚠ CÔNG CỤ
   → ⚠ gọi API, truy vấn CSDL, chạy code
   → ⚠ mô hình đơn lẻ chỉ SINH CHỮ

Ghi nhớ về chất lượng câu hỏi

⚠ Câu này TRÙNG Ý với #14157 (lô 151) — cùng câu hỏi, đáp án vẫn ở chữ D.

⚠ Nhưng bộ đề đã thay hai phương án sai: lô 151 có "TPU hardware…" và "RPA và grounding personalization", lô này thay bằng "Automation and personalization" và "Natural language processing and machine learning".

⚠ Bài học: bộ đề không chỉ xáo chữ cái mà còn thay cả nội dung phương án sai. Càng cần đọc kỹ toàn bộ.

Vì sao các phương án khác sai

• B (xử lý ngôn ngữ tự nhiên và machine learning) — ⚠ bẫy mới và khá mạnh: đó là năng lực NỀN mà cả mô hình đơn lẻ lẫn agent đều có. ⚠ Nó không phân biệt được hai thứ.

• C (truy cập dữ liệu và giao diện người dùng) — ⚠ agent thường có cả hai, nhưng ⚠ chatbot RAG cũng có — không phải yếu tố phân biệt.

• A (tự động hoá và cá nhân hoá) — ⚠ hai kết quả có thể đạt được, không phải thành phần cấu tạo của agent.

Ghi nhớ

⚠ Bốn thành phần của agent — bảng phải thuộc: | Thành phần | Vai trò | |---|---| | ⚠ Mô hình | ⚠ bộ não suy luận | | ⚠ Vòng lặp suy luận | ⚠ lập kế hoạch, lặp lại — đề này | | ⚠ Công cụ | ⚠ tay chân — API, CSDL — đề này | | Bộ nhớ | ⚠ ngữ cảnh trong và giữa các phiên |

Từ khoá nhận diện:

"reasoning loop, tools" → ⚠ agent "chỉ trả lời câu hỏi" → ⚠ mô hình hoặc chatbot RAG "NLP, ML" → ⚠ năng lực nền, KHÔNG phân biệt được "luật cứng, kịch bản cố định" → ⚠ RPA

Ba việc kiểm chứng: | Việc | Cách | |---|---| | Agent gọi công cụ nào, thứ tự nào | ⚠ đọc log vòng lặp | | Có giới hạn số bước chưa | | | Công cụ có quyền tối thiểu chưa | |

Và cách nhận ra một hệ thống có thật sự là agent hay không: nó có làm được VIỆC gì ngoài đời thật không. Trả lời hay tới đâu mà không đặt được đơn, không tạo được vé thì vẫn là mô hình.

Đáp án

A — Agents.

Vì sao đúng

Đề hỏi tầng nào định nghĩa HÀNH VI và NĂNG LỰC của các NPC. Đó là tầng agents.

⚠ Bốn yêu cầu trong đề:

"đối thoại ĐỘNG với người chơi"
    → ⚠ hội thoại nhiều lượt

"PHẢN ỨNG với hành động của
 người chơi"
    → ⚠ vòng lặp suy luận

"THÍCH ỨNG theo môi trường và
 cốt truyện"
    → ⚠ dùng trạng thái game làm
      ngữ cảnh

"tính cách và tiểu sử RIÊNG"
    → ⚠ prompt hệ thống và bộ nhớ
        ↓
⚠ Tất cả đều là HÀNH VI → tầng Agents

Vì sao các phương án khác sai

• D (Models) — ⚠ bẫy mạnh nhất: mô hình cho NPC khả năng ngôn ngữ, nhưng ⚠ không định nghĩa NPC này khác NPC kia thế nào. Tính cách, tiểu sử, cách phản ứng — đó là tầng agents.

• B (Infrastructure) — ⚠ cung cấp sức mạnh tính toán, không định nghĩa hành vi.

• C (Platforms) — ⚠ công cụ để XÂY, không phải hành vi được xây ra.

Ghi nhớ

⚠ Năm tầng — bảng phải thuộc: | Tầng | Nội dung | |---|---| | Infrastructure | ⚠ GPU/TPU, lưu trữ | | Models | ⚠ năng lực ngôn ngữ chung | | Platforms | ⚠ công cụ xây dựng | | ⚠ Agents | ⚠ HÀNH VI, tính cách, năng lực cụ thể — đề này | | Applications | ⚠ game, giao diện người chơi |

Từ khoá nhận diện:

"hành vi, tính cách, phản ứng, năng lực cụ thể" → ⚠ Agents "khả năng hiểu ngôn ngữ chung" → ⚠ Models "công cụ xây agent" → Platforms "giao diện game" → Applications

Ba việc kiểm chứng: | Việc | Cách | |---|---| | NPC có giữ đúng tính cách qua hội thoại dài không | | | Người chơi cố phá thì sao | ⚠ red team trước khi phát hành | | Chi phí mỗi giờ chơi là bao nhiêu | ⚠ nhân với số người chơi đồng thời |

Và ranh giới cần nhớ: model cho NPC khả năng NÓI, agent quyết định NPC này NÓI GÌ và LÀ AI. Cùng một mô hình có thể tạo ra hàng trăm NPC hoàn toàn khác nhau — khác biệt nằm ở tầng agents.

Đáp án

A — Dịch vụ để khám phá, tuỳ biến và triển khai các mô hình AI ĐÃ CÓ.

Vì sao đúng

Model Garden là danh mục mô hình trên Vertex AI — nơi duyệt và chọn mô hình có sẵn thay vì tự xây.

⚠ Ba việc trong định nghĩa:

⚠ KHÁM PHÁ
   → ⚠ duyệt danh mục, so sánh

⚠ TUỲ BIẾN
   → ⚠ tinh chỉnh một số mô hình

⚠ TRIỂN KHAI
   → ⚠ đưa lên endpoint bằng vài bước

⚠ Model Garden có gì:

⚠ Mô hình của Google — Gemini, Imagen
⚠ Mô hình MỞ — Gemma, Llama
⚠ Mô hình bên thứ ba
⚠ Mô hình chuyên ngành

Vì sao các phương án khác sai

• D (nền tảng phát triển mô hình TỪ ĐẦU và thử nghiệm thêm) — ⚠ ngược hoàn toàn: Model Garden là để dùng mô hình ĐÃ CÓ. Phát triển từ đầu là huấn luyện tuỳ chỉnh trên Vertex AI.

• B (tìm và triển khai mô hình tại chỗ cho thiết bị biên) — ⚠ nhầm sang Google AI Edge.

• C (nền tảng quản lý và giám sát hạ tầng AI) — ⚠ đó là công cụ vận hành hạ tầng.

Ghi nhớ

⚠ Vertex AI — thành phần nào cho việc gì — bảng phải thuộc: | Thành phần | Việc | |---|---| | ⚠ Model Garden | ⚠ CHỌN mô hình có sẵn — đề này | | Training / AutoML | ⚠ HUẤN LUYỆN mô hình mới | | Model Registry | ⚠ quản lý phiên bản mô hình của bạn | | Prediction | ⚠ phục vụ suy luận | | Model Monitoring | ⚠ giám sát sau triển khai |

Từ khoá nhận diện:

"khám phá, chọn, dùng mô hình có sẵn" → ⚠ Model Garden "xây từ đầu" → ⚠ huấn luyện tuỳ chỉnh "thiết bị biên" → Google AI Edge "phiên bản mô hình đã huấn luyện" → Model Registry

Ba việc kiểm chứng: | Việc | Cách | |---|---| | Đã thử trên dữ liệu thật của mình chưa | ⚠ bảng xếp hạng chung không nói lên nhiều | | Mô hình có sẵn ở region của bạn không | | | Điều khoản sử dụng của mô hình mở là gì | ⚠ giấy phép khác nhau |

Và mẹo phân biệt hai cái tên dễ nhầm: Garden là vườn của người khác để bạn hái, Registry là kho của bạn để bạn xếp.

Đáp án

A — Các bộ xử lý chuyên biệt được thiết kế cho xử lý SONG SONG trong các tác vụ AI.

Vì sao đúng

Cả GPU lẫn TPU đều là phần cứng tính toán tối ưu cho phép toán song song quy mô lớn — thứ mà mạng nơ-ron cần.

⚠ Vì sao AI cần xử lý song song:

⚠ Mạng nơ-ron = rất nhiều phép
  NHÂN MA TRẬN
        ↓
⚠ Các phép này ĐỘC LẬP với nhau
        ↓
⚠ Làm song song hàng nghìn phép
  cùng lúc
        ↓
⚠ CPU: ít lõi mạnh → chậm
⚠ GPU/TPU: rất nhiều lõi → nhanh

Vì sao các phương án khác sai

• C (thiết bị lưu trữ cho tập dữ liệu AI lớn) — ⚠ nhầm với lưu trữ: đó là Cloud Storage.
• B (ứng dụng phần mềm để quản lý mô hình AI) — ⚠ đó là MLOps, không phải phần cứng.
• D (giao thức mạng để nối các hệ thống AI) — ⚠ nhầm sang mạng.

Ghi nhớ

⚠ Ba loại bộ xử lý — bảng phải thuộc: | Loại | Đặc điểm | Phù hợp | |---|---|---| | CPU | ⚠ ít lõi mạnh, đa năng | ⚠ logic tuần tự, tiền xử lý | | ⚠ GPU | ⚠ rất nhiều lõi song song | ⚠ ML nói chung, linh hoạt | | ⚠ TPU | ⚠ Google tự thiết kế cho ML | ⚠ mô hình lớn, quy mô rất lớn |

Từ khoá nhận diện:

"xử lý song song, tăng tốc AI" → ⚠ GPU/TPU "lưu trữ dữ liệu" → Cloud Storage "quản lý mô hình" → MLOps "Google tự thiết kế" → ⚠ TPU cụ thể

Ba việc kiểm chứng: | Việc | Cách | |---|---| | Có thật sự cần huấn luyện không | ⚠ phần lớn chỉ cần API | | Mức sử dụng GPU trong lúc chạy | ⚠ thấp là nghẽn ở đường ống dữ liệu | | Máy có tự tắt khi nhàn rỗi không | |

Và điều thực tế cần nhớ: phần lớn dự án gen AI trong doanh nghiệp không chạm tới GPU hay TPU trực tiếp. Chúng nằm dưới lớp API — biết chúng tồn tại là đủ, trừ khi bạn thật sự huấn luyện mô hình.

Đáp án

A — Triển khai AI trên thiết bị biên và điện thoại thông minh.

Vì sao đúng

Gemini Nano là biến thể NHỎ NHẤT trong họ Gemini, thiết kế để chạy ngay trên thiết bị.

⚠ Họ Gemini theo kích cỡ:

⚠ Ultra / Pro
   → ⚠ mạnh nhất, chạy trên đám mây

⚠ Flash
   → ⚠ nhanh, rẻ, vẫn trên đám mây

⚠ NANO
   → ⚠ NHỎ NHẤT
   → ⚠ chạy TRÊN THIẾT BỊ
   → ⚠ điện thoại, thiết bị biên

⚠ Vì sao chạy trên thiết bị lại quan trọng:

⚠ Dữ liệu KHÔNG rời thiết bị
   → ⚠ riêng tư tuyệt đối
⚠ Hoạt động khi MẤT MẠNG
⚠ Độ trễ rất thấp
⚠ Không tốn phí mỗi lượt gọi

Vì sao các phương án khác sai

• C (huấn luyện mô hình ngôn ngữ lớn trong trung tâm dữ liệu) — ⚠ ngược hẳn về quy mô: Nano là mô hình nhỏ để chạy, không phải để huấn luyện mô hình lớn.

• B (chạy mô phỏng phức tạp trên siêu máy tính) — ⚠ sai loại việc và sai quy mô.

• D (quản lý và giám sát hạ tầng AI) — ⚠ đó là công cụ vận hành, không phải mô hình.

Ghi nhớ

⚠ Mô hình chạy trên thiết bị — bảng phải thuộc: | Mô hình | Đặc điểm | |---|---| | ⚠ Gemini Nano | ⚠ biến thể nhỏ nhất, tích hợp trong thiết bị — đề này | | ⚠ Gemma | ⚠ họ mô hình MỞ, nhẹ, tải về chạy | | Gemini Pro/Flash | ⚠ đám mây, qua API | | Điểm chung Nano và Gemma | ⚠ đều chạy được tại chỗ | | ⚠ Khác nhau | ⚠ Nano tích hợp sẵn trong thiết bị, Gemma là mô hình mở tự triển khai |

Từ khoá nhận diện:

"trên thiết bị, điện thoại, biên" → ⚠ Gemini Nano hoặc Gemma "mở, tải trọng số, tinh chỉnh" → ⚠ Gemma "năng lực mạnh nhất" → Gemini Pro/Ultra "huấn luyện mô hình lớn" → ⚠ cần hạ tầng đám mây

Ba việc kiểm chứng: | Việc | Cách | |---|---| | Có gói tin nào rời thiết bị không | ⚠ thử bật chế độ máy bay | | Mô hình chạy nổi trên máy yếu không | ⚠ đo trên thiết bị thật | | Cập nhật mô hình bằng cách nào | |

Và dấu hiệu nhận ra nhóm câu này ngay lập tức: cụm "trên thiết bị" hoặc "dữ liệu không rời máy". Mọi mô hình gọi qua API đều bị loại, bất kể chúng mạnh tới đâu.

Đáp án

A — Developers (lập trình viên).

Vì sao đúng

Đề nêu hai việc, cả hai đều là công việc kỹ thuật phần mềm:

⚠ Hai việc:

⚠ Xây và triển khai AGENT TUỲ CHỈNH
   → ⚠ viết code, khai báo công cụ,
     xử lý lỗi

⚠ TÍCH HỢP năng lực AI vào ỨNG DỤNG
   → ⚠ gọi API, xử lý phản hồi,
     dựng giao diện

Vì sao các phương án khác sai

• C (Data practitioners — người làm dữ liệu) — ⚠ bẫy gần nhất: họ chuẩn bị dữ liệu, xây và huấn luyện mô hình, nhưng ⚠ không phải người tích hợp AI vào ứng dụng sản phẩm.

• B (Business leaders — lãnh đạo) — ⚠ họ định hướng và cấp ngân sách, không viết code.

• D (Network engineers — kỹ sư mạng) — ⚠ lo hạ tầng mạng, không liên quan.

Ghi nhớ

⚠ Bốn vai trò trong hệ sinh thái AI — bảng phải thuộc: | Vai trò | Việc | |---|---| | ⚠ Developers | ⚠ xây agent, tích hợp AI vào ứng dụng — đề này | | Data practitioners | ⚠ dữ liệu, huấn luyện mô hình, phân tích | | Business leaders | ⚠ chiến lược, ưu tiên, ngân sách | | Nhân viên nghiệp vụ | ⚠ dùng công cụ AI hằng ngày | | Đội vận hành / bảo mật | ⚠ triển khai an toàn, giám sát |

Từ khoá nhận diện:

"xây agent, tích hợp vào ứng dụng, gọi API" → ⚠ developers "chuẩn bị dữ liệu, huấn luyện mô hình" → ⚠ data practitioners "chiến lược, ROI" → ⚠ business leaders "mạng, hạ tầng" → network engineers

Ba việc kiểm chứng: | Việc | Cách | |---|---| | Có bộ kiểm thử hồi quy cho prompt chưa | | | Ai chịu trách nhiệm khi mô hình trả lời sai | | | Chi phí token mỗi người dùng là bao nhiêu | |

Và điều khiến lập trình cho AI khác hẳn lập trình thường: hệ thống có thể chạy hoàn hảo về mặt kỹ thuật mà vẫn trả lời sai. Không có ngoại lệ nào được ném ra, không có log lỗi nào — nên phần khó nhất là dựng cách phát hiện điều đó.

Đáp án

C — Dùng một ứng dụng gen AI như Gemini for Workspace để soạn các mô tả sản phẩm.

Vì sao đúng

Đề nhấn hai chữ "nhanh" và "hiệu quả nhất" cho một việc soạn nội dung thông thường.

⚠ Vì sao đây là lựa chọn hiệu quả nhất:

⚠ Dùng được NGAY
   → không cần chuẩn bị dữ liệu
   → không cần huấn luyện

⚠ Đội marketing tự làm
   → không cần kỹ sư

⚠ Chi phí gần bằng không
   → đã có trong Workspace

⚠ Chất lượng đủ tốt cho việc này
   → mô tả sản phẩm là việc phổ thông

Vì sao các phương án khác sai

• B (tinh chỉnh mô hình từ Model Garden trên dữ liệu sản phẩm hiện có) — ⚠ bẫy mạnh nhất và rất hấp dẫn về mặt kỹ thuật: sẽ cho giọng văn nhất quán hơn. Nhưng ⚠ tốn nhiều tuần, cần kỹ sư, cần dữ liệu sạch — trong khi đề nói "quickly" cho một đợt bán hàng sắp tới.

• D (xây mô hình tuỳ chỉnh từ đầu) — ⚠ quá mức cần thiết ở mức phi lý: hàng tháng công sức cho việc mà công cụ sẵn làm được ngay.

• A (thuê đội copywriter viết tay từng mô tả) — ⚠ đó là cách trước khi có AI; chậm và tốn kém khi số lượng lớn.

Ghi nhớ

⚠ Thang chi phí và thời gian — bảng phải thuộc: | Cách | Thời gian | Cần gì | |---|---|---| | ⚠ Dùng ứng dụng sẵn | ⚠ ngay | ⚠ không cần gì — đề này | | Prompt qua API | ⚠ vài ngày | lập trình viên | | RAG | ⚠ vài tuần | kỹ sư, dữ liệu | | Fine-tune | ⚠ vài tuần–tháng | ⚠ dữ liệu sạch, kỹ sư ML | | Xây từ đầu | ⚠ nhiều tháng | ⚠ đội nghiên cứu |

Từ khoá nhận diện:

"nhanh, hiệu quả nhất, đội nghiệp vụ" → ⚠ ứng dụng sẵn có "giọng thương hiệu nhất quán ở quy mô lớn" → ⚠ cân nhắc fine-tune "xây từ đầu" → ⚠ gần như luôn sai trong đề thi

Ba việc kiểm chứng: | Việc | Cách | |---|---| | Thông số trong mô tả có đúng không | ⚠ đối chiếu tài liệu sản phẩm | | Các mô tả có trùng lặp nhau không | ⚠ ảnh hưởng SEO | | Ai duyệt trước khi lên website | |

Và nguyên tắc thực dụng cho mọi bài toán tương tự: dùng công cụ đơn giản nhất giải được việc, và chỉ leo lên khi đo được là chưa đủ. Đề thi rất hay đặt một phương án kỹ thuật phức tạp làm bẫy cho bài toán vốn chỉ cần công cụ sẵn có.