Ngân hàng đề — Google Cloud Generative AI Leader

Tìm thấy 556 câu.

Câu 61 Business strategies for a successful gen AI solution

A generative AI model used for creating marketing images consistently produces images of people in professional roles (e.g., doctors, engineers) that predominantly feature one gender, even when the prompts are gender-neutral.

This outcome, where the AI underrepresents other genders in these roles, is a direct implication of:

  1. A

    Bias present in the model's training data
  2. B

    Insufficient context window size
  3. C

    Poor model explainability
  4. D

    High data processing costs
Xem giải thích

Đáp án

A — Thiên vị tồn tại trong dữ liệu huấn luyện của mô hình.

Vì sao đúng

Prompt trung tính về giới, nhưng đầu ra vẫn thiên lệch một giới cho các nghề nghiệp chuyên môn. Đó là dấu hiệu điển hình của thiên vị trong dữ liệu huấn luyện.

⚠ Cơ chế:

Dữ liệu huấn luyện lấy từ
ảnh trên internet
        ↓
    ⚠ Ảnh "bác sĩ", "kỹ sư" trong
      dữ liệu đó vốn đã lệch
        ↓
    ⚠ Mô hình học tương quan
      "nghề này ↔ giới này"
        ↓
    ⚠ Prompt trung tính → mô hình
      vẫn sinh theo mẫu hình đã học
        ↓
    → ⚠ LẶP LẠI và KHUẾCH ĐẠI
      định kiến xã hội

⚠ Vì sao ba phương án kia sai:

"Cửa sổ ngữ cảnh không đủ"
    → ⚠ về ĐỘ DÀI đầu vào, không
      liên quan tới nội dung lệch

"Khả năng giải thích kém"
    → ⚠ khiến khó CHẨN ĐOÁN,
      nhưng không GÂY RA vấn đề

"Chi phí xử lý dữ liệu cao"
    → ⚠ hoàn toàn không liên quan

⚠ Gần trùng với #13901 (lô 145) — đề đó về thiên vị trong công cụ sàng lọc hồ sơ tuyển dụng, cùng khoá bias trong dữ liệu huấn luyện. Đề này là mô hình SINH ẢNH. Hoàn toàn nhất quán — cùng nguyên nhân gốc, khác biểu hiện.

Vì sao các phương án khác sai

  • C (khả năng giải thích kém) — phương án gần nhất vì cũng thuộc nhóm nguyên tắc AI có trách nhiệm và có liên quan gián tiếp. Nhưng nó ảnh hưởng tới việc phát hiện, không phải nguyên nhân.

  • B và D — không liên quan.

Ghi nhớ

⚠ Thiên vị trong mô hình sinh — bảng nên thuộc: | Biểu hiện | Ví dụ | |---|---| | ⚠ Thiên vị nghề nghiệp | ⚠ "bác sĩ", "kỹ sư" ra một giới — đề này | | Thiên vị ngoại hình | ⚠ "người đẹp" ra một kiểu duy nhất | | Thiên vị văn hoá | ⚠ "đám cưới" chỉ theo một truyền thống | | Thiếu đại diện | ⚠ nhóm ít dữ liệu bị vẽ kém chính xác | | Trong văn bản | ⚠ giọng điệu khác nhau theo tên gọi |

Từ khoá nhận diện:

"đầu ra lệch dù prompt trung tính" → ⚠ bias trong dữ liệu huấn luyện "không giải thích được quyết định" → explainability "ai chịu trách nhiệm" → accountability "không biết chuyện gần đây" → knowledge cutoff

⚠ Giảm thiểu ở tầng ỨNG DỤNG Cách
⚠ Prompt CỤ THỂ và ĐA DẠNG ⚠ nêu rõ độ tuổi, giới, sắc tộc mong muốn
⚠ Sinh NHIỀU phương án rồi chọn có ý thức
Bộ hướng dẫn nội bộ về hình ảnh ⚠ thống nhất cả đội
⚠ Kiểm tra bộ ảnh cuối cùng có cân bằng không ⚠ nhìn tổng thể chiến dịch, không chỉ từng ảnh
HITL — có người duyệt
⚠ Giảm thiểu ở tầng MÔ HÌNH Cách
Dữ liệu huấn luyện đa dạng hơn ⚠ việc của bên xây mô hình
⚠ Kỹ thuật cân bằng khi sinh ⚠ một số mô hình đã tích hợp
RLHF với người đánh giá đa dạng
Bộ lọc và hướng dẫn hệ thống
Lưu ý ⚠ người dùng cuối chủ yếu can thiệp được ở tầng ứng dụng
⚠ Vì sao vấn đề này đặc biệt nghiêm trọng với marketing Lý do
⚠ Hình ảnh xuất hiện trước CÔNG CHÚNG ⚠ rủi ro thương hiệu trực tiếp
⚠ Củng cố định kiến ở QUY MÔ LỚN
Khách hàng không thấy mình được đại diện
Có thể vi phạm quy định quảng cáo ⚠ ở một số thị trường
⚠ Quy trình nên có Quy trình
⚠ Hướng dẫn prompt chuẩn của thương hiệu
⚠ Duyệt bởi người trước khi phát hành
Rà soát định kỳ toàn bộ hình ảnh đã dùng ⚠ xem tổng thể có lệch không
Ghi rõ nội dung do AI tạo
Kênh phản hồi ⚠ để người ngoài báo lại nếu thấy vấn đề

Ba việc kiểm chứng: | Việc | Cách | |---|---| | Sinh 20 ảnh cùng prompt trung tính | ⚠ đếm phân bố — thấy ngay vấn đề | | Chiến dịch tổng thể có cân bằng không | ⚠ nhìn cả bộ, không nhìn từng ảnh | | Ai duyệt trước khi phát hành | ⚠ phải có người |

Và phép thử mất mười phút mà mọi đội dùng AI sinh ảnh nên làm: tạo hai mươi ảnh từ cùng một prompt trung tính rồi đếm phân bố. Kết quả thường đủ rõ để không cần tranh luận thêm về việc có cần quy trình duyệt hay không.

Câu 62 Techniques to improve gen AI model output

A company uses a foundation model to assist with hiring decisions by summarizing candidate profiles. It is discovered that the model, trained on historical data from an industry with known demographic imbalances, consistently provides less favorable summaries for candidates from underrepresented groups, even with similar qualifications.

This tendency of the model to perpetuate historical inequities is a manifestation of what common limitation?

  1. A

    Knowledge cutoff
  2. B

    Hallucination
  3. C

    Limited context window
  4. D

    Bias and lack of fairness
Xem giải thích

Đáp án

D — Bias and lack of fairness (thiên vị và thiếu công bằng).

Vì sao đúng

Mô hình lặp lại bất bình đẳng lịch sử vì học từ dữ liệu của một ngành vốn mất cân bằng về nhân khẩu. Đó là hạn chế thiên vị.

⚠ Vì sao là bias chứ không phải hạn chế khác:

Dấu hiệu trong đề:
    ⚠ ứng viên có trình độ TƯƠNG ĐƯƠNG
    ⚠ nhưng nhóm thiểu số nhận
      tóm tắt KÉM THUẬN LỢI hơn
    ⚠ dữ liệu huấn luyện từ ngành
      có mất cân bằng đã biết
        ↓
    ⚠ Đó là định nghĩa của
      historical bias

⚠ Vì sao ba phương án kia sai:

"Knowledge cutoff"
    → ⚠ không biết chuyện SAU ngày
      huấn luyện — vấn đề THỜI GIAN

"Hallucination"
    → ⚠ BỊA thông tin không có thật —
      ở đây không bịa, mà ĐÁNH GIÁ lệch

"Limited context window"
    → ⚠ giới hạn ĐỘ DÀI đầu vào

⚠ Gần trùng với #13901 (lô 145) — cùng tình huống sàng lọc hồ sơ tuyển dụng, cùng khoá bias. Và #13916 (cùng lô) về thiên vị trong sinh ảnh. Ba đề, ba biểu hiện, cùng một nguyên nhân gốc. Hoàn toàn nhất quán.

Vì sao các phương án khác sai

  • B (hallucination) — phương án gần nhất và là bẫy chính: cũng là hạn chế nổi tiếng của mô hình nền. Nhưng ảo giác là bịa thông tin không có thật, còn đây là đánh giá lệch một cách hệ thống.

  • A và C — mô tả các hạn chế khác.

Ghi nhớ

⚠ Hạn chế của mô hình nền — bảng phải thuộc: | Hạn chế | Biểu hiện | Chữa bằng | |---|---|---| | ⚠ Bias | ⚠ kết quả lệch giữa các nhóm | ⚠ dữ liệu cân bằng, đo theo nhóm, HITL | | Hallucination | ⚠ bịa thông tin | ⚠ grounding, trích dẫn | | Knowledge cutoff | ⚠ không biết chuyện mới | ⚠ grounding | | Context window | ⚠ không nhận được tài liệu quá dài | ⚠ chia đoạn, RAG | | Không tính toán chính xác | sai số học | ⚠ gọi công cụ |

Từ khoá nhận diện:

"kết quả lệch giữa các nhóm" → ⚠ bias / fairness "bịa ra thông tin" → hallucination "không biết sự kiện gần đây" → knowledge cutoff "tài liệu quá dài" → ⚠ context window

⚠ Vì sao mô hình sinh dễ gây rủi ro ở khâu tuyển dụng Lý do
⚠ Tóm tắt là việc CHỦ QUAN ⚠ chọn nhấn mạnh gì đã là một đánh giá
⚠ Khó phát hiện lệch từ một hồ sơ ⚠ chỉ lộ ra khi xem thống kê
Ngôn ngữ tinh tế ⚠ cùng thông tin, giọng khác nhau
⚠ Rất khó giải thích vì sao ⚠ mô hình sinh khó truy vết
Vì vậy ⚠ HITL, kiểm toán định kỳ, hoặc KHÔNG dùng ở khâu này
⚠ Phát hiện thiên vị trong bản tóm tắt Cách
⚠ Thử hồ sơ TƯƠNG ĐƯƠNG, chỉ đổi tên/giới ⚠ phép thử trực tiếp nhất
So sánh giọng điệu và từ ngữ dùng
Thống kê kết quả theo nhóm ⚠ cần đủ số lượng
⚠ Kiểm toán độc lập ⚠ đội tự kiểm hay bỏ sót
⚠ Câu hỏi nền tảng cần đặt Câu hỏi
⚠ Có NÊN dùng AI ở khâu này không ⚠ đôi khi câu trả lời là KHÔNG
Nếu dùng thì AI làm gì, người làm gì ⚠ ranh giới phải rõ
Ứng viên có được biết không ⚠ minh bạch
Có cơ chế khiếu nại không
Ghi nhớ ⚠ nhiều nơi có quy định pháp luật về AI trong tuyển dụng

Ba việc kiểm chứng: | Việc | Cách | |---|---| | Đổi tên trong hồ sơ, kết quả có đổi không | ⚠ phép thử mất mười phút | | Có thống kê theo nhóm chưa | ⚠ tổng thể che giấu chênh lệch | | Người quyết định cuối là ai | ⚠ phải là người |

Và bài học chung từ cả ba tình huống thiên vị: mô hình học từ quá khứ sẽ tái tạo quá khứ. Nếu dữ liệu lịch sử của một ngành có điều gì đó cần thay đổi, việc tự động hoá nó chỉ khiến điều đó lặp lại nhanh hơn và ở quy mô lớn hơn.

Câu 63 Google Cloud's gen AI offerings

A development team is looking for a unified platform on Google Cloud where they can manage the entire lifecycle of their machine learning projects, from data preparation and model training to deployment and monitoring, for both custom models and generative AI solutions.

Which Google Cloud offering serves as this comprehensive, end-to-end ML platform?

  1. A

    Google AI Studio
  2. B

    Vertex AI Platform
  3. C

    BigQuery
  4. D

    Cloud Run functions
Xem giải thích

Đáp án

B — Vertex AI Platform.

Vì sao đúng

Đội cần một nền tảng thống nhất cho toàn bộ vòng đời: chuẩn bị dữ liệu, huấn luyện, triển khai, giám sát — cho cả mô hình tuỳ biến lẫn giải pháp AI sinh. Đó là Vertex AI.

⚠ Vertex AI phủ cả hai loại:

⚠ MÔ HÌNH TUỲ BIẾN
    → AutoML, custom training
    → Feature Store, Pipelines
    → Model Registry, Endpoint
    → Model Monitoring

⚠ GIẢI PHÁP AI SINH
    → Model Garden
    → Vertex AI Studio
    → Agent Builder, AI Search
    → tinh chỉnh mô hình nền
        ↓
    ⚠ DÙNG CHUNG: IAM, audit,
      quản trị, hạ tầng

⚠ Vì sao ba phương án kia sai:

"Google AI Studio"
    → ⚠ THỬ prompt nhanh, không
      phải nền tảng vòng đời đầy đủ

"BigQuery"
    → ⚠ kho dữ liệu; BigQuery ML
      chỉ là MỘT phần

"Cloud Run functions"
    → ⚠ dịch vụ tính toán serverless

⚠ Gần trùng với #13547 và #13552 (lô 145) — cả ba đề hỏi nền tảng ML đầu-cuối, cùng khoá Vertex AI. Hoàn toàn nhất quán. Đối chiếu #13891 (lô 145) khoá AI Studio vì ở đó yêu cầu là thử nhanh, không dựng gì.

Vì sao các phương án khác sai

  • A (Google AI Studio) — phương án gần nhất và là bẫy chính: cùng làm việc với mô hình Gemini. Nhưng nó là công cụ thử nghiệm, không quản vòng đời, không có MLOps.

  • C (BigQuery) và D (Cloud Run functions) — chỉ đảm nhiệm một phần.

Ghi nhớ

⚠ Vertex AI và AI Studio — bảng phải thuộc: | | Vertex AI Platform | Google AI Studio | |---|---|---| | Phạm vi | ⚠ toàn vòng đời ML | ⚠ thử prompt | | MLOps | ⚠ đầy đủ | ⚠ không có | | Mô hình tuỳ biến | ⚠ có | ⚠ không | | Doanh nghiệp | ⚠ IAM, VPC-SC, audit | ⚠ cơ bản | | Dùng khi | ⚠ sản xuất | ⚠ khám phá |

Từ khoá nhận diện:

"nền tảng thống nhất toàn vòng đời" → ⚠ Vertex AI Platform "thử prompt nhanh" → AI Studio "danh mục mô hình" → Model Garden "dựng mô hình bằng SQL" → BigQuery ML

⚠ Vòng đời trên Vertex AI — thành phần nào cho khâu nào Khâu → thành phần
Chuẩn bị dữ liệu ⚠ Workbench, kết nối BigQuery
Đặc trưng ⚠ Feature Store
Huấn luyện ⚠ AutoML hoặc custom training
Đánh giá ⚠ Model Evaluation, Explainable AI
Quản phiên bản ⚠ Model Registry
Triển khai ⚠ Endpoint / batch prediction
Giám sát ⚠ Model Monitoring
Tự động hoá ⚠ Pipelines
AI sinh ⚠ Model Garden, Studio, Agent Builder
⚠ Vì sao "một nền tảng" quan trọng Lý do
⚠ Từ thí nghiệm tới sản xuất KHÔNG phải viết lại ⚠ giảm ma sát lớn nhất
Quyền và audit quản một chỗ
⚠ Mọi thứ ghi lại được — tái lập được
Cả đội nhìn cùng một thứ
Mô hình tuỳ biến và AI sinh dùng chung quy trình ⚠ ngày càng hay đi cùng nhau
⚠ Xu hướng: hai loại mô hình dùng chung Ví dụ
LLM trích xuất đặc trưng từ văn bản ⚠ rồi mô hình bảng dự đoán
Mô hình phân loại lọc trước, LLM xử lý ca khó ⚠ tiết kiệm chi phí
LLM gán nhãn, mô hình nhỏ phục vụ ⚠ rẻ ở quy mô lớn
Vì vậy ⚠ cần nền tảng quản được CẢ HAI

Ba câu hỏi kiểm chứng: | Câu hỏi | Vì sao hỏi | |---|---| | Có tái lập được mô hình đang chạy không | ⚠ cần Registry và Pipelines | | Thí nghiệm và sản xuất có cùng quy trình không | ⚠ khác nhau là nguồn lỗi | | Ai được truy cập mô hình nào | ⚠ IAM |

Và lý do các đội chuyển từ công cụ thử nghiệm sang nền tảng đầy đủ thường không phải vì cần mô hình mạnh hơn, mà vì đến lúc phải trả lời được câu hỏi: phiên bản nào đang chạy ở sản xuất, huấn luyện trên dữ liệu nào, và ai đã phê duyệt nó?

Câu 64 Fundamentals of gen AI

An e-commerce company wants to group its customers into distinct segments based on their purchasing behavior (e.g., items bought, frequency, monetary value) without any predefined labels for these segments. The goal is to discover natural groupings within the customer base to tailor marketing strategies.

Which machine learning approach is most suitable for this task?

  1. A

    Unsupervised Learning
  2. B

    Reinforcement Learning
  3. C

    Multi-task Learning
  4. D

    Supervised Learning
Xem giải thích

Đáp án

A — Unsupervised Learning (học không giám sát).

Vì sao đúng

Hai từ khoá quyết định: KHÔNG có nhãn định trước cho các phân khúc, và mục tiêu là khám phá những nhóm tự nhiên trong dữ liệu.

⚠ Vì sao là không giám sát:

"KHÔNG có nhãn định trước cho
 các phân khúc"
    → ⚠ không ai nói "khách này
      thuộc nhóm A"
        ↓
"khám phá NHÓM TỰ NHIÊN"
    → ⚠ mô hình TỰ tìm ra
        ↓
    → ⚠ phân cụm (clustering)

⚠ Bài toán này trong thực tế:

Dữ liệu: món đã mua, tần suất,
giá trị chi tiêu
        ↓
    ⚠ Thuật toán k-means gom
      khách thành k nhóm
        ↓
    ⚠ Người ĐỌC từng nhóm rồi
      ĐẶT TÊN:
      "khách trung thành giá trị cao"
      "khách mua theo mùa"
      "khách chỉ mua hàng giảm giá"
        ↓
    → ⚠ mỗi nhóm một chiến lược
      marketing riêng

⚠ Vì sao ba phương án kia sai:

"Supervised Learning"
    → ⚠ cần nhãn, mà đề nói KHÔNG có

"Reinforcement Learning"
    → ⚠ học qua thưởng/phạt

"Multi-task Learning"
    → ⚠ huấn luyện MỘT mô hình cho
      NHIỀU nhiệm vụ cùng lúc —
      không phải nhóm phương pháp
      phân theo nhãn

⚠ Gần trùng với #13887 (lô 145) và #13532 (lô 144) — cả ba đều là không có nhãn → phân cụm / học không giám sát, cùng khoá. Hoàn toàn nhất quán.

Vì sao các phương án khác sai

  • D (supervised) — phương án gần nhất và là bẫy chính vì phân khúc khách hàng nghe như phân loại. Nhưng phân loại cần nhãn có sẵn, còn ở đây phải tự tìm ra nhóm.

  • B và C — không phù hợp với dữ kiện đề.

Ghi nhớ

⚠ Phân cụm và phân loại — bảng phải thuộc: | | ⚠ Phân cụm | ⚠ Phân loại | |---|---|---| | Nhãn | ⚠ KHÔNG có | ⚠ CÓ sẵn | | Nhóm | ⚠ mô hình TỰ tìm | ⚠ định trước | | Học | ⚠ không giám sát | ⚠ có giám sát | | Đánh giá | ⚠ khó, cần người diễn giải | ⚠ so với nhãn đúng | | Thuật toán | ⚠ k-means, DBSCAN | ⚠ logistic, cây, mạng nơ-ron |

Từ khoá nhận diện:

"không có nhãn, khám phá nhóm tự nhiên" → ⚠ phân cụm "phân vào các loại đã biết" → phân loại "dự đoán một con số" → hồi quy "tìm điểm bất thường" → ⚠ anomaly detection

⚠ Phân khúc khách hàng — cách làm thực tế Bước
⚠ Chọn đặc trưng RFM ⚠ Recency, Frequency, Monetary — kinh điển
⚠ Chuẩn hoá thang đo ⚠ bắt buộc với k-means
Thử vài giá trị k ⚠ elbow method, silhouette
⚠ ĐỌC mẫu từng cụm rồi đặt tên ⚠ bước quan trọng nhất
Kiểm tính ổn định ⚠ chạy lại có ra nhóm tương tự không
Công cụ ⚠ BigQuery ML kmeans — làm bằng SQL
⚠ Cạm bẫy khi phân cụm Cạm bẫy
⚠ Không chuẩn hoá thang đo ⚠ cột giá trị lớn át hết cột khác
⚠ Chọn k tuỳ tiện
Cụm không có ý nghĩa nghiệp vụ ⚠ chuyện thường xảy ra
⚠ Cụm quá nhỏ để hành động ⚠ gộp lại
Quên rằng khách CHUYỂN nhóm theo thời gian ⚠ phải chạy lại định kỳ
⚠ Sau khi có phân khúc thì làm gì Việc
⚠ Mỗi nhóm một thông điệp riêng
⚠ Đo hiệu quả TỪNG nhóm ⚠ so với nhóm đối chứng
Dự đoán nhóm cho khách mới ⚠ giờ đã thành bài toán phân loại
Theo dõi khách chuyển nhóm ⚠ tín hiệu sớm về rời bỏ

Ba câu hỏi kiểm chứng: | Câu hỏi | Vì sao hỏi | |---|---| | Cụm có ý nghĩa nghiệp vụ không | ⚠ đọc mẫu, hỏi người làm marketing | | Đã chuẩn hoá thang đo chưa | ⚠ lỗi phổ biến nhất | | Mỗi nhóm có chiến lược riêng chưa | ⚠ không có thì phân khúc vô ích |

Và điều quyết định giá trị của một dự án phân khúc khách hàng không nằm ở thuật toán: mỗi nhóm tìm được có dẫn tới một hành động khác nhau hay không. Nếu cả năm nhóm đều nhận cùng một chiến dịch email, thì việc phân nhóm chưa mang lại gì cả.

Câu 65 Google Cloud's gen AI offerings

A freelance writer uses an AI assistant to help with various tasks, including drafting articles, brainstorming ideas, and summarizing research. They need access to the most capable version of Google's AI models for these tasks and are willing to pay a subscription for enhanced features and higher usage limits.

Which Google offering would provide this premium AI assistant experience?

  1. A

    Google AI Studio.
  2. B

    Vertex AI Model Garden for model deployment.
  3. C

    Google AI Pro.
  4. D

    The standard, free version of the Gemini app.
Xem giải thích

Đáp án

C — Google AI Pro.

Vì sao đúng

Người dùng cần trợ lý AI cá nhân cao cấp: truy cập phiên bản mô hình mạnh nhất, tính năng nâng cao và hạn mức sử dụng cao hơn, và sẵn sàng trả thuê bao. Đó là gói thuê bao AI của Google dành cho cá nhân.

⚠ Ba dữ kiện khớp:

"phiên bản có NĂNG LỰC NHẤT"
    → ⚠ gói trả phí mở khoá mô hình
      mạnh hơn

"tính năng NÂNG CAO"
    → ⚠ công cụ và khả năng bổ sung

"HẠN MỨC cao hơn"
    → ⚠ đặc trưng của gói thuê bao

⚠ Vì sao ba phương án kia sai:

"Bản Gemini MIỄN PHÍ tiêu chuẩn"
    → ⚠ đề nói rõ SẴN SÀNG TRẢ TIỀN
      để có nhiều hơn thế

"Google AI Studio"
    → ⚠ công cụ THỬ PROMPT cho
      lập trình viên, không phải
      trợ lý làm việc hằng ngày

"Vertex AI Model Garden"
    → ⚠ dành cho đội kỹ thuật
      triển khai mô hình

Đối chiếu #13865 (lô 145) — đề đó khoá ứng dụng Gemini và Gems cho nhu cầu tuỳ biến việc lặp lại. Đề này nhấn gói trả phí, hạn mức cao, mô hình mạnh nhất. Không mâu thuẫn — cùng họ sản phẩm cá nhân, khác điểm nhấn.

Vì sao các phương án khác sai

  • D (bản miễn phí) — phương án gần nhất và là bẫy chính: cùng ứng dụng, cùng làm được các việc đó. Nhưng đề nói rõ người dùng muốn nhiều hơn và sẵn sàng trả tiền.

  • A (AI Studio) và B (Model Garden) — công cụ cho lập trình viên và đội kỹ thuật.

Ghi nhớ

⚠ Sản phẩm AI của Google theo ĐỐI TƯỢNG — bảng phải thuộc: | Sản phẩm | Cho ai | |---|---| | Ứng dụng Gemini (miễn phí) | ⚠ cá nhân, nhu cầu cơ bản | | ⚠ Gói AI trả phí (AI Pro) | ⚠ cá nhân, cần mô hình mạnh và hạn mức cao | | Gemini for Workspace | ⚠ nhân viên, trong Gmail/Docs | | Google AI Studio | ⚠ lập trình viên thử prompt | | ⚠ Vertex AI | ⚠ đội kỹ thuật doanh nghiệp | | Model Garden | ⚠ chọn và triển khai mô hình |

Từ khoá nhận diện:

"thuê bao cá nhân, hạn mức cao" → ⚠ gói AI trả phí "trong Gmail và Docs" → Gemini for Workspace "thử prompt, lấy mã" → AI Studio "xây ứng dụng cho công ty" → Vertex AI

⚠ Gói trả phí thường cho thêm gì Thêm
⚠ Truy cập mô hình mạnh nhất
⚠ Hạn mức sử dụng cao hơn
Cửa sổ ngữ cảnh lớn hơn ⚠ xử lý tài liệu dài
Tính năng nâng cao ⚠ công cụ, tích hợp
Dung lượng lưu trữ
Lưu ý ⚠ danh mục và tên gói thay đổi theo thời gian — kiểm trang chính thức
⚠ Cân nhắc trước khi trả tiền cho gói cá nhân Cân nhắc
⚠ Có thật sự chạm hạn mức miễn phí không ⚠ đo trước một tháng
⚠ Công việc có cần mô hình mạnh nhất không ⚠ nhiều tác vụ không cần
Có dùng dữ liệu công ty không ⚠ nếu có thì cần gói DOANH NGHIỆP
Đã tận dụng hết tính năng hiện có chưa ⚠ prompt tốt thường giá trị hơn gói cao
⚠ Ranh giới cá nhân và doanh nghiệp Ranh giới
⚠ Gói cá nhân KHÔNG dành cho dữ liệu công ty ⚠ điều khoản khác nhau
Doanh nghiệp cần ⚠ IAM, audit, cam kết dữ liệu, VPC-SC
⚠ "Shadow AI" ⚠ nhân viên dùng gói cá nhân cho việc công ty
Cách xử lý ⚠ cung cấp công cụ nội bộ đủ tốt

Ba câu hỏi kiểm chứng: | Câu hỏi | Vì sao hỏi | |---|---| | Có chạm hạn mức thật không | ⚠ đo trước khi nâng cấp | | Có đưa dữ liệu công ty vào không | ⚠ nếu có thì phải dùng gói doanh nghiệp | | Prompt đã tốt chưa | ⚠ thường cải thiện nhiều hơn việc đổi gói |

Và trước khi nâng cấp gói, việc đáng làm hơn thường là cải thiện cách viết câu lệnh. Khoảng cách giữa một prompt sơ sài và một prompt có ngữ cảnh, đối tượng và định dạng rõ ràng thường lớn hơn khoảng cách giữa hai phiên bản mô hình.

Câu 66 Google Cloud's gen AI offerings

A large research organization is undertaking a groundbreaking generative AI project that involves training models of unprecedented scale, requiring tightly coupled, ultra-high-performance computing resources. They need an infrastructure solution that goes beyond individual accelerators and offers a system-level approach to extreme-scale AI training.

Which Google Cloud infrastructure concept best describes this system-level architecture designed for the most demanding AI workloads?

  1. A

    Google Cloud's global network edge locations
  2. B

    Cloud Storage buckets with high I/O performance
  3. C

    Google's AI Hypercomputer
  4. D

    Standard Compute Engine virtual machines
Xem giải thích

Đáp án

C — AI Hypercomputer của Google.

Vì sao đúng

Đề nêu rõ nhu cầu vượt qua từng bộ tăng tốc riêng lẻ, cần một kiến trúc ở MỨC HỆ THỐNG cho huấn luyện quy mô cực lớn. Đó là khái niệm AI Hypercomputer.

⚠ Vì sao "từng con chip" là chưa đủ:

Huấn luyện mô hình quy mô
chưa từng có
        ↓
    ⚠ Cần HÀNG NGHÌN bộ tăng tốc
      làm việc như MỘT
        ↓
    ⚠ Nút thắt không còn ở CHIP
    ⚠ mà ở MẠNG giữa các chip
    ⚠ ở LƯU TRỮ đủ nhanh
    ⚠ ở PHẦN MỀM điều phối
        ↓
    → ⚠ cần cách tiếp cận
      MỨC HỆ THỐNG

⚠ AI Hypercomputer gồm những lớp gì:

⚠ PHẦN CỨNG
    → TPU, GPU thế hệ mới

⚠ MẠNG TỐC ĐỘ CAO
    → ⚠ nối các chip với băng thông
      rất lớn, độ trễ rất thấp

⚠ LƯU TRỮ TỐI ƯU
    → đủ nhanh để không làm
      bộ tăng tốc ngồi chờ

⚠ PHẦN MỀM
    → ⚠ framework, trình biên dịch,
      điều phối huấn luyện phân tán

⚠ MÔ HÌNH TIÊU THỤ LINH HOẠT
    → đặt trước, theo cam kết,
      theo nhu cầu

⚠ Vì sao ba phương án kia sai:

"Máy ảo Compute Engine tiêu chuẩn"
    → ⚠ không đủ cho quy mô này

"Bucket Cloud Storage I/O cao"
    → ⚠ MỘT THÀNH PHẦN, không phải
      kiến trúc hệ thống

"Điểm biên mạng toàn cầu"
    → ⚠ phục vụ nội dung gần
      người dùng, không phải
      huấn luyện

Đối chiếu #13868 (lô 145) và #13540 (lô 144) — hai đề đó khoá TPU, tức một loại bộ tăng tốc. Đề này hỏi về kiến trúc HỆ THỐNG bao trùm. Không mâu thuẫn — TPU là thành phần bên trong.

Vì sao các phương án khác sai

  • B (bucket I/O cao) — phương án gần nhất vì lưu trữ nhanh thật sự cần thiết cho huấn luyện lớn, nhưng nó chỉ là một mảnh, không phải cách tiếp cận toàn hệ thống.

  • D và A — không đáp ứng quy mô hoặc sai mục đích.

Ghi nhớ

⚠ Hạ tầng AI theo cấp độ — bảng nên thuộc: | Cấp | Khái niệm | |---|---| | Chip đơn lẻ | ⚠ TPU, GPU | | Máy | ⚠ VM có gắn bộ tăng tốc | | ⚠ Hệ thống | ⚠ AI Hypercomputer — chip + mạng + lưu trữ + phần mềm | | Dịch vụ có quản lý | ⚠ Vertex AI Training |

Từ khoá nhận diện:

"quy mô cực lớn, mức hệ thống" → ⚠ AI Hypercomputer "chip do Google thiết kế cho ML" → TPU "nền tảng quản vòng đời ML" → Vertex AI "phục vụ nội dung gần người dùng" → ⚠ CDN / edge

⚠ Vì sao MẠNG là nút thắt ở quy mô lớn Lý do
⚠ Huấn luyện phân tán phải ĐỒNG BỘ tham số ⚠ sau mỗi bước
⚠ Hàng nghìn chip trao đổi liên tục
Mạng chậm → chip ngồi chờ ⚠ lãng phí phần đắt nhất
Vì vậy ⚠ băng thông giữa chip quan trọng ngang sức mạnh chip
⚠ Ba nút thắt của huấn luyện quy mô lớn Nút thắt
⚠ Mạng giữa các bộ tăng tốc
⚠ Thông lượng đọc dữ liệu ⚠ đường ống dữ liệu phải theo kịp
Bộ nhớ trên chip ⚠ giới hạn kích thước mô hình mỗi chip
Đo bằng ⚠ mức sử dụng bộ tăng tốc — thấp là có nút thắt
⚠ Hầu hết tổ chức KHÔNG cần tới mức này Điểm
⚠ Huấn luyện mô hình nền là việc của rất ít tổ chức
Phần lớn chỉ cần ⚠ dùng mô hình có sẵn qua API
Hoặc ⚠ tinh chỉnh trên vài GPU
Nguyên tắc ⚠ đừng dựng hạ tầng cho bài toán mình không có

Ba câu hỏi kiểm chứng: | Câu hỏi | Vì sao hỏi | |---|---| | Có THẬT SỰ cần huấn luyện mô hình nền không | ⚠ gần như luôn là không | | Mức sử dụng bộ tăng tốc bao nhiêu | ⚠ thấp thì nút thắt ở nơi khác | | Chi phí một lần huấn luyện | ⚠ tính trước, con số rất lớn |

Và câu hỏi nên đặt trước mọi thảo luận về hạ tầng huấn luyện quy mô lớn: bài toán này có thật sự cần một mô hình mới, hay chỉ cần tinh chỉnh một mô hình đã có? Với đại đa số tổ chức, câu trả lời thứ hai vừa rẻ hơn nhiều lần vừa cho kết quả tốt hơn.

Câu 67 Techniques to improve gen AI model output

An e-commerce company uses a generative AI model to personalize product recommendations. To ensure the model remains effective as customer trends and product catalogs change, the MLOps team regularly tracks metrics like click-through rates on recommendations and conversion rates.

They also compare the statistical properties of current input data (user interactions) against the data the model was trained on. These practices are examples of:

  1. A

    Initial model fine-tuning only.
  2. B

    Data anonymization for privacy.
  3. C

    Continuous performance tracking and drift monitoring.
  4. D

    Ad-hoc prompt engineering.
Xem giải thích

Đáp án

C — Theo dõi hiệu năng liên tục và giám sát drift.

Vì sao đúng

Đội MLOps làm hai việc song song: theo dõi chỉ số nghiệp vụ (tỉ lệ click, chuyển đổi) và so sánh thống kê dữ liệu hiện tại với dữ liệu huấn luyện. Đó chính là theo dõi hiệu năng và giám sát drift.

⚠ Hai việc ứng với hai loại giám sát:

"theo dõi tỉ lệ click, tỉ lệ
 chuyển đổi"
    → ⚠ GIÁM SÁT HIỆU NĂNG
    → ⚠ mô hình còn tạo giá trị không

"so sánh THỐNG KÊ dữ liệu đầu vào
 hiện tại với dữ liệu huấn luyện"
    → ⚠ GIÁM SÁT DRIFT
    → ⚠ thế giới đã đổi chưa

⚠ Vì sao cần cả hai:

⚠ Chỉ số nghiệp vụ
    → ⚠ cho biết CÓ vấn đề
    → ⚠ nhưng thường tới MUỘN

⚠ Drift
    → ⚠ CẢNH BÁO SỚM
    → ⚠ phát hiện trước khi chỉ số
      nghiệp vụ tụt rõ
        ↓
    → ⚠ kết hợp: biết sớm VÀ
      biết chắc

⚠ Vì sao ba phương án kia sai:

"Chỉ tinh chỉnh ban đầu"
    → ⚠ là việc MỘT LẦN, không phải
      hoạt động liên tục

"Ẩn danh hoá dữ liệu vì riêng tư"
    → ⚠ vấn đề khác hẳn

"Prompt engineering tuỳ hứng"
    → ⚠ không phải hoạt động
      giám sát

⚠ Gần trùng với #13882 (lô 145) — đề đó cũng là hệ gợi ý thương mại điện tử suy giảm theo thời gian, cùng khoá. Đề này mô tả rõ hơn hai loại giám sát. Hoàn toàn nhất quán. Cùng nhóm với #13911 (cùng lô) về Model Management.

Vì sao các phương án khác sai

  • A (chỉ tinh chỉnh ban đầu) — phương án gần nhất vì tinh chỉnh có liên quan tới chất lượng mô hình, nhưng nó là việc làm một lần lúc đầu, không mô tả hoạt động theo dõi liên tục.

  • B và D — thuộc lĩnh vực khác.

Ghi nhớ

⚠ Ba loại giám sát mô hình — bảng phải thuộc: | Loại | Đo gì | |---|---| | ⚠ Hiệu năng nghiệp vụ | ⚠ CTR, chuyển đổi, doanh thu | | ⚠ Data drift | ⚠ phân phối ĐẦU VÀO đổi | | ⚠ Concept drift | ⚠ QUAN HỆ đầu vào–kết quả đổi | | Training-serving skew | ⚠ dữ liệu phục vụ khác dữ liệu huấn luyện | | Kỹ thuật | ⚠ độ trễ, tỉ lệ lỗi, chi phí |

Từ khoá nhận diện:

"so thống kê dữ liệu hiện tại với lúc huấn luyện" → ⚠ drift monitoring "theo dõi CTR, chuyển đổi" → ⚠ giám sát hiệu năng "giám sát, huấn luyện lại, cập nhật" → Model Management "đặc trưng tính khác nhau hai nơi" → ⚠ skew

⚠ Vì sao chỉ số nghiệp vụ chưa đủ Lý do
⚠ Tới MUỘN ⚠ CTR tụt nghĩa là đã mất doanh thu rồi
⚠ Nhiễu bởi yếu tố khác ⚠ mùa vụ, chiến dịch, đối thủ
Khó quy về mô hình
Drift bù đắp ⚠ báo trước, và chỉ rõ dữ liệu nào đã đổi
⚠ Đo drift bằng cách nào Cách
⚠ So phân phối từng đặc trưng ⚠ hiện tại với tập huấn luyện
Chỉ số thống kê ⚠ PSI, KL divergence, Jensen-Shannon
⚠ Đặt NGƯỠNG cảnh báo ⚠ vượt thì báo
Theo dõi cả phân phối ĐẦU RA ⚠ mô hình bỗng dự đoán lệch hẳn
Công cụ ⚠ Vertex AI Model Monitoring
⚠ Hệ gợi ý drift nhanh vì sao Lý do
⚠ Danh mục sản phẩm đổi liên tục
⚠ Thị hiếu đổi theo mùa và xu hướng
Khách mới có hành vi khác
⚠ Vòng phản hồi ⚠ mô hình gợi ý gì thì khách thấy cái đó — tự củng cố
Vì vậy ⚠ huấn luyện lại rất thường xuyên
⚠ Vòng phản hồi — rủi ro tinh tế Rủi ro
⚠ Mô hình chỉ gợi ý sản phẩm nó đã "tin"
Khách chỉ click cái được hiện ra ⚠ dữ liệu mới củng cố thiên lệch cũ
Sản phẩm mới không bao giờ được hiện
Giảm bằng ⚠ dành một phần lưu lượng để KHÁM PHÁ

Ba việc kiểm chứng: | Việc | Cách | |---|---| | Có giám sát drift chưa | ⚠ không có thì chỉ biết khi đã muộn | | Ngưỡng cảnh báo đặt ở đâu | ⚠ và ai nhận cảnh báo | | Có phần lưu lượng khám phá không | ⚠ chống vòng phản hồi |

Và điểm khác biệt giữa một hệ thống học máy được vận hành tốt và một hệ thống bị bỏ mặc: cái đầu phát hiện vấn đề qua biểu đồ drift, cái sau phát hiện qua báo cáo doanh thu quý. Cả hai đều nhận ra cùng một chuyện — chỉ khác nhau vài tháng và một khoản tiền.

Câu 68 Google Cloud's gen AI offerings

A data scientist needs to build a production-grade generative AI application that requires fine-tuning a foundation model on proprietary company data, setting up robust MLOps pipelines for continuous training and deployment, and integrating with other Google Cloud services like BigQuery and Cloud Storage.

Which Google Cloud environment is designed for these comprehensive, enterprise-scale generative AI development and deployment tasks?

  1. A

    Google AI Studio
  2. B

    Colaboratory (Colab)
  3. C

    A standalone local development environment
  4. D

    Vertex AI Studio
Xem giải thích

Đáp án

D — Vertex AI Studio.

Vì sao đúng

Đề nêu ba yêu cầu cấp sản xuất: tinh chỉnh mô hình nền trên dữ liệu độc quyền, dựng đường ống MLOps cho huấn luyện và triển khai liên tục, tích hợp với BigQuery và Cloud Storage. Đó là môi trường AI sinh trong Vertex AI.

⚠ Ba yêu cầu khớp:

"tinh chỉnh trên dữ liệu ĐỘC QUYỀN"
    → ⚠ cần môi trường doanh nghiệp
      có kiểm soát dữ liệu

"đường ống MLOps liên tục"
    → ⚠ Vertex AI Pipelines,
      Model Registry, Monitoring

"tích hợp BigQuery và Cloud Storage"
    → ⚠ nằm trong cùng dự án
      Google Cloud, dùng chung IAM

⚠ Vì sao ba phương án kia sai:

"Google AI Studio"
    → ⚠ THỬ prompt nhanh, không có
      MLOps, không phải nơi dùng
      dữ liệu độc quyền

"Colab"
    → ⚠ notebook cho thí nghiệm và
      học tập, không phải môi trường
      sản xuất

"Môi trường local độc lập"
    → ⚠ không tích hợp, không mở
      rộng, không quản trị được

⚠ Đối chiếu #13891 (lô 145) — đề đó khoá Google AI Studio vì yêu cầu là thử nhanh, không dựng môi trường, chi phí thấp. Đề này yêu cầu sản xuất, MLOps, dữ liệu độc quyền nên khoá Vertex AI Studio. KHÔNG mâu thuẫn — hai đề là cặp minh hoạ chuẩn cho ranh giới giữa hai công cụ.

Vì sao các phương án khác sai

  • A (Google AI Studio) — phương án gần nhất và là bẫy chính vì tên gần giống. Nhưng nó không có MLOps, không có kiểm soát doanh nghiệp cho dữ liệu độc quyền.

  • B (Colab) và C (local) — không phải môi trường sản xuất.

Ghi nhớ

⚠ AI Studio và Vertex AI Studio — bảng phải thuộc: | | Google AI Studio | ⚠ Vertex AI Studio | |---|---|---| | Mục đích | ⚠ thử nhanh, làm mẫu | ⚠ sản xuất doanh nghiệp | | Thiết lập | ⚠ gần như không | ⚠ project, IAM | | MLOps | ⚠ không | ⚠ CÓ — Pipelines, Registry | | Dữ liệu độc quyền | ⚠ KHÔNG nên | ⚠ có kiểm soát đầy đủ | | Tinh chỉnh | hạn chế | ⚠ đầy đủ | | Tích hợp | ⚠ ít | ⚠ BigQuery, GCS, VPC-SC |

Từ khoá nhận diện:

"sản xuất, MLOps, dữ liệu độc quyền" → ⚠ Vertex AI Studio "thử nhanh, không dựng gì" → Google AI Studio "notebook học tập, thí nghiệm" → ⚠ Colab "danh mục mô hình" → Model Garden

⚠ Khi nào cần TINH CHỈNH thay vì prompt/grounding Khi
⚠ Cần PHONG CÁCH hoặc định dạng rất riêng
⚠ Prompt quá dài và vẫn không ổn định
Khối lượng lớn, muốn dùng mô hình NHỎ hơn ⚠ tinh chỉnh mô hình nhỏ để giảm chi phí
Có đủ dữ liệu ví dụ chất lượng ⚠ thường cần hàng trăm tới hàng nghìn
Khi nào ĐỪNG ⚠ cần KIẾN THỨC mới → dùng grounding
⚠ MLOps cho AI sinh khác gì ML truyền thống Khác
⚠ Phải quản cả PROMPT như mã nguồn ⚠ phiên bản, test, review
⚠ Đánh giá khó hơn ⚠ không có nhãn đúng duy nhất
Ghim phiên bản mô hình nền ⚠ đầu ra đổi khi mô hình cập nhật
Giám sát chất lượng đầu ra ⚠ không chỉ độ trễ và lỗi
⚠ Chi phí theo token ⚠ cần theo dõi sát
⚠ Điều kiểm soát doanh nghiệp mang lại Kiểm soát
⚠ Dữ liệu không dùng huấn luyện mô hình nền
VPC Service Controls ⚠ ngăn dữ liệu ra ngoài
CMEK, chọn vùng
IAM chi tiết
Audit log ⚠ truy vết mọi lời gọi

Ba câu hỏi kiểm chứng: | Câu hỏi | Vì sao hỏi | |---|---| | Đã thử prompt và grounding chưa | ⚠ tinh chỉnh là bước cuối, không phải đầu | | Có đủ dữ liệu ví dụ chất lượng không | ⚠ tinh chỉnh trên dữ liệu tệ làm mô hình tệ hơn | | Prompt có được quản như mã không | ⚠ phiên bản, test |

Và trình tự đúng khi muốn mô hình phù hợp hơn với nhu cầu riêng: prompt trước, grounding sau, tinh chỉnh cuối cùng. Rất nhiều dự án bắt đầu bằng bước thứ ba rồi phát hiện ra rằng vấn đề thật sự nằm ở việc mô hình không có tài liệu để tra — thứ mà bước thứ hai giải quyết với chi phí thấp hơn nhiều.

Câu 69 Google Cloud's gen AI offerings

A marketing team with no coding experience wants to quickly build a simple AI tool to generate product descriptions by providing a few keywords. They need a solution that allows them to leverage powerful generative models without writing any code.

Which aspect of Google Cloud's AI platform best addresses this need for non-technical users?

  1. A

    Access to TPUs for high-performance training.
  2. B

    Low-code and no-code tools that provide interfaces to pre-trained generative models.
  3. C

    Comprehensive MLOps capabilities for pipeline orchestration.
  4. D

    Direct access to the underlying model weights for custom modification.
Xem giải thích

Đáp án

B — Các công cụ low-code và no-code cung cấp giao diện tới những mô hình sinh đã huấn luyện sẵn.

Vì sao đúng

Đội marketing không có kinh nghiệm lập trình, muốn dựng nhanh một công cụ đơn giản và không viết một dòng mã nào. Chỉ có công cụ low-code/no-code đáp ứng.

⚠ Ba dữ kiện khớp:

"KHÔNG có kinh nghiệm lập trình"
    → ⚠ cần giao diện, không cần SDK

"dựng NHANH công cụ đơn giản"
    → ⚠ không phải dự án kỹ thuật lớn

"tận dụng mô hình sinh MẠNH mà
 KHÔNG viết mã"
    → ⚠ đúng định nghĩa no-code

⚠ Vì sao ba phương án kia sai:

"Truy cập TPU để huấn luyện
 hiệu năng cao"
    → ⚠ đúng thứ đội này KHÔNG cần
      và không làm nổi

"Năng lực MLOps đầy đủ để điều
 phối pipeline"
    → ⚠ dành cho đội kỹ thuật

"Truy cập TRỌNG SỐ mô hình để
 sửa đổi"
    → ⚠ càng đòi chuyên môn sâu hơn

⚠ Gần trùng với #13869 (lô 145) — đề đó là chủ doanh nghiệp nhỏ muốn dựng chatbot, cùng khoá low-code/no-code + API dựng sẵn. Hoàn toàn nhất quán.

Vì sao các phương án khác sai

  • C (MLOps đầy đủ) — phương án gần nhất vì cũng là năng lực thật của nền tảng, nhưng nó phục vụ đội kỹ thuật quản vòng đời mô hình, không phải người làm marketing.

  • A và D — đòi chuyên môn kỹ thuật sâu.

Ghi nhớ

⚠ Thang trừu tượng — chọn theo NĂNG LỰC người dùng: | Mức | Ai dùng | Ví dụ | |---|---|---| | ⚠ No-code | ⚠ người không kỹ thuật | ⚠ giao diện Gemini, Gems, Agent Builder | | Low-code | biết chút kỹ thuật | ⚠ AutoML, Data Fusion | | API / SDK | lập trình viên | ⚠ Gemini API | | Nền tảng đầy đủ | ⚠ kỹ sư ML | ⚠ Vertex AI custom | | Trọng số, phần cứng | ⚠ đội nghiên cứu | Gemma, TPU |

Từ khoá nhận diện:

"không viết mã, dựng nhanh" → ⚠ low-code / no-code "đội kỹ thuật quản vòng đời" → MLOps / Vertex AI "huấn luyện mô hình rất lớn" → TPU "sửa trọng số mô hình" → ⚠ mô hình mở như Gemma

⚠ Đội marketing dựng công cụ này bằng gì Lựa chọn
⚠ Gems trong ứng dụng Gemini ⚠ đơn giản nhất — đóng gói chỉ dẫn một lần
⚠ Gemini trong Workspace ⚠ làm ngay trong Docs, Sheets
Vertex AI Studio ⚠ nếu cần kiểm soát doanh nghiệp
Agent Builder ⚠ nếu cần grounding vào catalogue
Nguyên tắc ⚠ bắt đầu từ nơi ít công nhất
⚠ Việc thật sự quyết định chất lượng Việc
⚠ Viết chỉ dẫn tốt ⚠ giọng thương hiệu, độ dài, cấu trúc
⚠ Đưa ví dụ mẫu ⚠ few-shot cải thiện rất nhiều
Grounding vào thông tin sản phẩm thật ⚠ để không bịa thông số
⚠ Người biên tập trước khi đăng
Ghi nhớ ⚠ công cụ dễ dùng không thay được nội dung tốt
⚠ Rủi ro khi người không kỹ thuật tự dựng Rủi ro
⚠ Dán dữ liệu nội bộ vào công cụ ngoài ⚠ rủi ro lớn nhất
Mô tả sản phẩm bịa thông số ⚠ cần grounding và biên tập
Không nhất quán giọng thương hiệu ⚠ cần hướng dẫn chung
Không ai kiểm chi phí
Giảm bằng ⚠ công cụ nội bộ được duyệt + hướng dẫn rõ

Ba câu hỏi kiểm chứng: | Câu hỏi | Vì sao hỏi | |---|---| | Công cụ đang dùng có được duyệt không | ⚠ tránh shadow AI | | Mô tả sinh ra có bịa thông số không | ⚠ kiểm vài mẫu | | Ai biên tập trước khi đăng | ⚠ luôn cần |

Và cách hiệu quả nhất để một đội nghiệp vụ tự dựng công cụ AI mà tổ chức vẫn yên tâm: cung cấp sẵn một môi trường nội bộ đã được duyệt. Khi công cụ được phép vừa tiện vừa đủ mạnh, sẽ không ai cần đi tìm giải pháp bên ngoài — và đó là cách kiểm soát rủi ro tốt hơn mọi chính sách cấm đoán.

Câu 70 Business strategies for a successful gen AI solution

A financial institution is developing a generative AI model to detect fraudulent transactions. They are highly concerned about adversarial attacks, where malicious actors might try to subtly alter input data to cause the model to misclassify a fraudulent transaction as legitimate.

Implementing robust defenses against such attacks is a key aspect of ensuring security at which stage of the ML lifecycle?

  1. A

    Continuously, but with specific defenses built during model training and considered during ongoing monitoring.
  2. B

    Primarily during data ingestion from source systems.
  3. C

    Exclusively during the model deployment phase.
  4. D

    Only during the business requirements gathering phase.
Xem giải thích

Đáp án

A — Liên tục, nhưng với các biện pháp phòng thủ cụ thể được xây dựng trong quá trình huấn luyện và được cân nhắc trong giám sát vận hành.

Vì sao đúng

Tấn công đối kháng là mối đe doạ kéo dài suốt vòng đời. Phòng thủ phải xây từ khâu huấn luyện và duy trì bằng giám sát liên tục — không thể gói gọn vào một giai đoạn.

⚠ Vì sao không thể chỉ phòng ở một chỗ:

⚠ KHI HUẤN LUYỆN
    → ⚠ adversarial training: đưa
      mẫu tấn công vào tập huấn luyện
    → làm mô hình bền hơn

⚠ KHI TRIỂN KHAI
    → kiểm tra đầu vào bất thường
    → giới hạn tần suất truy vấn

⚠ KHI GIÁM SÁT
    → ⚠ phát hiện mẫu tấn công MỚI
    → ⚠ kẻ tấn công LIÊN TỤC đổi
      chiến thuật
        ↓
    → ⚠ phòng thủ phải TIẾN HOÁ theo

⚠ Vì sao ba phương án kia sai:

"CHỈ khi triển khai"
    → ⚠ quá muộn: mô hình đã yếu
      từ lúc huấn luyện

"CHỦ YẾU khi nạp dữ liệu"
    → ⚠ quan trọng (chống đầu độc
      dữ liệu) nhưng không đủ

"CHỈ khi thu thập yêu cầu nghiệp vụ"
    → ⚠ vô lý

Nhất quán với #13872 (lô 145) — đề đó về bảo vệ dữ liệu nhạy cảm xuyên suốt vòng đời. Cùng thông điệp: bảo mật là việc liên tục, không phải một checkpoint.

Vì sao các phương án khác sai

  • B (chủ yếu khi nạp dữ liệu) — phương án gần nhất vì đầu độc dữ liệu huấn luyện là mối đe doạ thật ở khâu đó. Nhưng đề mô tả tấn công vào dữ liệu đầu vào lúc suy luận, cần phòng thủ ở nhiều khâu.

  • C và D — quá hẹp.

Ghi nhớ

⚠ Tấn công vào hệ thống ML — bảng phải thuộc: | Tấn công | Nội dung | Phòng ở đâu | |---|---|---| | ⚠ Adversarial input | ⚠ sửa nhẹ đầu vào để mô hình phân loại sai | ⚠ huấn luyện + giám sát | | ⚠ Data poisoning | ⚠ đầu độc dữ liệu huấn luyện | ⚠ kiểm soát nguồn dữ liệu | | ⚠ Model extraction | ⚠ dò ngược mô hình qua nhiều truy vấn | ⚠ giới hạn tần suất | | Membership inference | ⚠ suy ra một mẫu có trong tập huấn luyện không | riêng tư vi phân | | ⚠ Prompt injection | ⚠ lừa mô hình bỏ qua chỉ dẫn | ⚠ lọc, tách vai trò, quyền tối thiểu |

Từ khoá nhận diện:

"sửa nhẹ đầu vào để đánh lừa" → ⚠ adversarial attack "đầu độc dữ liệu huấn luyện" → data poisoning "lừa mô hình bỏ qua chỉ dẫn" → ⚠ prompt injection "khung quản trị bảo mật AI" → SAIF

⚠ Vì sao phát hiện gian lận là mục tiêu hấp dẫn Lý do
⚠ Kẻ tấn công có ĐỘNG CƠ TÀI CHÍNH rõ ràng
⚠ Họ THỬ LIÊN TỤC và học từ kết quả ⚠ khác hẳn các bài toán ML khác
Mỗi lần lọt là tiền thật
⚠ Mô hình công khai kết quả ⚠ duyệt hay từ chối — đó là tín hiệu để dò
Vì vậy ⚠ đây là cuộc đua vũ trang, không phải bài toán giải một lần
⚠ Phòng thủ cụ thể Phòng thủ
⚠ Adversarial training ⚠ huấn luyện với mẫu tấn công
Kết hợp nhiều mô hình và luật ⚠ khó lách hơn một mô hình đơn
⚠ Giới hạn tần suất truy vấn ⚠ chống dò ngược
⚠ Không lộ điểm số chi tiết ⚠ chỉ trả duyệt/từ chối
Phát hiện đầu vào bất thường
⚠ Người xem xét ca đáng ngờ ⚠ HITL
Huấn luyện lại thường xuyên ⚠ theo kịp chiến thuật mới
⚠ Điều khiến bảo mật ML khác bảo mật phần mềm Khác
⚠ Không có "bản vá" cho mô hình yếu ⚠ phải huấn luyện lại
⚠ Lỗ hổng nằm trong DỮ LIỆU, không trong mã
Khó kiểm thử tự động
⚠ Kẻ tấn công học được từ phản hồi hệ thống

Ba việc kiểm chứng: | Việc | Cách | |---|---| | Đã thử tấn công chính mô hình mình chưa | ⚠ red team nội bộ | | Có giới hạn tần suất truy vấn không | ⚠ chống dò ngược | | Huấn luyện lại bao lâu một lần | ⚠ chiến thuật gian lận đổi nhanh |

Và điểm khác biệt căn bản của bảo mật cho hệ thống học máy: không có bản vá. Khi phát hiện mô hình bị lách, cách sửa duy nhất là huấn luyện lại — nên khoảng thời gian giữa các lần huấn luyện chính là khoảng thời gian lỗ hổng còn mở.