Ngân hàng đề — Google Cloud Professional Machine Learning Engineer

🧩 Phân tích chi tiết nội dung câu hỏi

Câu hỏi tập trung vào việc triển khai một mô hình XGBoost đã được huấn luyện lên môi trường production để thực hiện online inference (dự đoán thời gian thực). Trước khi gửi yêu cầu dự đoán đến mô hình, cần thực hiện một bước preprocessing dữ liệu đơn giản. Bước này phải expose một REST API chấp nhận các request từ internal VPC Service Controls (một tính năng bảo mật của Google Cloud để kiểm soát truy cập VPC nội bộ) và trả về kết quả dự đoán. Mục tiêu chính là cấu hình bước preprocessing này với chi phí và công sức tối thiểu (minimizing cost and effort).

🛠️ Các yếu tố chính cần xem xét:

• Sử dụng Vertex AI Endpoints để deploy model (là dịch vụ managed của Google Cloud cho ML inference).
• Model XGBoost cần custom predictor vì preprocessing tùy chỉnh.
• Tối ưu: Không bundle model lớn vào container (tăng kích thước image, chi phí build/deploy cao hơn), mà lưu model ở Cloud Storage và load động.
• Dựa trên Vertex AI SDK với XGBoost Predictor base class để giảm effort (không cần build từ scratch như Flask).
• Kiến thức cập nhật: Theo tài liệu Vertex AI mới nhất (2024-2026), Vertex AI hỗ trợ custom prediction routines với base images như gcr.io/cloud-aiplatform/prediction/tf2-cpu.2-9 hoặc tương tự cho XGBoost, và khuyến nghị lưu model artifacts riêng ở GCS để scale dễ dàng và giảm chi phí storage/compute.

📘 Tài liệu tham khảo:

• Vertex AI Custom Prediction
• XGBoost on Vertex AI
• Vertex AI Prediction Images

✅ Đáp án đúng và lý do lựa chọn

Đáp án đúng là lựa chọn D:
Build a custom predictor class based on XGBoost Predictor from the Vertex AI SDK, and package the handler in a custom container image based on a Vertex built-in container image. Store a pickled model in Cloud Storage, and deploy the model to Vertex AI Endpoints.

Lý do chọn D 🏆:
Phương án này tối ưu chi phí và công sức nhất vì:

• Sử dụng XGBoost Predictor từ Vertex AI SDK làm base class, chỉ cần extend để thêm preprocessing đơn giản (giảm code boilerplate).
• Package chỉ handler (code xử lý) vào custom container dựa trên Vertex built-in image (như gcr.io/cloud-aiplatform/prediction/xgboost-cpu.1-6), giữ image nhẹ, build/deploy nhanh.
• Lưu pickled model riêng ở Cloud Storage (GCS), load động qua gs:// path khi deploy → Tránh bundle model lớn vào image (giảm kích thước container ~GBs, tiết kiệm chi phí storage/build time).
• Hỗ trợ REST API tự động, tích hợp VPC Service Controls dễ dàng qua Vertex AI networking.
• Phù hợp best practice Vertex AI 2026: Model versioning, autoscaling, low-latency inference mà không cần Flask tự build.

🔍 Giải thích chi tiết tất cả các phương án

• ❌ Phương án A (SAI):
  Store a pickled model in Cloud Storage. Build a Flask-based app, package the app in a custom container image, and deploy the model to Vertex AI Endpoints.
  Lý do sai: Tự build Flask app từ scratch để expose REST API và xử lý preprocessing là effort cao (viết code server, handle HTTP, auth, etc.), không tận dụng Vertex AI SDK. Dù lưu model ở GCS (tốt), nhưng thiếu custom predictor class → Không tối ưu cho XGBoost, dễ lỗi scale/security trong VPC. Chi phí cao hơn do container phức tạp.

• ❌ Phương án B (SAI):
  Build a Flask-based app, package the app and a pickled model in a custom container image, and deploy the model to Vertex AI Endpoints.
  Lý do sai: Vừa dùng Flask tự build (effort lớn, không cần thiết), vừa bundle model vào container → Image phình to (model XGBoost có thể hàng GB), tăng thời gian build/push/deploy, chi phí compute/storage cao. Không scalable nếu model update thường xuyên (phải rebuild image). Vertex AI không khuyến nghị cách này cho production.

• ❌ Phương án C (SAI):
  Build a custom predictor class based on XGBoost Predictor from the Vertex AI SDK, package it and a pickled model in a custom container image based on a Vertex built-in image, and deploy the model to Vertex AI Endpoints.
  Lý do sai: Dùng đúng XGBoost Predictor và built-in image (tốt cho base), nhưng vẫn bundle model vào container → Không minimize cost (image lớn, rebuild thường xuyên khi model thay đổi). Vertex AI hỗ trợ load model từ GCS tốt hơn, tránh overhead này theo docs 2026.

• ✅ Phương án D (ĐÚNG):
  Build a custom predictor class based on XGBoost Predictor from the Vertex AI SDK, and package the handler in a custom container image based on a Vertex built-in container image. Store a pickled model in Cloud Storage, and deploy the model to Vertex AI Endpoints.
  Lý do đúng: Hoàn hảo như giải thích ở trên – handler-only container (nhẹ), model ở GCS (dễ update/version), SDK base class giảm effort, full tích hợp Vertex AI cho REST API + VPC. Best practice cho low-cost online inference! 🚀

🧩 Phân tích chi tiết nội dung câu hỏi

Câu hỏi mô tả tình huống bạn làm việc tại một ngân hàng, cần phát triển mô hình đánh giá rủi ro tín dụng (credit risk model) để hỗ trợ quyết định cho vay. Mô hình sử dụng neural network trong TensorFlow, và do yêu cầu quy định pháp lý (regulatory requirements), bạn phải giải thích được dự đoán của mô hình dựa trên các features (explainable AI). Khi deploy, cần giám sát hiệu suất mô hình theo thời gian (monitor performance over time). Bạn chọn Vertex AI (dịch vụ ML trên Google Cloud) cho cả phát triển và deploy.

Mục tiêu chính:

• 📊 Explainability: Sử dụng Vertex Explainable AI để giải thích dự đoán (dành cho neural networks trên dữ liệu tabular/features).
• 🔍 Monitoring: Sử dụng Vertex AI Model Monitoring để phát hiện sự thay đổi trong dữ liệu đầu vào theo thời gian, đảm bảo mô hình vẫn hoạt động tốt.

Bối cảnh kỹ thuật (cập nhật đến 2026): Vertex AI hỗ trợ các phương pháp XAI như Sampled Shapley (phù hợp cho tabular data và neural nets, tính toán giá trị Shapley values một cách lấy mẫu để giải thích đóng góp của từng feature) và XRAI (dành cho dữ liệu hình ảnh). Model Monitoring phát hiện drift (sự thay đổi phân phối dữ liệu theo thời gian so với training data) và skew (sự khác biệt giữa hai bộ dữ liệu, ví dụ training vs. blessing dataset). Đối với giám sát over time, drift là lựa chọn chính xác.

✅ Đáp án đúng và lý do lựa chọn

Đáp án đúng: Use Vertex Explainable AI with the sampled Shapley method, and enable Vertex AI Model Monitoring to check for feature distribution drift.

Lý do 🛠️:

• Sampled Shapley: Đây là phương pháp XAI tối ưu cho neural networks trên dữ liệu tabular (như features rủi ro tín dụng: thu nhập, lịch sử tín dụng...). Nó tính toán Shapley values qua lấy mẫu để giải thích chính xác đóng góp của từng feature vào dự đoán, đáp ứng yêu cầu regulatory explainability. XRAI chỉ dành cho hình ảnh, không phù hợp.
• Feature distribution drift: Vertex AI Model Monitoring sử dụng drift để giám sát sự thay đổi phân phối features theo thời gian (so sánh serving data với training baseline), giúp phát hiện mô hình degrade và đảm bảo performance over time. Skew chỉ so sánh hai datasets tĩnh, không tập trung vào "over time".

📋 Giải thích tất cả các phương án

Dưới đây là phân tích từng lựa chọn, giữ nguyên văn bản gốc bằng tiếng Anh. Mỗi phương án được đánh giá đúng/sai với lý do chi tiết dựa trên tài liệu Vertex AI mới nhất (2024-2026).

• ✅ Use Vertex Explainable AI with the sampled Shapley method, and enable Vertex AI Model Monitoring to check for feature distribution drift.
  Đúng hoàn toàn 🏆: Như giải thích ở trên, sampled Shapley lý tưởng cho tabular neural nets và explainability; drift phù hợp giám sát over time. Kết hợp hoàn hảo cho yêu cầu câu hỏi.

• ❌ Use Vertex Explainable AI with the sampled Shapley method, and enable Vertex AI Model Monitoring to check for feature distribution skew.
  Sai một phần ⚠️: Sampled Shapley đúng cho explainability, nhưng skew không phù hợp vì skew chỉ phát hiện sự khác biệt giữa hai datasets (ví dụ training vs. validation/blessing), không phải giám sát "over time" như yêu cầu. Drift mới là công cụ chính cho temporal changes.

• ❌ Use Vertex Explainable AI with the XRAI method, and enable Vertex AI Model Monitoring to check for feature distribution drift.
  Sai một phần 🚫: Drift đúng cho monitoring over time, nhưng XRAI sai vì XRAI (eXplainable Region-based Attributions through Interventions) chỉ dành cho dữ liệu hình ảnh (images), không hỗ trợ tabular features như credit risk. Sampled Shapley mới phù hợp.

• ❌ Use Vertex Explainable AI with the XRAI method, and enable Vertex AI Model Monitoring to check for feature distribution skew.
  Sai hoàn toàn ❌: Cả hai đều sai – XRAI không áp dụng cho tabular data, và skew không phù hợp cho giám sát performance over time (drift mới đúng).

📘 Tài liệu tham khảo

• Vertex Explainable AI: docs Vertex AI Explainable AI – Xác nhận Sampled Shapley cho tabular/custom models, XRAI cho vision.
• Model Monitoring: Vertex AI Model Monitoring – Chi tiết drift (temporal shifts) vs. skew (dataset comparisons), cập nhật 2024.
• TensorFlow Integration: Vertex AI Training & Deployment – Hỗ trợ neural nets với explainability. (Kiến thức dựa trên phiên bản Vertex AI v2026-beta, không liên quan AWS như đề cập nhầm – đây là Google Cloud thuần túy).

🧩 Phân tích chi tiết nội dung câu hỏi

Câu hỏi tập trung vào việc khắc phục sự cố misclassification (phân loại sai) của một mô hình Machine Learning được huấn luyện và triển khai qua Vertex AI Pipelines trên Google Cloud. Quy trình pipeline cụ thể bao gồm:

• Đọc dữ liệu từ BigQuery.
• Tạo bản sao dữ liệu ở định dạng TFRecord và lưu vào Cloud Storage.
• Huấn luyện mô hình bằng Vertex AI Training trên bản sao dữ liệu đó.
• Triển khai mô hình lên Vertex AI endpoint.

Bạn đã xác định được phiên bản mô hình cụ thể gây lỗi, và giờ cần khôi phục dữ liệu huấn luyện mà mô hình đó đã sử dụng. Vấn đề cốt lõi là tìm vị trí bản sao dữ liệu TFRecord được tạo trong pipeline, vì dữ liệu gốc từ BigQuery có thể đã thay đổi.

Mục tiêu: Sử dụng các công cụ của Vertex AI để truy vết (trace) lineage dữ liệu một cách chính xác, dựa trên kiến thức cập nhật đến năm 2026 (Vertex AI Metadata và Lineage vẫn là tính năng cốt lõi, được cải tiến với hỗ trợ tốt hơn cho pipelines phức tạp theo tài liệu Google Cloud Vertex AI v2025+ 📘).

📘 Tài liệu tham khảo chính:

• Vertex AI Pipelines Lineage (cập nhật 2025).
• Vertex AI Metadata Store (hỗ trợ tracking artifacts từ data đến model).

✅ Đáp án đúng và lý do lựa chọn

Đáp án đúng: Use the lineage feature of Vertex AI Metadata to find the model artifact. Determine the version of the model and identify the step that creates the data copy and search in the metadata for its location.

Lý do chi tiết:

• Vertex AI Pipelines tự động ghi nhận lineage (dòng dõi) qua Metadata Store, liên kết các artifact (như model version, data inputs/outputs) giữa các bước pipeline 🛤️.
• Từ model artifact cụ thể (version đã biết), bạn truy vết ngược về bước tạo bản sao dữ liệu TFRecord trong Cloud Storage, lấy chính xác URI location từ metadata.
• Đây là cách chuẩn và hiệu quả nhất, không phụ thuộc logs (có thể mất) hay công cụ khác. Tính năng này được tối ưu hóa từ 2023-2026 cho debugging ML pipelines 🔍.

🧪 Giải thích tất cả các phương án (đúng/sai)

• [SAI] Use Vertex AI Feature Store. Modify the pipeline to use the feature store, and ensure that all training data is stored in it. Search the feature store for the data used for the training.
  ❌ Sai vì: Vertex AI Feature Store dùng để quản lý features online/offline cho serving thời gian thực, không phải lưu trữ bản sao dữ liệu huấn luyện TFRecord từ pipeline. Phương án này yêu cầu sửa pipeline trước (không khả thi cho data lịch sử), và Feature Store không track lineage tự động cho BigQuery → Cloud Storage copy. Không phù hợp với quy trình đã chạy 🗑️.

• [ĐÚNG] Use the lineage feature of Vertex AI Metadata to find the model artifact. Determine the version of the model and identify the step that creates the data copy and search in the metadata for its location.
  ✅ Đúng vì: Như giải thích trên, lineage trong Vertex AI Metadata là công cụ chính thức để trace từ model version → data artifact (TFRecord in Cloud Storage). Hỗ trợ query metadata qua UI/API, chính xác 100% cho pipelines đã chạy mà không cần logs hay sửa code 🏆.

• [SAI] Use the logging features in the Vertex AI endpoint to determine the timestamp of the model’s deployment. Find the pipeline run at that timestamp. Identify the step that creates the data copy, and search in the logs for its location.
  ❌ Sai vì: Logs của Vertex AI endpoint chỉ ghi serving/inference (deploy timestamp), không chứa info về data training hay bước copy TFRecord từ pipeline. Timestamp deploy không khớp chính xác với training run, và logs có thể hết hạn (retention ngắn), dẫn đến khó tìm hoặc không đầy đủ logs 🔒.

• [SAI] Find the job ID in Vertex AI Training corresponding to the training for the model. Search in the logs of that job for the data used for the training.
  ❌ Sai vì: Vertex AI Training job logs chỉ ghi quá trình huấn luyện (hyperparams, metrics), không lưu URI chính xác của data TFRecord (có thể chỉ log path tạm thời hoặc không). Phải tìm job ID thủ công từ model metadata, nhưng không trace đầy đủ lineage từ pipeline, dễ miss nếu có nhiều jobs tương tự 📜.

🧩 Phân tích chi tiết nội dung câu hỏi

Câu hỏi này thuộc chủ đề Vertex AI Explainable AI (XAI) trên Google Cloud Vertex AI (không phải AWS như đề cập nhầm, mà là dịch vụ ML của Google Cloud).
Tình huống: Bạn làm việc cho công ty sản xuất, cần huấn luyện mô hình phân loại hình ảnh tùy chỉnh để phát hiện lỗi sản phẩm ở cuối dây chuyền lắp ráp. Mô hình hoạt động tốt, nhưng một số hình ảnh trong holdout set (tập kiểm tra độc lập) bị mislabeled (gán nhãn sai) với high confidence (độ tin cậy cao). Bạn muốn sử dụng Vertex AI để hiểu kết quả của mô hình (model's results).

Mục tiêu chính: Tìm cách giải thích (explain) tại sao mô hình tự tin cao nhưng vẫn sai nhãn trên holdout set. Vertex AI cung cấp các công cụ XAI như feature-based explanations (giải thích dựa trên đặc trưng/pixel) và example-based explanations (giải thích dựa trên ví dụ tương tự). Phương pháp phù hợp nhất cần giúp phân tích similar examples để phát hiện pattern mislabeling.

📘 Tài liệu tham khảo:

• Vertex AI Explainable AI Overview (cập nhật 2024-2026).
• Example-Based Explanations – Hỗ trợ embedding cho nearest neighbors trong latent space.

✅ Đáp án đúng và lý do lựa chọn

Configure example-based explanations. Specify the embedding output layer to be used for the latent space representation.

Lý do:
🛠️ Phương pháp example-based explanations trong Vertex AI sử dụng embedding layer (lớp đầu ra nhúng) để biểu diễn latent space (không gian ẩn), sau đó tìm nearest neighbors (các ví dụ tương tự nhất) từ dataset. Điều này lý tưởng để phân tích mislabeled images với high confidence, vì:

• Giúp so sánh prediction sai với các ví dụ tương tự đã label đúng/sai.
• Phát hiện pattern như data drift, label noise hoặc overfitting trên holdout set.
• Hỗ trợ trực tiếp cho image classification, sử dụng Vertex AI Matching Engine ngầm định cho k-NN search (cập nhật Vertex AI v2025+).
  Kết quả hiển thị similar examples với labels/predictions, giúp debug hiệu quả!

📋 Giải thích tất cả các phương án (đúng/sai)

Dưới đây là phân tích từng lựa chọn một cách chi tiết. Tôi giữ nguyên văn bản gốc bằng tiếng Anh, chỉ giải thích bằng tiếng Việt. Sử dụng ✅ cho đúng, ❌ cho sai.

• ❌ [SAI] Configure feature-based explanations by using Integrated Gradients. Set visualization type to PIXELS, and set clip_percent_upperbound to 95.
  Phân tích: Integrated Gradients là phương pháp feature-based (giải thích attribution trên từng pixel), visualize dưới dạng PIXELS với clip_percent_upperbound=95 để giới hạn top 95% ảnh hưởng. Tuy hữu ích để xem model "nhìn" vào đâu (ví dụ: tập trung nhầm defect), nhưng không giải quyết mislabeled high confidence – chỉ cho heatmap attribution, không so sánh với examples khác. Không phù hợp cho holdout set analysis toàn diện.

• ❌ [SAI] Create an index by using Vertex AI Matching Engine. Query the index with your mislabeled images.
  Phân tích: Vertex AI Matching Engine dùng để tạo index vector cho similarity search (ANN/k-NN). Có thể query mislabeled images để tìm similar ones, nhưng đây không phải công cụ XAI chính thức để "understand model’s results". Thiếu explanation context (như labels/predictions của neighbors), và không specify embedding layer. Chỉ là bước trung gian, không integrate trực tiếp với Vertex AI explanations (cập nhật Matching Engine v2026 vẫn yêu cầu config riêng).

• ❌ [SAI] Configure feature-based explanations by using XRAI. Set visualization type to OUTLINES, and set polarity to positive.
  Phân tích: XRAI (eXplainable Regions with Adjacent Instances) là feature-based khác Integrated Gradients, visualize OUTLINES (đường viền vùng quan trọng) với polarity=positive (chỉ vùng tích cực ảnh hưởng prediction). Hữu ích cho segment regions trong image, nhưng vẫn chỉ attribution-based, không giúp hiểu high confidence mislabels qua similar examples. Giới hạn ở pixel-level, không scale cho holdout set debugging.

• ✅ [ĐÚNG] Configure example-based explanations. Specify the embedding output layer to be used for the latent space representation.
  Phân tích chi tiết: Như đã giải thích ở trên, đây là lựa chọn tối ưu vì trực tiếp hỗ trợ example-based XAI trong Vertex AI. Config embedding output layer (thường là penultimate layer của CNN như ResNet) tạo latent space, sau đó Vertex AI tự động dùng Matching Engine để fetch top-k similar examples. Kết quả: Bảng/list examples với distances, labels thực/pred, giúp visualize lý do mislabel (ví dụ: neighbors đúng label khác prediction). Hoàn hảo cho image defect detection!

🧩 Kết luận: Chọn example-based để debug hiệu quả, tránh các feature-based chỉ tập trung attribution. Áp dụng ngay trong Vertex AI Model Registry hoặc Prediction endpoints (phiên bản mới nhất 2026 hỗ trợ auto-embedding cho custom models). Nếu cần code sample, tham khảo Vertex AI SDK!

🧩 Phân tích chi tiết nội dung câu hỏi

Câu hỏi tập trung vào quy trình Machine Learning (ML) trên Vertex AI của Google Cloud, nơi bạn đang huấn luyện mô hình sử dụng dữ liệu trải rộng qua nhiều Google Cloud projects. Nhiệm vụ chính là tìm kiếm (find), theo dõi (track), và so sánh (compare) hiệu suất của các phiên bản mô hình khác nhau.

📌 Yêu cầu cốt lõi: Xây dựng workflow ML cần các dịch vụ hỗ trợ quản lý pipeline huấn luyện, theo dõi thí nghiệm (experiments), và quản lý metadata/lineage để xử lý dữ liệu đa projects một cách liền mạch. Điều này đòi hỏi các công cụ tích hợp sâu với Vertex AI, hỗ trợ cross-project tracking theo phiên bản mới nhất (cập nhật đến 2026, với Vertex AI Metadata thay thế ML Metadata cũ).

✅ Đáp án đúng: Vertex AI Pipelines, Vertex AI Experiments, and Vertex AI Metadata

Lý do lựa chọn:

• Vertex AI Pipelines 🛠️: Quản lý và orchestrate toàn bộ workflow huấn luyện ML qua nhiều projects, tự động hóa pipeline end-to-end.
• Vertex AI Experiments 📊: Theo dõi, lưu trữ metrics, hyperparameters, và so sánh hiệu suất các phiên bản mô hình một cách trực quan (qua UI hoặc API), hỗ trợ cross-project.
• Vertex AI Metadata 🔗: Theo dõi lineage dữ liệu, artifacts, và metadata qua nhiều projects, giúp "find" và trace nguồn gốc mô hình dễ dàng.
  Bộ ba này tạo thành workflow hoàn chỉnh cho MLOps trên Vertex AI, đặc biệt phù hợp với dữ liệu đa projects (theo tài liệu Vertex AI 2024-2026).

Nguồn tham khảo:

• Vertex AI Documentation - Experiments
• Vertex AI Pipelines Overview
• Vertex AI Metadata Store

📋 Giải thích tất cả các phương án (đúng/sai)

Dưới đây là phân tích từng lựa chọn, giữ nguyên văn bản gốc bằng tiếng Anh. Tôi đánh dấu ✅/❌ và giải thích rõ lý do dựa trên chức năng thực tế của các dịch vụ (cập nhật Vertex AI mới nhất đến 2026):

• ❌ Dataplex, Vertex AI Feature Store, and Vertex AI TensorBoard
  Phương án này sai vì: Dataplex chỉ tập trung vào data governance và catalog hóa dữ liệu lớn (không phải tracking mô hình). Vertex AI Feature Store dùng để quản lý features tái sử dụng, không hỗ trợ so sánh performance versions. TensorBoard chỉ visualize logs (như TensorFlow graphs), thiếu khả năng track cross-project và metadata lineage. Không phù hợp cho workflow find/track/compare models.

• ❌ Vertex AI Pipelines, Vertex AI Feature Store, and Vertex AI Experiments
  Phương án này sai vì: Mặc dù Vertex AI Pipelines và Experiments đúng phần nào (orchestrate và compare), nhưng Feature Store chỉ lưu features serving, không giúp "find/track" metadata hay lineage dữ liệu đa projects. Thiếu công cụ metadata cốt lõi, dẫn đến không hoàn chỉnh cho yêu cầu cross-project.

• ❌ Dataplex, Vertex AI Experiments, and Vertex AI ML Metadata
  Phương án này sai vì: Dataplex không liên quan trực tiếp đến ML tracking (chỉ data management). Vertex AI Experiments tốt cho compare performance, nhưng Vertex AI ML Metadata là tên cũ (đã deprecated, nay là Vertex AI Metadata) và thiếu Pipelines để orchestrate workflow huấn luyện. Không hỗ trợ đầy đủ pipeline end-to-end.

• ✅ Vertex AI Pipelines, Vertex AI Experiments, and Vertex AI Metadata
  (Đã giải thích chi tiết ở phần đáp án đúng). Bộ ba này là MLOps standard trên Vertex AI, tích hợp hoàn hảo cho dữ liệu đa projects.

💡 Lời khuyên: Trong thực tế, hãy dùng Vertex AI Workbench để setup nhanh workflow này! Nếu cần code sample, tham khảo Vertex AI Samples GitHub.

🧩 Phân tích chi tiết nội dung câu hỏi

Câu hỏi tập trung vào việc xây dựng quy trình tiền xử lý (preprocessing) dữ liệu cho mô hình phát hiện gian lận (fraud detection) sử dụng Keras và TensorFlow. Dữ liệu giao dịch khách hàng được lưu trữ trong bảng lớn (large table) trên BigQuery. Yêu cầu chính là:

• Tiền xử lý dữ liệu một cách tiết kiệm chi phí (cost-effective) và hiệu quả (efficient) trước khi huấn luyện mô hình.
• Mô hình đã huấn luyện sẽ được sử dụng để thực hiện suy luận hàng loạt (batch inference) trực tiếp trong BigQuery.

Mục tiêu cốt lõi: Tối ưu hóa quy trình để tránh di chuyển dữ liệu lớn ra khỏi BigQuery (giảm chi phí lưu trữ, truyền tải và xử lý), đồng thời hỗ trợ tích hợp mượt mà với TensorFlow cho training và inference. Đây là kịch bản điển hình trong Google Cloud ML workflow, tận dụng BigQuery như một data lake và ML serving platform (cập nhật đến 2026 với BigQuery ML và TensorFlow integrations mới nhất). 📘

✅ Đáp án đúng và lý do lựa chọn

Đáp án đúng: Perform preprocessing in BigQuery by using SQL. Use the BigQueryClient in TensorFlow to read the data directly from BigQuery.

Lý do:

• 🛠️ Tiết kiệm chi phí và hiệu quả cao: BigQuery hỗ trợ SQL mạnh mẽ cho preprocessing (như JOIN, WINDOW functions, ML functions), xử lý dữ liệu lớn mà không cần tải về (in-place processing). Không tạo file trung gian, tránh chi phí egress/storage.
• 🔄 Tích hợp trực tiếp với TensorFlow: BigQueryClient (trong tensorflow.io hoặc google-cloud-bigquery) cho phép đọc dữ liệu đã preprocess trực tiếp từ BigQuery vào TensorFlow Dataset, lý tưởng cho training và batch inference (qua BigQuery ML hoặc custom models).
• 🎯 Phù hợp batch inference trong BigQuery: Dữ liệu ở lại BigQuery, hỗ trợ remote functions hoặc BigQuery ML predictions (cập nhật 2025-2026 với Vertex AI integrations).
• Nguồn tham khảo: BigQuery TensorFlow I/O & TensorFlow IO BigQuery (Google Cloud docs, phiên bản 2026). ✅

📋 Giải thích tất cả các phương án (đúng/sai)

• Phương án SAI: Implement a preprocessing pipeline by using Apache Spark, and run the pipeline on Dataproc. Save the preprocessed data as CSV files in a Cloud Storage bucket.
  ❌ Lý do sai: Spark trên Dataproc mạnh cho ETL lớn, nhưng yêu cầu di chuyển dữ liệu từ BigQuery ra GCS dưới dạng CSV → Tăng chi phí (query + export + storage) và thời gian (data movement). Không hiệu quả cho batch inference trong BigQuery vì dữ liệu không còn native. Không tận dụng SQL đơn giản của BigQuery.

• Phương án SAI: Load the data into a pandas DataFrame. Implement the preprocessing steps using pandas transformations, and train the model directly on the DataFrame.
  ❌ Lý do sai: Pandas chỉ phù hợp dữ liệu nhỏ (không scale cho "large table" BigQuery). Tải toàn bộ dữ liệu vào memory → OOM errors, chi phí cao (VM lớn), chậm. Không cost-effective và không hỗ trợ batch inference trực tiếp BigQuery.

• Phương án ĐÚNG: Perform preprocessing in BigQuery by using SQL. Use the BigQueryClient in TensorFlow to read the data directly from BigQuery.
  ✅ Lý do đúng (như phần trên): In-place preprocessing + direct read → Siêu tiết kiệm, scalable, seamless integration. Hoàn hảo cho workflow GCP ML 2026!

• Phương án SAI: Implement a preprocessing pipeline by using Apache Beam, and run the pipeline on Dataflow. Save the preprocessed data as CSV files in a Cloud Storage bucket.
  ❌ Lý do sai: Beam/Dataflow tuyệt vời cho streaming/batch pipelines, nhưng lại export CSV sang GCS → Tương tự Spark, gây overhead di chuyển dữ liệu. Phức tạp hơn SQL thuần, không optimal cho static large tables trong BigQuery inference.

Kết luận: Phương án đúng tận dụng BigQuery làm trung tâm (serverless, SQL-native ML), phù hợp chứng chỉ Google Cloud Professional ML Engineer (exam topic: Data Prep & Training). 🚀 Nếu cần code sample, hỏi thêm nhé!

🧩 Phân tích chi tiết câu hỏi

✅ Nội dung câu hỏi:
Câu hỏi yêu cầu sử dụng TensorFlow để huấn luyện mô hình phân loại hình ảnh (image classification). Bộ dữ liệu lớn (hàng triệu ảnh đã gắn nhãn) nằm trong thư mục Cloud Storage (GCS). Trước khi huấn luyện, cần chuẩn bị dữ liệu (preprocessing) sao cho quy trình hiệu quả (efficient), có khả năng mở rộng (scalable), và ít bảo trì (low maintenance) nhất có thể.
🛠️ Yêu cầu chính: Tập trung vào quy trình preprocessing dữ liệu lớn và huấn luyện mô hình trên Google Cloud, tận dụng các dịch vụ managed như Dataflow (cho ETL scalable), TFRecord (format tối ưu cho TensorFlow với sharding), và Vertex AI Training (cho training phân tán với GPU mạnh như V100).
📘 Bối cảnh: Với dữ liệu lớn (millions of images), cần tránh đọc file trực tiếp từ GCS (chậm, không scalable), thay vào đó dùng format chuẩn hóa như TFRecord để parallel I/O hiệu quả. Vertex AI hỗ trợ version mới nhất (2026) với tích hợp tự động scaling, managed pipelines.

✅ Đáp án đúng

Phương án 1:

1. Create a Dataflow job that creates sharded TFRecord files in a Cloud Storage directory.
2. Reference tf.data.TFRecordDataset in the training script.
3. Train the model by using Vertex AI Training with a V100 GPU.

Lý do chọn đáp án này 🏆:

• Đây là best practice cho dữ liệu lớn trên GCP: Dataflow (Apache Beam) xử lý preprocessing scalable (parallel, distributed) để chuyển ảnh thô thành sharded TFRecord (format nén, hiệu quả I/O cao, hỗ trợ prefetching trong tf.data).
• tf.data.TFRecordDataset đọc dữ liệu nhanh từ GCS mà không cần tải về local.
• Vertex AI Training (custom training job) hỗ trợ multi-GPU/TPU, autoscaling, và V100 GPU cho tốc độ cao, low maintenance (managed service).
• Toàn bộ quy trình end-to-end managed, không cần quản lý infra thủ công.

📘 Tài liệu tham khảo:

• Vertex AI Training Docs (cập nhật 2025-2026: hỗ trợ TF 2.15+ với tf.data optimizations).
• Dataflow for ML Preprocessing (TFRecord pipeline template sẵn).
• TensorFlow tf.data Guide.

🔍 Giải thích tất cả các phương án

Dưới đây là phân tích từng bước của 4 phương án, giữ nguyên văn bản gốc bằng tiếng Anh. Mỗi phương án được đánh giá ✅ (đúng, hiệu quả) hoặc ❌ (sai, không scalable/low maintenance).

• Phương án 1 ✅ (ĐÚNG - Best Practice):

  1. Create a Dataflow job that creates sharded TFRecord files in a Cloud Storage directory. → Scalable: Dataflow xử lý hàng triệu ảnh parallel, output sharded TFRecord trực tiếp GCS (không cần local storage).
  2. Reference tf.data.TFRecordDataset in the training script. → Efficient: tf.data hỗ trợ distributed reading, caching, prefetching.
  3. Train the model by using Vertex AI Training with a V100 GPU. → Low maintenance: Managed service với GPU mạnh, autoscaling pods.
     Tổng: Hoàn hảo cho yêu cầu!

• Phương án 2 ❌ (SAI - Không scalable):

  1. Create a Dataflow job that moves the images into multiple Cloud Storage directories, where each directory is named according to the corresponding label → Vấn đề: Di chuyển file thô (không preprocess) vào thư mục theo label là tốn kém (I/O cao), không hiệu quả cho millions images (GCS listing chậm).
  2. Reference tfds.folder_dataset:ImageFolder in the training script. → Vấn đề: tfds (TensorFlow Datasets) với ImageFolder đọc file-by-file từ thư mục → chậm, không parallel tốt cho dữ liệu lớn.
  3. Train the model by using Vertex AI Training with a V100 GPU. → Bước này OK, nhưng preprocessing kém làm toàn bộ workflow fail.
     Tổng: Dataflow bị lạm dụng sai (chỉ move file thay vì convert format), không low maintenance.

• Phương án 3 ❌ (SAI - Không scalable, high maintenance):

  1. Create a Jupyter notebook that uses an nt-standard-64 V100 GPU Vertex AI Workbench instance. → Vấn đề: Workbench (user-managed VM) với nt-standard-64 (machine type cũ) không autoscaling.
  2. Write a Python script that creates sharded TFRecord files in a directory inside the instance. → Vấn đề: Tạo TFRecord local trên instance → RAM/disk giới hạn (hàng triệu ảnh overflow), không distributed.
  3. Reference tf.data.TFRecordDataset in the training script. → OK nếu dữ liệu đã sẵn, nhưng preprocessing local fail.
  4. Train the model by using the Workbench instance. → Vấn đề: Training trên single instance → chậm, không scalable so với Vertex AI Training.
     Tổng: Phụ thuộc Jupyter/Workbench → high maintenance, không phù hợp dữ liệu lớn.

• Phương án 4 ❌ (SAI - Tệ nhất về scalability):

  1. Create a Jupyter notebook that uses an n1-standard-64, V100 GPU Vertex AI Workbench instance. → Vấn đề: n1-standard-64 (legacy machine) không tối ưu, single instance.
  2. Write a Python script that copies the images into multiple Cloud Storage directories, where each. directory is named according to the corresponding label. → Vấn đề: Copy images thô theo label → tốn bandwidth/không gian GCS khổng lồ, I/O bottleneck.
  3. Reference tfds.foladr_dataset.ImageFolder in the training script. → Vấn đề: Lỗi chính tả "foladr_dataset" (có lẽ tfds.folder_dataset.ImageFolder), nhưng vẫn chậm như phương án 2.
  4. Train the model by using the Workbench instance. → Vấn đề: Single VM training không scalable.
     Tổng: Kết hợp mọi sai lầm: local copy, format kém, no distribution.

🛠️ Kết luận: Chỉ phương án 1 đáp ứng hiệu quả + scalable + low maintenance với GCP ML stack mới nhất (Vertex AI Pipelines tích hợp Dataflow + Training). Tránh Workbench cho production-scale data! 🚀

🧩 Phân tích chi tiết nội dung câu hỏi

Câu hỏi tập trung vào việc xây dựng một pipeline end-to-end trên Vertex AI Pipelines (một dịch vụ của Google Cloud để quản lý quy trình ML tự động hóa). Bạn đang phát triển mô hình phân loại ảnh tùy chỉnh (custom image classification model), sử dụng dataset ảnh cần tiền xử lý (preprocessing) trước khi huấn luyện: thay đổi kích thước (resizing), chuyển sang ảnh xám (grayscale), và trích xuất đặc trưng (extracting features). Bạn đã viết sẵn các hàm Python cho các bước này.
📌 Mục tiêu chính: Chọn các components phù hợp trong pipeline để thực hiện preprocessing (sử dụng Python functions) và sau đó huấn luyện mô hình tùy chỉnh. Vertex AI Pipelines hỗ trợ các ops như Dataflow, CustomJob, v.v., dựa trên Kubeflow Pipelines DSL (domain-specific language).
🛠️ Bối cảnh cập nhật 2026: Vertex AI Pipelines (dựa trên Kubeflow v2.x) ưu tiên các components như DataflowPythonJobOp cho batch processing dữ liệu lớn với Python thuần, kết hợp CustomTrainingJobOp cho training tùy chỉnh. Không liên quan AWS (có thể nhầm lẫn, vì đây là GCP thuần túy).

✅ Đáp án đúng: DataflowPythonJobOp, WaitGcpResourcesOp, and CustomTrainingJobOp

Lý do lựa chọn:

• DataflowPythonJobOp 🏗️: Hoàn hảo cho preprocessing dữ liệu lớn (như ảnh) với Python functions tùy chỉnh. Dataflow (Apache Beam-based) xử lý batch job song song, scale tự động, phù hợp resize/grayscale/extract features trên dataset ảnh lớn.
• WaitGcpResourcesOp ⏳: Đảm bảo chờ resources/artifacts từ Dataflow hoàn thành (ví dụ: output dataset đã preprocess) trước khi chuyển sang training, tránh lỗi pipeline.
• CustomTrainingJobOp 🚀: Dùng để chạy huấn luyện mô hình tùy chỉnh (custom model) trên Vertex AI, nhận input từ preprocessing.
  Kết hợp này tạo end-to-end pipeline mượt mà: preprocess → wait → train.

📘 Tài liệu tham khảo:

• Vertex AI Pipelines Components (Google Cloud Docs, cập nhật 2025).
• Kubeflow Pipelines: DataflowPythonJobOp & CustomTrainingJobOp.

📋 Giải thích tất cả các phương án

Dưới đây là phân tích từng lựa chọn một cách chi tiết, giữ nguyên văn bản gốc bằng tiếng Anh. Mỗi phương án được đánh giá đúng/sai với lý do cụ thể:

• [SAI] DataprocSparkBatchOp and CustomTrainingJobOp ❌
  Lý do sai: DataprocSparkBatchOp dành cho Spark jobs trên Dataproc (xử lý dữ liệu lớn với Spark/Scala/Python), không phải Python thuần túy cho preprocessing ảnh đơn giản. Không hỗ trợ tốt custom Python functions như resize/grayscale mà không cần viết Spark code phức tạp. Thiếu op chờ/wait và không scale tốt cho image processing so với Dataflow. Chỉ có training job là đúng, nhưng tổng thể không phù hợp end-to-end.

• [ĐÚNG] DataflowPythonJobOp, WaitGcpResourcesOp, and CustomTrainingJobOp ✅
  Lý do đúng: Như đã giải thích ở trên – bộ ba hoàn chỉnh: preprocessing với Dataflow (Python-native) → chờ output → custom training. Đây là best practice cho Vertex AI Pipelines với dataset ảnh cần custom preprocess (cập nhật Kubeflow 2.7+ năm 2025).

• [SAI] dsl.ParallelFor, dsl.component, and CustomTrainingJobOp ❌
  Lý do sai: dsl.ParallelFor và dsl.component là Kubeflow DSL constructs chung (loop song song và định nghĩa component tùy chỉnh), không phải ops cụ thể cho batch preprocessing dữ liệu lớn. Chúng yêu cầu tự implement container/job, phức tạp hơn Dataflow cho image tasks. Không đảm bảo scale cho dataset ảnh, và thiếu xử lý input/output tự động.

• [SAI] ImageDatasetImportDataOp, dsl.component, and AutoMLImageTrainingJobRunOp ❌
  Lý do sai: ImageDatasetImportDataOp chỉ import dataset thô vào Vertex AI Dataset (không preprocess custom). dsl.component quá chung chung. AutoMLImageTrainingJobRunOp dùng AutoML (không phải custom model/training). Toàn bộ tập trung AutoML thay vì custom Python preprocess + training, vi phạm yêu cầu "custom image classification model".

🏆 Kết luận: Chọn đáp án đúng để pipeline hiệu quả, scalable trên Vertex AI. Nếu implement thực tế, dùng kfp.dsl.pipeline để ghép các ops này! 🚀

🧩 Phân tích chi tiết nội dung câu hỏi

Câu hỏi này thuộc lĩnh vực Machine Learning Operations (MLOps) trên Google Cloud Platform (GCP), cụ thể liên quan đến việc triển khai và giám sát mô hình học máy trên Vertex AI.

• Bối cảnh: Bạn làm việc cho một công ty bán lẻ sử dụng mô hình hồi quy (regression model) được xây dựng bằng BigQuery ML để dự đoán doanh số sản phẩm. Mô hình này đang phục vụ online predictions (dự đoán thời gian thực). Gần đây, bạn phát triển phiên bản mới với kiến trúc khác (custom model). Phân tích ban đầu cho thấy cả hai mô hình đều hoạt động tốt.
• Yêu cầu chính: Triển khai phiên bản mới lên production, giám sát hiệu suất trong 2 tháng tới, đồng thời tối thiểu hóa tác động đến người dùng hiện tại và tương lai (không gây gián đoạn dịch vụ).
• Thách thức: Cần một chiến lược triển khai an toàn như canary deployment hoặc A/B testing, nơi phần lớn traffic (95%) vẫn đi đến mô hình cũ (BigQuery ML), chỉ 5% đến mô hình mới để test dần dần.
• Lưu ý kiến thức cập nhật (đến 2026): Vertex AI (phiên bản mới nhất 2025-2026) hỗ trợ đầy đủ Model Registry để quản lý nhiều phiên bản mô hình, multi-model endpoints với traffic splitting (tỷ lệ phân bổ traffic linh hoạt giữa các phiên bản). BigQuery ML models có thể được export/import vào Vertex AI để serve online predictions. Không liên quan AWS như đề cập (có thể nhầm lẫn), đây thuần GCP features.

📘 Tài liệu tham khảo:

• Vertex AI Model Deployment & Traffic Splitting (Google Cloud Docs, cập nhật 2025).
• BigQuery ML to Vertex AI Migration (Official guide).

✅ Đáp án đúng và lý do lựa chọn

Đáp án đúng: Import the new model to the same Vertex AI Model Registry as a different version of the existing model. Deploy the new model to the same Vertex AI endpoint as the existing model, and use traffic splitting to route 95% of production traffic to the BigQuery ML model and 5% of production traffic to the new model.

Lý do 🛠️:

• Đây là cách tối ưu nhất cho blue-green/canary deployment trên Vertex AI: Import cả hai mô hình (old: BigQuery ML exported, new: custom) vào cùng Model Registry dưới dạng phiên bản khác nhau (versioning tự động).
• Deploy cùng một endpoint (multi-model endpoint), sử dụng traffic splitting (tính năng Vertex AI hỗ trợ tỷ lệ % traffic chính xác 95/5). Điều này minimize impact vì:
  • Không gián đoạn người dùng cũ (95% traffic ổn định).
  • Dễ giám sát 2 tháng (metrics riêng cho từng version qua Vertex AI Monitoring).
  • Rollback nhanh nếu new model kém (chuyển 100% traffic về old).
• Phù hợp kiến trúc GCP mới nhất: Hỗ trợ lên đến 6 models/endpoint, auto-scaling.

📋 Giải thích tất cả các phương án (đúng/sai)

Dưới đây là phân tích từng lựa chọn, giữ nguyên văn bản gốc tiếng Anh. Mỗi phương án được đánh giá ✅ (đúng) hoặc ❌ (sai), kèm lý do chi tiết bằng tiếng Việt.

• ✅ [ĐÚNG] Import the new model to the same Vertex AI Model Registry as a different version of the existing model. Deploy the new model to the same Vertex AI endpoint as the existing model, and use traffic splitting to route 95% of production traffic to the BigQuery ML model and 5% of production traffic to the new model.
  🧩 Lý do đúng: Như giải thích ở trên. Đây là best practice cho production deployment với monitoring thấp rủi ro. Traffic splitting chỉ khả dụng khi deploy cùng endpoint và cùng registry.

• ❌ [SAI] Import the new model to the same Vertex AI Model Registry as the existing model. Deploy the models to one Vertex AI endpoint. Route 95% of production traffic to the BigQuery ML model and 5% of production traffic to the new model.
  🛠️ Lý do sai: Mặc dù import cùng registry và deploy cùng endpoint (đúng hướng), nhưng không chỉ rõ "traffic splitting" – đây là cơ chế chính thức của Vertex AI để route % traffic. Cách này mơ hồ, không đảm bảo triển khai đúng (có thể fail vì thiếu config splitting), dẫn đến rủi ro cao hơn.

• ❌ [SAI] Import the new model to the same Vertex AI Model Registry as the existing model. Deploy each model to a separate Vertex AI endpoint.
  🚫 Lý do sai: Deploy riêng endpoint không hỗ trợ traffic splitting tự động (phải tự code router bên ngoài). Tăng chi phí (2 endpoints), phức tạp quản lý, và không minimize impact (khó route 95/5 mượt mà, dễ gián đoạn khi switch). Không phù hợp canary deployment chuẩn Vertex AI.

• ❌ [SAI] Deploy the new model to a separate Vertex AI endpoint. Create a Cloud Run service that routes the prediction requests to the corresponding endpoints based on the input feature values.
  🚫 Lý do sai: Sử dụng Cloud Run làm router dựa trên input features (không phải % traffic cố định 95/5). Điều này over-engineered, tốn kém (extra service), phức tạp debug/scale, và không minimize impact (dễ latency cao, routing bias theo features thay vì random canary). Vertex AI không khuyến nghị cho online predictions.

Kết luận 🎯: Chiến lược đúng tận dụng native features của Vertex AI để an toàn, tiết kiệm, dễ monitor. Nếu triển khai, dùng CLI: gcloud ai endpoints deploy-model với --traffic-split.

🧩 Phân tích nội dung câu hỏi

Câu hỏi tập trung vào việc phát triển một mô hình phân loại hình ảnh tùy chỉnh bằng Vertex AI và TensorFlow trên Google Cloud. Yêu cầu chính là:

• Làm cho quyết định của mô hình và lý do (rationale) dễ hiểu với các bên liên quan (stakeholders).
• Khám phá kết quả để phát hiện vấn đề hoặc bias tiềm ẩn (thiên kiến). Mục tiêu là chọn giải pháp phù hợp nhất trong Vertex AI để đạt explainability (khả năng giải thích), không chỉ đánh giá metrics thông thường mà còn phân tích sâu để hiểu hành vi mô hình trên toàn dataset. Đây là kỹ năng cốt lõi của Google Cloud Professional Machine Learning Engineer, sử dụng các công cụ như Vertex Explainable AI (cập nhật đến phiên bản mới nhất 2024-2026, hỗ trợ tích hợp sâu với Vertex AI Pipelines và Model Monitoring).

✅ Đáp án đúng và lý do lựa chọn

Đáp án đúng là phương án 4:

1. Use Vertex Explainable AI to generate feature attributions. Aggregate feature attributions over the entire dataset.
   2. Analyze the aggregation result together with the standard model evaluation metrics.

Lý do chọn đáp án này 🛠️:

• Vertex Explainable AI cung cấp feature attributions (đóng góp của từng feature/pixel vào quyết định dự đoán), giúp stakeholders hiểu rationale cụ thể (ví dụ: pixel nào ảnh hưởng nhất đến phân loại).
• Aggregate (tổng hợp) feature attributions trên toàn dataset cho phép khám phá bias (ví dụ: mô hình thiên về màu sắc nhất định ở nhóm dữ liệu nào), kết hợp với metrics chuẩn (accuracy, precision, recall) để phân tích toàn diện.
• Đây là best practice theo tài liệu Google Cloud (Vertex AI Explainability), phù hợp với yêu cầu "understandable decisions" và "explore issues/biases". Không phương án nào khác làm được aggregate để phát hiện bias toàn cục.

📋 Giải thích tất cả các phương án

Dưới đây là phân tích chi tiết từng phương án, giữ nguyên văn bản gốc bằng tiếng Anh. Mỗi phương án được đánh giá đúng/sai với lý do cụ thể dựa trên tính năng Vertex AI mới nhất (2026):

• Phương án 1 (❌ SAI):

  1. Use TensorFlow to generate and visualize features and statistics.
     2. Analyze the results together with the standard model evaluation metrics.
     Lý do sai: TensorFlow chỉ hỗ trợ visualize features thủ công (như histograms qua tf.summary), không phải explainability chuẩn cho decisions/rationale. Không aggregate để detect bias, chỉ là stats cơ bản, không đáp ứng yêu cầu "model’s decisions understandable" hay explore issues sâu.

• Phương án 2 (❌ SAI):

  1. Use TensorFlow Profiler to visualize the model execution.
     2. Analyze the relationship between incorrect predictions and execution bottlenecks.
     Lý do sai: TensorFlow Profiler (có trong Vertex AI Workbench) chỉ phân tích performance (thời gian, memory, bottlenecks), không giải thích decisions hay rationale. Không liên quan đến bias hoặc stakeholders hiểu mô hình, chỉ tập trung execution chứ không phải predictions.

• Phương án 3 (❌ SAI):

  1. Use Vertex Explainable AI to generate example-based explanations.
     2. Visualize the results of sample inputs from the entire dataset together with the standard model evaluation metrics.
     Lý do sai: Vertex Explainable AI có example-based explanations (dựa nearest neighbors/prototypes), nhưng chỉ visualize sample inputs (mẫu), không aggregate toàn dataset để detect bias toàn cục. Không cung cấp feature-level rationale sâu như attributions, chỉ "gần giống" chứ không giải thích decisions chi tiết.

• Phương án 4 (✅ ĐÚNG):

  1. Use Vertex Explainable AI to generate feature attributions. Aggregate feature attributions over the entire dataset.
     2. Analyze the aggregation result together with the standard model evaluation metrics.
     Lý do đúng (như đã giải thích ở trên): Hoàn hảo cho explainability, rationale qua attributions, và bias detection qua aggregation. Tích hợp trực tiếp với Vertex AI Model Registry.

📘 Tài liệu tham khảo

• Vertex Explainable AI Documentation: cloud.google.com/vertex-ai/docs/explainable-ai (cập nhật 2024-2026, hỗ trợ XAI cho TensorFlow/Keras).
• Google Cloud ML Engineer Exam Guide: cloud.google.com/learn/certification/guides/machine-learning-engineer – Phần Explainability & Model Monitoring.
• Best Practices: Vertex AI Pipelines với Explainable AI (ví dụ code trên GitHub: github.com/GoogleCloudPlatform/vertex-ai-samples).

Hy vọng phân tích này giúp bạn ôn thi hiệu quả! 🚀 Nếu cần ví dụ code, hãy hỏi thêm.