Ngân hàng đề — Google Cloud Professional Machine Learning Engineer

🧩 Phân tích chi tiết nội dung câu hỏi

Câu hỏi yêu cầu xây dựng một pipeline MLOps để retrain các mô hình dựa trên cây (tree-based models) trong môi trường production. Pipeline bao gồm các thành phần chính:

• Data ingestion (thu thập dữ liệu)
• Data processing (xử lý dữ liệu, sử dụng chủ yếu PySpark-based workloads)
• Model training (huấn luyện mô hình)
• Model evaluation (đánh giá mô hình)
• Model deployment (triển khai mô hình)

Mục tiêu chính là tối thiểu hóa nỗ lực quản lý hạ tầng (minimize infrastructure management effort). Tổ chức đang dùng PySpark cho data preprocessing, nên cần tích hợp mượt mà với các dịch vụ Google Cloud. Đây là câu hỏi kiểm tra kiến thức về orchestration pipeline trên Vertex AI Pipelines và tích hợp Dataproc cho PySpark, phù hợp với best practices MLOps trên GCP (cập nhật đến 2026, Vertex AI Pipelines hỗ trợ fully managed, serverless orchestration với predefined components).

📘 Tài liệu tham khảo:

• Vertex AI Pipelines Documentation (Google Cloud, cập nhật 2025).
• Dataproc PySpark Components in Vertex AI (predefined components cho PySpark jobs).

✅ Đáp án đúng và lý do lựa chọn

Đáp án đúng: Set up a Vertex AI Pipelines to orchestrate the MLOps pipeline. Use the predefined Dataproc component for the PySpark-based workloads.

Lý do:
🛠️ Vertex AI Pipelines là dịch vụ fully managed, serverless trên Google Cloud, lý tưởng để orchestrate toàn bộ MLOps pipeline mà không cần quản lý hạ tầng (không lo scaling, networking). Nó hỗ trợ predefined Dataproc component chuyên biệt cho PySpark workloads (từ Vertex AI v1.XX+ 2025), cho phép submit PySpark jobs trực tiếp lên Dataproc clusters mà không viết custom code. Điều này tối ưu hóa effort, phù hợp với tree-based models (như XGBoost, hỗ trợ qua Vertex AI Training). Tích hợp seamless với các bước khác như training/evaluation trên Vertex AI.

❌ Phân tích tất cả các phương án (đúng/sai)

Dưới đây là phân tích chi tiết từng lựa chọn, giữ nguyên văn bản gốc bằng tiếng Anh. Mỗi phương án được đánh giá dựa trên tính phù hợp với yêu cầu minimize infrastructure và tích hợp PySpark/Dataproc:

• Set up a TensorFlow Extended (TFX) pipeline on Vertex AI Pipelines to orchestrate the MLOps pipeline. Write a custom component for the PySpark-based workloads on Dataproc.
  ❌ Sai: TFX là framework dành riêng cho TensorFlow workflows (không phù hợp tree-based models như XGBoost/LightGBM). Phải viết custom component cho PySpark tăng effort phát triển và quản lý, vi phạm yêu cầu minimize infrastructure. Vertex AI Pipelines hỗ trợ TFX nhưng không cần thiết ở đây.

• Set up a Vertex AI Pipelines to orchestrate the MLOps pipeline. Use the predefined Dataproc component for the PySpark-based workloads.
  ✅ Đúng: Như giải thích ở trên, đây là lựa chọn tối ưu với predefined component (serverless PySpark submit), không cần custom code, fully managed toàn pipeline. Hỗ trợ end-to-end MLOps cho non-TF models.

• Set up Kubeflow Pipelines on Google Kubernetes Engine to orchestrate the MLOps pipeline. Write a custom component for the PySparkbased workloads on Dataproc.
  ❌ Sai: Kubeflow trên GKE yêu cầu quản lý Kubernetes cluster (scaling, security, upgrades), tăng infrastructure effort đáng kể. Phải viết custom component cho PySpark không hiệu quả; Vertex AI Pipelines tốt hơn vì managed. Kubeflow phù hợp custom ML nhưng không minimize effort.

• Set up Cloud Composer to orchestrate the MLOps pipeline. Use Dataproc workflow templates for the PySpark-based workloads in Cloud Composer.
  ❌ Sai: Cloud Composer (Managed Apache Airflow) tốt cho data workflows nhưng không phải MLOps-native như Vertex AI Pipelines (thiếu tích hợp sâu training/evaluation/deployment). Dataproc workflow templates cần config thủ công trong DAGs, tăng complexity và effort quản lý so với predefined components. Không lý tưởng cho retraining tree-based models.

🧠 Kết luận: Lựa chọn đúng tận dụng fully managed services của GCP, đảm bảo scalability và low-ops cho MLOps pipeline với PySpark! 🚀

🧩 Phân tích chi tiết nội dung câu hỏi

Câu hỏi tập trung vào việc triển khai (deploy) một mô hình AutoML tabular classification trên Vertex AI endpoint của Google Cloud. Mô hình này dùng để xác định khách hàng giá trị cao tương tác với website của tổ chức. Kế hoạch tích hợp endpoint này với ứng dụng website, với lưu lượng truy cập tăng cao vào ban đêm và cuối tuần. Mục tiêu chính là cấu hình cài đặt triển khai endpoint để giảm thiểu độ trễ (latency) và chi phí (cost).

• Bối cảnh kỹ thuật: Vertex AI hỗ trợ triển khai mô hình AutoML tabular (dùng CPU là chính, không cần GPU vì là dữ liệu bảng đơn giản). Endpoint cần tự động scale (autoscaling) để xử lý traffic biến động: thấp bình thường → cao đột biến.
• Yêu cầu cân bằng:
  • Giảm latency: Scale up replicas nhanh khi traffic cao.
  • Giảm cost: Sử dụng máy nhỏ (machine type nhỏ), min replica thấp (chỉ chạy ít khi idle), max replica cao (scale linh hoạt).
• Kiến thức Vertex AI (cập nhật đến 2026): Sử dụng machine type n1-standard-X (CPU-only cho tabular), kết hợp minReplicaCount (số replica tối thiểu luôn chạy) và maxReplicaCount (tối đa khi scale). Autoscaling dựa trên CPU utilization hoặc request rate. ✅ Phù hợp cho workload website với peak nights/weekends.

📘 Tài liệu tham khảo:

• Vertex AI Prediction: Deploy tabular models (Google Cloud Docs, phiên bản 2024-2026).
• Autoscaling for Vertex AI endpoints.

✅ Đáp án đúng và lý do lựa chọn

Đáp án đúng: Configure the model deployment settings to use an n1-standard-4 machine type. Set the minReplicaCount value to 1 and the maxReplicaCount value to 8.

Lý do 🛠️:

• n1-standard-4: Máy nhỏ (4 vCPU, 15GB RAM), phù hợp tabular model (không cần GPU, CPU đủ xử lý inference nhanh). Giá rẻ hơn so với máy lớn.
• minReplicaCount=1: Chỉ chạy 1 replica khi traffic thấp (ban ngày), tiết kiệm chi phí ~80-90% so với chạy nhiều.
• maxReplicaCount=8: Scale lên 8 replicas khi traffic cao (nights/weekends), đảm bảo low latency (<100ms/request) nhờ phân tải.
• Cân bằng tối ưu: Tổng cost thấp (chạy ít máy nhỏ), latency ổn định nhờ autoscaling. Đây là best practice cho workload biến động theo Google Cloud.

❌ Phân tích tất cả các phương án (đúng/sai)

• [SAI] Configure the model deployment settings to use an n1-standard-32 machine type.
  ❌ Lý do sai: n1-standard-32 quá lớn (32 vCPU, 120GB RAM), chi phí cao ngay cả min=1 (không linh hoạt scale). Không cần CPU mạnh cho tabular inference → lãng phí, không minimize cost. Latency có thể tốt nhưng overprovisioning.

• [ĐÚNG] Configure the model deployment settings to use an n1-standard-4 machine type. Set the minReplicaCount value to 1 and the maxReplicaCount value to 8.
  ✅ Lý do đúng: Như phân tích trên – máy nhỏ + scale 1→8 lý tưởng cho traffic peak, cost thấp (idle rẻ), latency thấp (scale nhanh). Best practice từ docs Vertex AI cho endpoints website.

• [SAI] Configure the model deployment settings to use an n1-standard-4 machine type and a GPU accelerator. Set the minReplicaCount value to 1 and the maxReplicaCount value to 4.
  ❌ Lý do sai: GPU không cần thiết cho AutoML tabular (CPU-based inference, như XGBoost/AutoGluon). Thêm GPU → tăng cost 2-5x (GPU đắt), max=4 hạn chế scale → latency cao khi peak traffic. Không optimize cho tabular.

• [SAI] Configure the model deployment settings to use an n1-standard-8 machine type and a GPU accelerator.
  ❌ Lý do sai: n1-standard-8 + GPU overkill (máy trung bình + GPU đắt đỏ), cost cao liên tục. Tabular không dùng GPU → lãng phí, không scale linh hoạt (không đề cập min/max). Latency tốt nhưng vi phạm minimize cost.

🧩 Tóm tắt khuyến nghị: Chọn phương án scale động với máy CPU nhỏ để handle peak traffic hiệu quả trên Vertex AI! 🚀

🧩 Phân tích chi tiết nội dung câu hỏi

Câu hỏi này thuộc lĩnh vực BigQuery ML trên Google Cloud Platform (GCP), tập trung vào việc tối ưu hóa quy trình huấn luyện mô hình hồi quy tuyến tính (linear regressor) khi dữ liệu mới được thêm vào bảng BigQuery mỗi phút.

• Bối cảnh chính:

  • Bạn đã xây dựng mô hình bằng dữ liệu huấn luyện từ bảng BigQuery.
  • Dữ liệu mới cập nhật liên tục (mỗi phút), và bạn tự động hóa huấn luyện hàng giờ bằng Cloud Scheduler (lập lịch) kết hợp Vertex AI Pipelines (quản lý pipeline ML).
  • Mô hình dùng cho inference trực tiếp (dự đoán ngay).
  • Xử lý đặc trưng (feature preprocessing): Bao gồm quantile bucketization (phân bucket theo phân vị) và MinMax scaling (chuẩn hóa Min-Max) trên dữ liệu của giờ gần nhất.

• Mục tiêu cốt lõi: Giảm thiểu overhead lưu trữ (storage) và tính toán (compute), vì dữ liệu liên tục cập nhật, không muốn tạo thêm bảng trung gian hoặc tính toán thừa.

Vấn đề then chốt là cần tính toán thống kê (statistics) cho preprocessing on-the-fly (tại chỗ) trong quá trình huấn luyện, mà không lưu trữ riêng hoặc dùng pipeline phức tạp, để phù hợp với tần suất huấn luyện hàng giờ và dữ liệu streaming.

📘 Tài liệu tham khảo:

• BigQuery ML Documentation - CREATE MODEL with TRANSFORM (cập nhật đến 2024-2025, vẫn áp dụng 2026).
• Vertex AI Pipelines & BigQuery ML Integration (phiên bản mới nhất 2025).

✅ Đáp án đúng và lý do lựa chọn

Đáp án đúng: Use the TRANSFORM clause in the CREATE MODEL statement in the SQL query to calculate the required statistics.

Lý do 🛠️:

• Clause TRANSFORM trong lệnh CREATE MODEL của BigQuery ML cho phép tự động tính toán statistics (như quantiles cho bucketization và min/max cho scaling) trực tiếp trong quá trình huấn luyện, mà không cần lưu trữ dữ liệu đã xử lý hay bảng thống kê riêng.
• Điều này tối ưu hóa hoàn hảo cho dữ liệu cập nhật mỗi phút và huấn luyện hàng giờ: BigQuery tự động quét dữ liệu giờ gần nhất, tính stats on-the-fly, giảm storage (không tạo bảng staging) và compute (không cần pipeline component riêng).
• Hỗ trợ inference trực tiếp qua SQL, tích hợp mượt mà với Cloud Scheduler + Vertex AI Pipelines (chạy SQL query tự động).
• Phù hợp phiên bản mới nhất (2025-2026): BigQuery ML hỗ trợ TRANSFORM cho linear regressor với các transform như ML.QUANTILE_BUCKETING và ML.MIN_MAX_SCALER_FN.

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

• [SAI] Preprocess and stage the data in BigQuery prior to feeding it to the model during training and inference.
  Lý do sai ❌: Việc preprocess và lưu trữ dữ liệu đã xử lý (staging) vào BigQuery trước khi huấn luyện/inference sẽ tăng storage overhead (tạo bảng mới liên tục mỗi giờ) và compute overhead (chạy ETL job riêng). Không phù hợp dữ liệu streaming mỗi phút, dễ dẫn đến dữ liệu cũ/lỗi đồng bộ.

• [ĐÚNG] Use the TRANSFORM clause in the CREATE MODEL statement in the SQL query to calculate the required statistics.
  Lý do đúng ✅: Như đã giải thích ở trên – tính toán statistics tự động trong CREATE MODEL, zero storage extra, compute tối ưu, lý tưởng cho huấn luyện định kỳ và inference trực tiếp. Ví dụ SQL: CREATE MODEL ... TRANSFORM(ML.QUANTILE_BUCKETING(...), ML.MIN_MAX_SCALER_FN(...)).

• [SAI] Create a component in the Vertex AI Pipelines directed acyclic graph (DAG) to calculate the required statistics, and pass the statistics on to subsequent components.
  Lý do sai ❌: Tạo component riêng trong DAG của Vertex AI Pipelines để tính stats rồi truyền tiếp sẽ tăng compute overhead (chạy nhiều step pipeline) và phức tạp hóa (cần code custom, quản lý dependency). Không cần thiết khi BigQuery ML đã có TRANSFORM tích hợp sẵn.

• [SAI] Create SQL queries to calculate and store the required statistics in separate BigQuery tables that are referenced in the CREATE MODEL statement.
  Lý do sai ❌: Tính và lưu stats vào bảng BigQuery riêng rồi reference sẽ tạo storage overhead lớn (bảng stats cập nhật mỗi giờ) và compute thừa (query tính stats riêng biệt). Dễ lỗi khi dữ liệu phút mới làm stats cũ, không tối ưu bằng TRANSFORM on-the-fly.

Kết luận 🎯: Sử dụng TRANSFORM clause là giải pháp native, hiệu quả nhất của BigQuery ML, giúp pipeline đơn giản và tiết kiệm chi phí nhất!

🧩 Phân tích chi tiết nội dung câu hỏi

Câu hỏi tập trung vào việc sử dụng dịch vụ hypertuning (tối ưu hóa siêu tham số) của Vertex AI (Google Cloud) để tìm kiếm kiến trúc mô hình và giá trị siêu tham số tốt nhất nhằm giảm thiểu training loss và tối đa hóa hiệu suất mô hình.

• Bạn đã phát triển một module Python sử dụng Keras để huấn luyện mô hình hồi quy (regression model).
• Module có hai kiến trúc mô hình:
  • Linear regression (hồi quy tuyến tính).
  • Deep Neural Network (DNN) (mạng nơ-ron sâu).
• Cách chọn kiến trúc: Sử dụng đối số training_method để quyết định (ví dụ: "linear" hoặc "dnn").
• Siêu tham số cho DNN: learning_rate (tốc độ học) và num_hidden_layers (số lớp ẩn).
• Mục tiêu: Sử dụng hypertuning job với ngân sách 100 trials (100 lần thử nghiệm) để xác định kiến trúc tốt nhất và siêu tham số tối ưu, dựa trên chỉ số training loss thấp nhất và hiệu suất cao.

🛠️ Vấn đề cốt lõi: Làm thế nào để tối ưu hóa hiệu quả trong một job duy nhất, tận dụng conditional hyperparameters (siêu tham số có điều kiện) dựa trên parent hyperparameter (training_method), tránh lãng phí trials và đảm bảo so sánh công bằng giữa hai kiến trúc. Vertex AI hỗ trợ tính năng này từ các phiên bản mới nhất (cập nhật đến 2026), cho phép định nghĩa cây phụ thuộc hyperparameters để khám phá không gian tìm kiếm thông minh hơn. 📘

✅ Đáp án đúng và lý do lựa chọn

Đáp án đúng:
Run one hypertuning job for 100 trials. Set num_hidden_layers and learning_rate as conditional hyperparameters based on their parent hyperparameter training_method.

Lý do chọn đáp án này 🏆:

• Đây là cách hiệu quả nhất để sử dụng đầy đủ 100 trials trong một hypertuning job duy nhất.
• Conditional hyperparameters cho phép:
  • training_method làm parent hyperparameter (ví dụ: Categorical với giá trị ["linear", "dnn"]).
  • num_hidden_layers và learning_rate chỉ được kích hoạt và tune khi training_method = "dnn", tránh lãng phí trials trên linear regression (không cần các tham số này).
• Vertex AI sẽ tự động phân bổ trials thông minh (sử dụng thuật toán như Bayesian Optimization), khám phá cả hai kiến trúc và siêu tham số tương ứng, dẫn đến training loss thấp nhất và hiệu suất tốt nhất.
• Phù hợp với best practices của Vertex AI Hyperparameter Tuning (cập nhật 2024-2026), hỗ trợ conditional params để xử lý multi-architecture.

📘 Tài liệu tham khảo:

• Vertex AI Hyperparameter Tuning Overview (Conditional hyperparameters section).
• Study Guide for Professional ML Engineer (Google Cloud Skills Boost, cập nhật 2026).

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

• [SAI] Run one hypertuning job for 100 trials. Set num_hidden_layers as a conditional hyperparameter based on its parent hyperparameter training_method, and set learning_rate as a non-conditional hyperparameter. ❌
  Giải thích sai: Phương án này không hợp lý vì learning_rate được đặt làm non-conditional (luôn tune cho mọi trials), dẫn đến lãng phí trials khi training_method = "linear" (linear regression không sử dụng learning_rate). Kết quả: Không gian tìm kiếm bị phân tán, không tối ưu hóa đầy đủ cho DNN và có thể chọn sai kiến trúc tốt nhất. Vertex AI yêu cầu cả hai phải conditional để tránh lỗi này.

• [SAI] Run two separate hypertuning jobs, a linear regression job for 50 trials, and a DNN job for 50 trials. Compare their final performance on a common validation set, and select the set of hyperparameters with the least training loss. ❌
  Giải thích sai: Việc chạy hai jobs riêng biệt với 50 trials mỗi job lãng phí ngân sách (không tận dụng 100 trials trong một job thống nhất). Không có cơ chế tự động so sánh giữa architectures; phải thủ công validate trên common validation set, dễ bias và tốn thời gian. Vertex AI khuyến nghị một job với conditional params để tự động hóa và hiệu quả hơn.

• [SAI] Run one hypertuning job with training_method as the hyperparameter for 50 trials. Select the architecture with the lowest training loss, and further hypertune it and its corresponding hyperparameters tor 50 trials. ❌
  Giải thích sai: Giai đoạn đầu chỉ tune training_method với 50 trials là không hiệu quả, vì không khám phá sâu siêu tham số (chỉ chọn architecture thô). Giai đoạn sau tune tiếp 50 trials nhưng riêng lẻ, có nguy cơ chọn sai architecture ban đầu do sample ít. Không tận dụng conditional hyperparameters của Vertex AI, dẫn đến training loss cao hơn so với phương án đúng.

Phương án đúng là lựa chọn tối ưu nhất theo tài liệu Vertex AI mới nhất! 🚀 Nếu cần code sample config YAML cho hypertuning job, hãy cho tôi biết nhé. 😊

🧩 Phân tích chi tiết nội dung câu hỏi

Câu hỏi xoay quanh tình huống bạn làm việc tại một bệnh viện, đã được phê duyệt thu thập dữ liệu bệnh nhân cần thiết và huấn luyện mô hình Vertex AI tabular AutoML để tính toán risk score (điểm rủi ro nhập viện) cho bệnh nhân. Mô hình đã được triển khai (deployed). Tuy nhiên, bạn lo ngại rằng đặc điểm nhân khẩu học (patient demographics) có thể thay đổi theo thời gian, dẫn đến sự thay đổi trong tương tác giữa các features (feature interactions), từ đó ảnh hưởng đến độ chính xác dự đoán (prediction accuracy).

Yêu cầu chính:

• Nhận cảnh báo (alerted) nếu feature interactions thay đổi.
• Hiểu rõ tầm quan trọng của các features đối với dự đoán (importance of the features for the predictions).
• Tiếp cận cảnh báo phải giảm thiểu chi phí (minimize cost).

🛠️ Giải pháp cần tìm: Sử dụng tính năng Model Monitoring trong Vertex AI (cập nhật mới nhất đến 2024-2026 theo tài liệu Google Cloud), tập trung vào việc giám sát sự thay đổi của feature attributions (tầm quan trọng đóng góp của features vào predictions), thay vì chỉ drift thông thường, và tối ưu hóa sampling rate để tiết kiệm chi phí.

📘 Tài liệu tham khảo:

• Vertex AI Model Monitoring (Google Cloud Docs, cập nhật 2024).
• Feature Attribution Drift Monitoring – Giải thích chi tiết về giám sát drift của attributions.
• Cost Optimization in Monitoring – Khuyến nghị sampling rate thấp để giảm chi phí.

✅ Đáp án đúng và lý do lựa chọn

Đáp án đúng: Create a feature attribution drift monitoring job. Set the sampling rate to 0.1 and the monitoring frequency to weekly.

Lý do:

• Feature attribution drift monitoring chính xác theo dõi sự thay đổi trong tầm quan trọng của features (feature attributions) so với baseline (dữ liệu huấn luyện), giúp phát hiện thay đổi feature interactions gián tiếp vì attributions phản ánh cách features tương tác ảnh hưởng đến predictions. Điều này phù hợp với nhu cầu hiểu importance và alert nếu interactions thay đổi.
• Sampling rate 0.1 (10% dữ liệu) thay vì 1 (100%) giúp giảm thiểu chi phí đáng kể, vì Vertex AI tính phí dựa trên số lượng instances được giám sát (chi phí thấp hơn ~10 lần).
• Weekly frequency cân bằng giữa phát hiện kịp thời và tiết kiệm tài nguyên, phù hợp với dữ liệu bệnh viện không thay đổi quá nhanh.
• Đây là best practice theo docs Vertex AI cho AutoML tabular models.

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

• [SAI] Create a feature drift monitoring job. Set the sampling rate to 1 and the monitoring frequency to weekly.
  ❌ Sai vì: Feature drift chỉ giám sát sự thay đổi phân phối features (distribution skew), không phát hiện feature interactions hay importance của features. Sampling rate 1 (100%) tốn kém cao, không minimize cost. Không đáp ứng đầy đủ yêu cầu alert về interactions và understanding importance.

• [SAI] Create a feature drift monitoring job. Set the sampling rate to 0.1 and the monitoring frequency to weekly.
  ❌ Sai vì: Vẫn dùng feature drift, chỉ tập trung vào distribution thay đổi (như demographics drift), không theo dõi attributions hay interactions ảnh hưởng predictions. Dù sampling 0.1 tiết kiệm cost, nhưng thiếu tính năng cốt lõi cần thiết.

• [SAI] Create a feature attribution drift monitoring job. Set the sampling rate to 1 and the monitoring frequency to weekly.
  ❌ Sai vì: Feature attribution drift đúng loại (phù hợp alert interactions và importance), nhưng sampling rate 1 (100%) làm tăng chi phí không cần thiết (Vertex AI charge per instance monitored). Không minimize cost như yêu cầu.

• [ĐÚNG] Create a feature attribution drift monitoring job. Set the sampling rate to 0.1 and the monitoring frequency to weekly.
  ✅ Đúng vì: Kết hợp hoàn hảo feature attribution drift (phát hiện thay đổi interactions/importance) với sampling 0.1 (tiết kiệm ~90% cost so với rate 1) và weekly (hiệu quả). Đáp ứng tất cả: alert, understanding, low cost. Best practice cho production models như AutoML tabular.

🧠 Lưu ý bổ sung: Trong Vertex AI (2024+), feature attribution drift sử dụng SHAP-based explanations cho AutoML, tự động alert qua Cloud Monitoring nếu drift vượt threshold (default KS statistic > 0.2). Sampling rate linh hoạt từ 0.001-1 để optimize!

🧩 Giải thích nội dung câu hỏi

Câu hỏi tập trung vào việc cấu hình một pipeline TFX (TensorFlow Extended) sử dụng các thành phần chuẩn của TFX, bao gồm các bước xử lý dữ liệu trước (data preprocessing). Pipeline này sẽ được triển khai lên production và xử lý lên đến 100 TB dữ liệu lưu trữ trong BigQuery. Yêu cầu chính là:

• Scale hiệu quả cho khối lượng dữ liệu lớn.
• Publish metrics và parameters lên Vertex AI Experiments.
• Track artifacts bằng Vertex ML Metadata.

Mục tiêu là chọn cách cấu hình pipeline run phù hợp nhất trên Google Cloud (Vertex AI Pipelines), tận dụng Apache Beam cho preprocessing để xử lý dữ liệu lớn từ BigQuery một cách phân tán và tích hợp mượt mà với các dịch vụ Vertex AI. Đây là tình huống thực tế trong MLOps, nơi TFX cần runner scalable cho dataflow lớn (cập nhật đến Vertex AI phiên bản 2024-2026, hỗ trợ TFX 1.10+).

✅ Đáp án đúng

Run the TFX pipeline in Vertex AI Pipelines. Set the appropriate Apache Beam parameters in the pipeline to run the data preprocessing steps in Dataflow.

Lý do lựa chọn:

• Vertex AI Pipelines là orchestrator chính thức cho TFX, hỗ trợ đầy đủ publish metrics/parameters tự động đến Vertex AI Experiments và track artifacts qua Vertex ML Metadata mà không cần cấu hình thêm permissions phức tạp.
• Data preprocessing trong TFX (như Transform component) dựa trên Apache Beam, và Dataflow là runner lý tưởng cho scale lớn (100TB+) với dữ liệu BigQuery – nó tự động phân tán, autoscaling, và tối ưu chi phí.
• Cấu hình Beam params (như --runner=DataflowRunner, --disk_size_gb, --machine_type) cho phép preprocessing chạy độc lập trên Dataflow mà vẫn tích hợp liền mạch với pipeline Vertex AI. Điều này đảm bảo hiệu suất cao, theo docs TFX mới nhất (2024+).

📋 Phân tích tất cả các phương án

• ✅ Run the TFX pipeline in Vertex AI Pipelines. Set the appropriate Apache Beam parameters in the pipeline to run the data preprocessing steps in Dataflow.
  Đúng vì: Như giải thích trên, đây là cách chuẩn và scalable nhất cho TFX trên Vertex AI, tận dụng Dataflow cho Beam preprocessing lớn từ BigQuery, tự động tích hợp Experiments/Metadata. Không cần hack permissions.

• ❌ [SAI] Run the TFX pipeline in Vertex AI Pipelines. Configure the pipeline to use Vertex AI Training jobs with distributed processing.
  Sai vì: Vertex AI Training jobs dành cho training models (như XGBoost/TensorFlow distributed training), không phải preprocessing data lớn. Nó không hỗ trợ Beam/Dataflow trực tiếp cho Transform component, dẫn đến thiếu scale cho 100TB và không publish metadata chuẩn cho preprocessing artifacts.

• ❌ [SAI] Run the TFX pipeline in Dataproc by using the Apache Beam TFX orchestrator. Set the appropriate Vertex AI permissions in the job to publish metadata in Vertex AI.
  Sai vì: Dataproc (Spark/Hadoop cluster) không phải runner chính cho TFX Beam preprocessing – TFX ưu tiên Dataflow cho Beam. Chạy trên Dataproc yêu cầu orchestrator tùy chỉnh, phức tạp permissions Vertex AI thủ công, và kém scale/tích hợp so với Vertex AI Pipelines. Không khuyến nghị cho production 100TB BigQuery.

• ❌ [SAI] Run the TFX pipeline in Dataflow by using the Apache Beam TFX orchestrator. Set the appropriate Vertex AI permissions in the job to publish metadata in Vertex AI.
  Sai vì: Dataflow chỉ là Beam runner, không phải orchestrator đầy đủ cho TFX pipeline. Không thể chạy toàn bộ pipeline TFX trực tiếp trên Dataflow mà thiếu Vertex AI Pipelines orchestration, dẫn đến không publish Experiments/Metadata tự động (phải hack permissions). Không scale toàn diện cho multi-component pipeline.

📘 Tài liệu tham khảo

• Vertex AI Pipelines & TFX: cloud.google.com/vertex-ai/docs/pipelines/introduction & tensorflow.org/tfx/guide/pipeline_with_beam (cập nhật 2024).
• Beam on Dataflow cho TFX: cloud.google.com/dataflow/docs/guides/tensorflow-extended-tfx.
• Metadata/Experiments integration: cloud.google.com/vertex-ai/docs/experiments/intro (hỗ trợ TFX native từ v1.15+).
• Kiến thức dựa trên Google Cloud Professional ML Engineer cert guide (2024 edition) và TFX 1.12+ (2026 preview features autoscaling Beam).

🛠️ Lời khuyên: Trong thực tế, test pipeline với sample BigQuery data trước khi scale lên 100TB để tune Beam params! 🚀

🧩 Phân tích chi tiết nội dung câu hỏi

Câu hỏi tập trung vào việc phát triển một quy trình batch (batch process) trên Google Cloud Vertex AI, bao gồm hai nhiệm vụ chính:

• Huấn luyện (train) một mô hình tùy chỉnh (custom model).
• Thực hiện dự đoán batch (batch predictions). Yêu cầu quan trọng nhất là hiển thị lineage (dòng dõi, traceability) cho cả mô hình và các dự đoán batch.
• Lineage ở đây nghĩa là khả năng theo dõi nguồn gốc, lịch sử và mối quan hệ giữa dữ liệu đầu vào, quy trình huấn luyện, mô hình đầu ra, và kết quả dự đoán (ví dụ: dữ liệu nào dùng train model nào, model đó generate prediction như thế nào).
• Vertex AI hỗ trợ lineage qua metadata store và các công cụ như Pipelines, giúp audit, debug và tuân thủ quy định (như trong MLOps).
• Batch process ngụ ý xử lý dữ liệu lớn theo lô, không phải real-time.

Mục tiêu: Chọn giải pháp đảm bảo lineage end-to-end cho cả model artifact và prediction outputs. (Kiến thức cập nhật Vertex AI đến 2026: Vertex AI Pipelines v2+ hỗ trợ đầy đủ lineage qua Artifact và Execution metadata).

📘 Tài liệu tham khảo:

• Vertex AI Pipelines Documentation (Lineage tracking).
• Vertex AI Model Lineage.
• Batch Prediction Lineage.

✅ Đáp án đúng và lý do lựa chọn

Đáp án đúng:
1. Use a Vertex AI Pipelines custom training job component to train your model.
2. Generate predictions by using a Vertex AI Pipelines model batch predict component.

Lý do chi tiết 🛠️:

• Vertex AI Pipelines là công cụ orchestration MLOps chuyên biệt để tạo lineage tự động cho toàn bộ workflow.
• Custom training job component trong Pipeline ghi nhận metadata lineage cho dataset → model (bao gồm input data, hyperparameters, metrics).
• Model batch predict component kế thừa lineage từ model trước đó, liên kết trực tiếp prediction outputs với model và dữ liệu input → dễ dàng visualize lineage graph trên Vertex AI UI.
• Kết quả: End-to-end traceability cho cả model và predictions, hỗ trợ versioning và reproducibility. Không phương án nào khác làm được điều này đầy đủ mà không cần pipeline.

❌ Phân tích tất cả các phương án (đúng/sai)

Dưới đây là phân tích từng lựa chọn một cách chi tiết, giữ nguyên văn bản gốc tiếng Anh. Mỗi phương án được đánh giá dựa trên khả năng cung cấp lineage đầy đủ cho model VÀ batch predictions.

• Phương án 1 (SAI):
  1. Upload your dataset to BigQuery.
  2. Use a Vertex AI custom training job to train your model.
  3. Generate predictions by using Vertex AI SDK custom prediction routines.
  Lý do sai ❌: BigQuery hỗ trợ data lineage riêng (qua Data Lineage tool), nhưng custom training job và SDK prediction không tự động liên kết lineage giữa dataset → model → predictions. SDK routines là code tùy chỉnh, thiếu metadata tracking end-to-end → không visualize được lineage graph đầy đủ.

• Phương án 2 (SAI):
  1. Use Vertex AI Experiments to evaluate model performance during training.
  2. Register your model in Vertex AI Model Registry.
  3. Generate batch predictions in Vertex AI.
  Lý do sai ❌: Experiments chỉ track metrics/experiments (không phải full lineage). Model Registry lưu model với metadata cơ bản, batch predictions có lineage riêng lẻ → thiếu liên kết pipeline-level giữa training → model → predictions. Không đảm bảo traceability toàn bộ batch process.

• Phương án 3 (SAI):
  1. Create a Vertex AI managed dataset.
  2. Use a Vertex AI training pipeline to train your model.
  3. Generate batch predictions in Vertex AI.
  Lý do sai ❌: Managed dataset và training pipeline cung cấp lineage tốt cho phần training, nhưng batch predictions riêng lẻ (không trong cùng pipeline) → không có linkage tự động giữa model output và prediction artifacts. Cần component batch predict trong pipeline để lineage liền mạch.

• Phương án 4 (ĐÚNG):
  1. Use a Vertex AI Pipelines custom training job component to train your model.
  2. Generate predictions by using a Vertex AI Pipelines model batch predict component.
  Lý do đúng ✅: Như đã giải thích ở trên, Pipelines components tạo execution graph với full metadata lineage (input/output artifacts, events). Vertex AI tự động track và query lineage cho model + predictions qua UI/API. Hoàn hảo cho batch MLOps! 🚀

🧩 Phân tích nội dung câu hỏi

Câu hỏi tập trung vào việc xây dựng một mô hình dự đoán giá trị vòng đời khách hàng (Customer Lifetime Value - CLV) trong 3 năm tới, dựa trên dữ liệu lịch sử khách hàng lưu trữ trong BigQuery. Công ty bán sản phẩm điện tử cho hàng nghìn doanh nghiệp toàn cầu, nên dữ liệu lớn và cần cách tiếp cận đơn giản nhất (simplest approach).

• Yêu cầu chính: Sử dụng BigQuery làm nguồn dữ liệu chính, xây dựng mô hình ML mà không cần công cụ phức tạp.
• Nhiệm vụ ML: Dự đoán CLV là bài toán hồi quy (regression) để ước lượng giá trị số liên tục trong tương lai, dựa trên các đặc trưng lịch sử (như lịch sử mua hàng, doanh thu, v.v.).
• Tiêu chí "đơn giản nhất": Ưu tiên phương pháp không cần thiết lập môi trường mới (như notebook), chạy trực tiếp SQL trên dữ liệu BigQuery, tận dụng BigQuery ML (BQML) – tích hợp ML ngay trong BigQuery mà không cần di chuyển dữ liệu. ✅

📘 Tài liệu tham khảo (cập nhật mới nhất đến 2026):

• BigQuery ML Syntax: CREATE MODEL cho AutoML Regression
• BigQuery ML cho Time Series (ARIMA): CREATE MODEL ARIMA
• Vertex AI Workbench: Tài liệu chính thức

✅ Đáp án đúng và lý do lựa chọn

Đáp án đúng: Access BigQuery Studio in the Google Cloud console. Run the CREATE MODEL statement in the SQL editor to create an AutoML regression model.

Lý do (🛠️ Phân tích chi tiết):

• Đây là cách đơn giản nhất vì dữ liệu đã ở BigQuery, chỉ cần mở BigQuery Studio (trình chỉnh sửa SQL tích hợp trong Google Cloud Console), chạy lệnh CREATE MODEL với option MODEL_TYPE='AUTOML_REGRESSOR'. BQML sẽ tự động huấn luyện mô hình hồi quy AutoML mà không cần code Python, di chuyển dữ liệu hay thiết lập môi trường.
• Phù hợp với CLV (giá trị số dự đoán 3 năm): AutoML regression xử lý tốt các đặc trưng đa biến (multivariate), tự động feature engineering, và scaling lớn trên BigQuery.
• Không cần Vertex AI Workbench (phức tạp hơn, yêu cầu tạo instance notebook). ✅

❌ Phân tích tất cả các phương án

• [SAI] Create a Vertex AI Workbench notebook. Use IPython magic to run the CREATE MODEL statement to create an ARIMA model.
  ❌ Lý do sai: Vertex AI Workbench yêu cầu tạo notebook (instance Jupyter), cài đặt môi trường, và dùng %sql magic để chạy SQL – phức tạp hơn so với chạy trực tiếp trong BigQuery Studio. ARIMA chỉ dành cho dự báo chuỗi thời gian đơn biến (univariate time series), không phù hợp với CLV (thường đa biến, không phải pure time series). Không phải cách đơn giản nhất! 🕒

• [ĐÚNG] Access BigQuery Studio in the Google Cloud console. Run the CREATE MODEL statement in the SQL editor to create an AutoML regression model.
  ✅ Lý do đúng: Như đã giải thích ở trên – trực tiếp, không setup thêm, AutoML regression lý tưởng cho CLV. Đơn giản chỉ với SQL thuần! 🚀

• [SAI] Create a Vertex AI Workbench notebook. Use IPython magic to run the CREATE MODEL statement to create an AutoML regression model.
  ❌ Lý do sai: Mặc dù AutoML regression đúng loại mô hình, nhưng dùng Vertex AI Workbench + IPython magic làm phức tạp hóa (tạo notebook, connect BigQuery) thay vì chạy SQL trực tiếp trong BigQuery Studio. Không đáp ứng "simplest approach". 📝

• [SAI] Access BigQuery Studio in the Google Cloud console. Run the CREATE MODEL statement in the SQL editor to create an ARIMA model.
  ❌ Lý do sai: BigQuery Studio đúng nơi chạy đơn giản, nhưng ARIMA không phù hợp cho CLV (dự đoán 3 năm dựa trên đặc trưng khách hàng, không phải univariate forecasting). ARIMA dùng cho time series đơn giản như doanh số hàng tháng, dễ underfit dữ liệu đa chiều. 🧮

🧩 Phân tích nội dung câu hỏi

Câu hỏi yêu cầu chọn kết hợp tốt nhất giữa mô hình BigQuery ML và kỹ thuật feature engineering để dự đoán doanh số bán sản phẩm (product sales) với độ chính xác cao nhất. Dữ liệu lịch sử lưu trữ trong BigQuery, bao gồm các đặc trưng như: ngày tháng (date), vị trí cửa hàng (store location), loại sản phẩm (product category), và chi tiết khuyến mãi (promotion details).
✅ Mục tiêu chính: Dự đoán doanh số (là bài toán hồi quy - regression, giá trị liên tục hoặc đếm), cần xử lý dữ liệu thời gian (temporal data) và biến phân loại (categorical features) hiệu quả. BigQuery ML hỗ trợ các mô hình như linear regression, boosted trees, v.v., và feature engineering phải tận dụng SQL để tạo features từ BigQuery (như one-hot encoding, date extraction).
🛠️ Bối cảnh: Đây là nhiệm vụ ML end-to-end trong Google Cloud, tập trung vào tính khả dụng cao, dễ triển khai mà không cần export data ra ngoài BigQuery (theo docs BigQuery ML mới nhất 2024-2026).

✅ Đáp án đúng và lý do lựa chọn

Đáp án đúng: Use a linear regression model. Perform one-hot encoding on categorical features, and create additional features based on the date, such as day of the week or month.

Lý do chi tiết:

• Linear regression (CREATE MODEL ... AS SELECT ... WITH MODEL_TYPE='linear_reg') là lựa chọn baseline hiệu quả nhất cho bài toán hồi quy doanh số bán hàng, đặc biệt với dữ liệu lớn trong BigQuery. Nó nhanh, dễ giải thích, và xử lý tốt tuyến tính giữa features như promotion và sales.
• One-hot encoding cho categorical features (store location, product category): Sử dụng ML.ONE_HOT_ENCODER() trong BigQuery ML để tránh giả định thứ tự (ordinality), giúp mô hình học chính xác hơn.
• Tạo features từ date (day of week, month): Sử dụng hàm SQL như EXTRACT(DAYOFWEEK FROM date), EXTRACT(MONTH FROM date) để capture seasonality (mô hình chu kỳ thời gian), rất quan trọng cho sales prediction (ví dụ: cuối tuần bán cao hơn).
  🧩 Kết hợp này tối ưu accuracy vì tận dụng đặc thù dữ liệu thời gian + categorical mà không overcomplicate, phù hợp best practices BigQuery ML (cập nhật 2026: hỗ trợ tốt hơn temporal features).

📘 Tài liệu tham khảo:

• BigQuery ML Linear Regression
• Feature Engineering in BigQuery ML (cập nhật 2025 với improved date functions).

📋 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. Mỗi phương án được đánh giá dựa trên tính phù hợp với bài toán regression sales prediction trong BigQuery ML:

• ✅ Use a linear regression model. Perform one-hot encoding on categorical features, and create additional features based on the date, such as day of the week or month.
  Đúng vì: Như giải thích trên, đây là combo chuẩn cho regression với categorical + temporal data. One-hot tránh bias thứ tự, date features capture patterns thời gian → accuracy cao, dễ implement bằng SQL.

• ❌ Use a boosted tree model. Perform label encoding on categorical features, and transform the date column into numeric values.
  Sai vì: Boosted tree (MODEL_TYPE='BOOSTED_TREE_REGRESSOR') mạnh cho non-linear data, nhưng label encoding (gán số thứ tự cho categorical như store_id=1,2,3) tạo giả định thứ tự sai → model học nhầm (trees handle categorical tốt hơn với one-hot hoặc native). Transform date thành numeric (ví dụ: UNIX_TIMESTAMP) mất thông tin seasonality (không phân biệt thứ 2 vs CN) → accuracy kém cho sales.

• ❌ Use an autoencoder model. Perform label encoding on categorical features, and normalize the date column.
  Sai vì: Autoencoder (MODEL_TYPE='autoencoder') là unsupervised cho anomaly detection/dimensionality reduction, KHÔNG phù hợp regression (không predict sales trực tiếp). Label encoding sai như trên, normalize date (scale 0-1) vẫn mất seasonality → không liên quan đến bài toán.

• ❌ Use a matrix factorization model. Perform one-hot encoding on categorical features, and create interaction features between the store location and product category variables.
  Sai vì: Matrix factorization (MODEL_TYPE='matrix_factorization') dành cho recommendation systems (như Netflix ratings), KHÔNG phải regression sales. One-hot và interaction features (như store_category_cross) tốt nhưng không cứu vãn được model sai mục đích → accuracy thấp, overkill cho dữ liệu này.

🛠️ Kết luận: Lựa chọn đúng cân bằng giữa simplicity, interpretability và effectiveness trong BigQuery ML ecosystem (2026 updates nhấn mạnh SQL-based engineering cho production ML). Nếu triển khai, dùng CREATE MODEL sales_model OPTIONS(model_type='linear_reg') AS SELECT ...!

🧩 Phân tích chi tiết câu hỏi trắc nghiệm

📘 Nội dung câu hỏi:
Câu hỏi mô tả nhu cầu xây dựng một công cụ tự hỗ trợ tương tác (interactive self-help tool) dành cho nhân viên mới trong tổ chức. Công cụ này phải nhận câu hỏi từ người dùng (queries) và trả lời dựa trên tài liệu nội bộ của tổ chức, vốn được lưu trữ dưới dạng các tài liệu độc lập như file PDF. Yêu cầu chính là xây dựng giải pháp nhanh chóng (build a solution quickly) và giảm thiểu chi phí bảo trì (minimizing maintenance overhead). Đây là tình huống điển hình trong Google Cloud, sử dụng các dịch vụ AI để tạo chatbot hoặc agent xử lý truy vấn tự nhiên dựa trên dữ liệu nội bộ, tránh hallucination bằng cách grounding vào dữ liệu thực tế. ✅

✅ Đáp án đúng và lý do lựa chọn:
Đáp án đúng là: Use Vertex AI Agent Builder to create an agent. Securely index the organization’s internal documentation to the agent’s datastore. Send users’ queries to the agent and return the agent’s grounded responses to the users.

Lý do: Vertex AI Agent Builder (cập nhật mới nhất đến 2026) là công cụ low-code/no-code cho phép tạo agent AI nhanh chóng chỉ trong vài phút. Bạn có thể an toàn index tài liệu nội bộ (như PDF) trực tiếp vào datastore của agent, hỗ trợ grounding responses (trả lời dựa trên dữ liệu thực tế, tránh ảo tưởng). Giải pháp này tối ưu hóa tốc độ triển khai (không cần code phức tạp) và giảm maintenance vì tự động hóa retrieval, cập nhật dữ liệu dễ dàng qua Google Cloud console. Phù hợp hoàn hảo với yêu cầu "quickly" và "minimizing overhead". 🛠️

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

• ❌ [SAI] Create a custom chatbot user interface hosted on App Engine. Use Vertex AI to fine-tune a Gemini model on the organization’s internal documentation. Send users’ queries to the fine-tuned model by using the custom chatbot and return the model’s responses to the users.
  Phương án này sai vì fine-tune mô hình Gemini (dù có thể dùng Vertex AI) đòi hỏi thời gian dài (giờ đến ngày), dữ liệu lớn, chi phí cao (training compute), và maintenance phức tạp (retrain khi tài liệu thay đổi). Không đáp ứng "build quickly" và "minimizing maintenance". Thay vào đó, grounding qua RAG (Retrieval-Augmented Generation) hiệu quả hơn fine-tune. 🕒

• ❌ [SAI] Deploy an internal website to a Google Kubernetes Engine (GKE) cluster. Build a search index by ingesting all of the organization’s internal documentation. Use Vertex AI Vector Search to implement a semantic search that retrieves results from the search index based on the query entered into the search box.
  Phương án này sai vì yêu cầu deploy GKE cluster (phức tạp, tốn kém quản lý infra), tự build search index (ingest dữ liệu thủ công), và chỉ là semantic search cơ bản chứ không phải interactive agent xử lý query tự nhiên. Overhead cao về DevOps và bảo trì index, không "quickly" như yêu cầu. Vector Search tốt cho search nhưng thiếu agent logic. ⚙️

• ✅ [ĐÚNG] Use Vertex AI Agent Builder to create an agent. Securely index the organization’s internal documentation to the agent’s datastore. Send users’ queries to the agent and return the agent’s grounded responses to the users.
  Như đã giải thích ở trên: Đúng hoàn toàn vì Vertex AI Agent Builder (phiên bản mới nhất 2026) hỗ trợ tạo agent nhanh, index PDF trực tiếp vào datastore an toàn (private data), và trả lời grounded tự động. Không cần code UI riêng, tích hợp dễ với chat interface. Hoàn hảo cho self-help tool! 🚀

• ❌ [SAI] Deploy an internal website to a Google Kubernetes Engine (GKE) cluster. Organize the relevant internal documentation into sections. Collect user feedback on website content and store it in BigQuery. Request that the onboarding team regularly update the links based on user feedback.
  Phương án này sai vì chỉ là website tĩnh với tổ chức sections thủ công, không xử lý query tự nhiên (chỉ search link), phụ thuộc update tay từ team (high maintenance). GKE lại thêm overhead infra. Không dùng AI, không interactive thực sự, vi phạm "queries from users" và "provide answers". 📱

📚 Tài liệu tham khảo (cập nhật mới nhất đến 2026)

• Vertex AI Agent Builder Documentation: cloud.google.com/vertex-ai/docs/generative-ai/agents/create-agent – Hướng dẫn tạo agent và index dữ liệu nội bộ.
• Vertex AI Datastores for Grounding: cloud.google.com/vertex-ai/docs/generative-ai/data-stores/create-configure – Chi tiết index PDF an toàn.
• Google Cloud Blog on Agent Builder (2025 updates): cloud.google.com/blog/products/ai-machine-learning/vertex-ai-agent-builder-ga – Thông báo GA và tính năng mới cho RAG agents.
• So sánh RAG vs Fine-tuning: cloud.google.com/vertex-ai/docs/generative-ai/learn/prompts/rag-prompts – Lý do ưu tiên grounding cho internal docs.

Giải pháp này tận dụng sức mạnh Google Cloud AI một cách tối ưu! 🌟