Ngân hàng đề — Microsoft Azure AI Engineer

Tìm thấy 267 câu.

Câu 11 Implement computer vision solutions (15–20%)

Azure AI Vision allows you to analyze an image's content and determine the coordinates of the area of interest. By using this analysis, you can create a high-quality thumbnail image that adjusts the aspect ratio to be different from the original image's aspect ratio. You must change the aspect ratio accordingly to make a thumbnail image with a specific width and height.

Review the statement given below and state if it is correct or incorrect:

  1. A

    Correct
  2. B

    Incorrect
Xem giải thích

Đáp án

B — Không đúng (Incorrect).

Vì sao đúng

⚠ Nhận định trong đề sai ở chỗ nào: | Đề khẳng định | Thực tế | |---|---| | ⚠ "phân tích được vùng quan tâm rồi tạo thumbnail đổi tỉ lệ tuỳ ý" | ⚠ Smart Cropping GIỮ nội dung quan trọng, nhưng KHÔNG bóp méo tỉ lệ |

⚠ Smart Cropping của AI Vision
   ⚠ tìm VÙNG QUAN TRỌNG trong ảnh
   ⚠ CẮT quanh vùng đó theo tỉ lệ yêu cầu
        ↓
⚠ Đó là CẮT, không phải BÓP MÉO
        ↓
⚠ Muốn thumbnail tỉ lệ khác
   ⚠ ảnh sẽ bị CẮT BỚT, không phải giãn ra

⚠ Điểm sai: ⚠ đề ngụ ý có thể thay đổi tỉ lệ mà vẫn giữ nguyên toàn bộ nội dung — ⚠ điều đó không đúng với cách Smart Cropping hoạt động.

Ghi nhớ

⚠ Azure AI Vision — các tính năng phân tích ảnh: | Tính năng | Việc | |---|---| | ⚠ Smart Cropping | ⚠ cắt thumbnail quanh vùng quan trọng | | ⚠ Tags | ⚠ gắn nhãn nội dung ảnh | | ⚠ Caption / Dense Captions | ⚠ mô tả ảnh bằng câu | | ⚠ Objects | ⚠ phát hiện và định vị đối tượng | | ⚠ OCR / Read | ⚠ trích xuất chữ | | ⚠ People | ⚠ phát hiện người |

Từ khoá nhận diện:

"tạo thumbnail giữ vùng quan trọng" → ⚠ Smart Cropping "mô tả ảnh bằng câu" → ⚠ Caption "trích xuất chữ" → ⚠ Read OCR "phân loại ảnh theo nhãn của mình" → ⚠ Custom Vision

⚠ Smart Cropping hoạt động thế nào Cơ chế
⚠ Phân tích ảnh tìm "vùng quan tâm" ⚠ thường là khuôn mặt hoặc chủ thể chính
⚠ Nhận tham số tỉ lệ khung mong muốn
⚠ Trả về toạ độ vùng cắt
⚠ Cắt sao cho chủ thể nằm trong khung
⚠ KHÔNG làm ⚠ giãn, bóp méo, hay thêm nội dung
⚠ Cách đọc câu Đúng/Sai Cách
⚠ Tìm khẳng định CỤ THỂ nhất trong nhận định
⚠ Kiểm tra từng vế
⚠ Một vế sai là cả nhận định sai
⚠ Sai lầm thường gặp ⚠ thấy phần đầu đúng rồi vội chọn Correct
⚠ Custom Vision so với AI Vision Phân biệt
⚠ AI Vision ⚠ mô hình DỰNG SẴN, dùng ngay, nhãn chung
⚠ Custom Vision ⚠ TỰ HUẤN LUYỆN với nhãn riêng của bạn
⚠ Chọn Custom Vision khi ⚠ cần phân loại theo danh mục đặc thù của nghiệp vụ

Ba việc kiểm chứng: | Việc | Cách | |---|---| | Thumbnail có bị mất nội dung quan trọng không | ⚠ thử với ảnh thật | | Tỉ lệ khung yêu cầu có quá khác ảnh gốc không | | | Có cần Custom Vision thay vì AI Vision không | |

Và giới hạn cần nói rõ với người dùng khi triển khai Smart Cropping: nó cắt chứ không co giãn. Một ảnh ngang biến thành thumbnail dọc chắc chắn sẽ mất phần lớn hai bên, dù thuật toán chọn vùng có thông minh tới đâu.

Câu 12 Implement computer vision solutions (15–20%)

You need to detect and track the movement of a person. To accomplish this, you can use the detect function available in Azure AI Video Indexer. This function can help you identify multiple instances of the same person appearing in different video shots. Once you have processed your video, you can review the insights generated by Azure AI Video Indexer. The observed people tracing feature and all the detected people will also be available on the JSON page. Refer to the JSON output below and select the correct answer for the missing keywords.


  1. A

    thumbnailVideold
  2. B

    accountld
  3. C

    thumbnailld
  4. D

    keyFrames
Xem giải thích

Đáp án

C — thumbnailId

Vì sao đúng

Khi Video Indexer phát hiện và theo dõi người trong video, mỗi lần xuất hiện được gắn với một ảnh thu nhỏ đại diện, và thumbnailId là mã trỏ tới ảnh đó. Đây là trường bạn dùng để lấy ra hình ảnh của người tại thời điểm được phát hiện, phục vụ việc hiển thị hoặc đối chiếu.

Vì sao các phương án khác sai

  • A. thumbnailVideoId — không phải trường trong kết quả phát hiện người.
  • B. accountId — định danh tài khoản Video Indexer, thuộc về ngữ cảnh gọi API chứ không mô tả kết quả.
  • D. keyFrames — khung hình then chốt của video nói chung, không gắn với một người cụ thể được theo dõi.
Câu 13 Implement computer vision solutions (15–20%)

Your task is to identify faces from a group of individuals. You have created PersonGroups that contain PersistedFace objects of all individuals and plan to utilize the recognition models of the Azure AI Face service. To compare the accuracy of the models and select the best model for the intended outcome, you will use the recognitionModel parameter in the API call. In the first execution, you will select the default recognition model; in another execution, you will use the latest available recognition model.

Review the code below, and complete the code for the first model execution by choosing the most appropriate answer:

string imageUrl = "<image url>";

var faces = await faceC1ient.Face.DetectWithUrlAsync(imageUrl, true, true, recognitionModel:"...........................", returnRecognitionModel: true);

  1. A

    recognition _01
  2. B

    recognition _02
  3. C

    recognition _03
  4. D

    recognition _04
Xem giải thích

Đáp án

A — recognition_01.

Vì sao đúng

⚠ Đề hỏi mô hình MẶC ĐỊNH khi không khai recognitionModel: | Mô hình | Vai trò | |---|---| | ⚠ recognition_01 | ⚠ MẶC ĐỊNH — bản đầu tiên, giữ để tương thích ngược | | ⚠ recognition_02 | ⚠ cải thiện độ chính xác | | ⚠ recognition_03 | ⚠ cải thiện tiếp | | ⚠ recognition_04 | ⚠ MỚI NHẤT — chính xác nhất, hỗ trợ ảnh có khẩu trang |

⚠ Không khai recognitionModel
        ↓
⚠ API dùng recognition_01
        ↓
⚠ Vì sao giữ bản cũ làm mặc định
   ⚠ để mã cũ KHÔNG bị đổi hành vi

⚠ Đề nói "lần chạy đầu chọn mô hình MẶC ĐỊNH" → ⚠ recognition_01.

Vì sao các phương án khác sai

  • D (recognition_04) — ⚠ là bản MỚI NHẤT, không phải mặc định: ⚠ đó là lựa chọn cho lần chạy thứ hai trong đề.

  • B (recognition_02) và C (recognition_03) — ⚠ các bản trung gian: ⚠ không phải mặc định, cũng không phải mới nhất.

Ghi nhớ

⚠ Azure AI Face — khái niệm phải thuộc: | Khái niệm | Nội dung | |---|---| | ⚠ Person Group | ⚠ nhóm người cần nhận diện | | ⚠ Persisted Face | ⚠ khuôn mặt đã lưu của một người | | ⚠ recognitionModel | ⚠ mô hình dùng để trích đặc trưng khuôn mặt | | ⚠ detectionModel | ⚠ mô hình PHÁT HIỆN khuôn mặt trong ảnh | | ⚠ Quan trọng | ⚠ hai tham số KHÁC NHAU, đừng nhầm |

Từ khoá nhận diện:

"mô hình mặc định" → ⚠ recognition_01 "mô hình mới nhất, chính xác nhất" → ⚠ recognition_04 "phát hiện khuôn mặt trong ảnh" → ⚠ detectionModel "nhận ra người đó là ai" → ⚠ recognitionModel

⚠ QUY TẮC QUAN TRỌNG về recognitionModel Quy tắc
⚠ Mọi khuôn mặt trong một Person Group phải dùng CÙNG mô hình
⚠ Đổi mô hình = phải TẠO LẠI Person Group và huấn luyện lại
⚠ Không so sánh được khuôn mặt trích bằng hai mô hình khác nhau
⚠ Vì vậy ⚠ chọn mô hình NGAY TỪ ĐẦU, đừng đổi giữa chừng
⚠ Quy trình nhận diện khuôn mặt Bước
⚠ 1. Tạo Person Group
⚠ 2. Thêm Person vào group
⚠ 3. Thêm ảnh khuôn mặt cho mỗi Person
⚠ 4. TRAIN Person Group ⚠ bắt buộc, nếu không thì không nhận diện được
⚠ 5. Detect khuôn mặt trong ảnh mới
⚠ 6. Identify — so với Person Group
⚠ Lưu ý về đạo đức và pháp lý Lưu ý
⚠ Microsoft HẠN CHẾ quyền truy cập tính năng nhận diện khuôn mặt ⚠ phải đăng ký và được duyệt
⚠ Nhiều nơi có quy định pháp luật riêng về sinh trắc học
⚠ GDPR coi dữ liệu sinh trắc học là loại đặc biệt nhạy cảm
⚠ Trước khi triển khai ⚠ kiểm tra quy định pháp lý ở nơi bạn hoạt động

Ba việc kiểm chứng: | Việc | Cách | |---|---| | Mọi khuôn mặt trong group có cùng recognitionModel không | | | Đã TRAIN group sau khi thêm ảnh chưa | ⚠ bước hay bị quên | | Đã kiểm tra quy định pháp lý chưa | |

Và ràng buộc dễ khiến người mới mất công làm lại từ đầu: không thể đổi recognitionModel của một Person Group đã có. Chọn mô hình là quyết định phải đưa ra trước khi nạp dữ liệu, không phải sau.

Câu 14 Implement computer vision solutions (15–20%)

You are tasked to use image classification in Azure to classify a set of images. You plan to upload and tag the images using Custom Vision REST API. Review the code snippet given below and choose the class that you will use for publishing the current iteration:

private static void Publishlteration(.................. trainingApi, Project project)
{
trainingApi.PublishIteration(project.Id, iteration.ld, publishedModelName, predictionResourceId);Console.WriteLine("Done!\n");
}
  1. A

    PredictionModel
  2. B

    CustomVisionPredictionClient
  3. C

    ApiKeyServiceClientCredentials
  4. D

    CustomVisionTrainingClient
Xem giải thích

Đáp án

D — CustomVisionTrainingClient.

Ghi nhớ về chất lượng câu hỏi

⚠ Câu này TRÙNG NỘI DUNG với #17535 trong cùng lô — cùng đoạn mã, cùng khoá.

Câu Khác biệt
⚠ #17510 ⚠ đoạn mã và diễn đạt gốc
⚠ #17535 ⚠ diễn đạt lại đôi chút, đoạn mã có lỗi gõ
⚠ MD5 không bắt được ⚠ vì vài từ khác nhau
⚠ Cùng khoá ⚠ CustomVisionTrainingClient

Vì sao đúng

⚠ Custom Vision có HAI client riêng biệt: | Client | Việc | |---|---| | ⚠ CustomVisionTrainingClient | ⚠ tạo project, upload ảnh, gắn tag, TRAIN, PUBLISH iteration | | ⚠ CustomVisionPredictionClient | ⚠ GỌI mô hình đã publish để dự đoán |

⚠ PublishIteration là thao tác
   ⚠ trên vòng đời MÔ HÌNH
        ↓
⚠ Thuộc về TRAINING client
        ↓
⚠ Sau khi publish xong
        ↓
⚠ PREDICTION client mới dùng được

Vì sao các phương án khác sai

  • B (CustomVisionPredictionClient) — ⚠ bẫy gần nhất: ⚠ dùng để GỌI mô hình, ⚠ không dùng để publish.

  • C (ApiKeyServiceClientCredentials) — ⚠ lớp XÁC THỰC: ⚠ dùng để tạo credential truyền vào client, ⚠ không phải bản thân client.

  • A (PredictionModel) — ⚠ lớp KẾT QUẢ dự đoán, không phải client.

Ghi nhớ

⚠ Custom Vision — quy trình đầy đủ: | Bước | Client | |---|---| | ⚠ Tạo project | ⚠ Training | | ⚠ Tạo tag | ⚠ Training | | ⚠ Upload ảnh kèm tag | ⚠ Training | | ⚠ Train iteration | ⚠ Training | | ⚠ Publish iteration | ⚠ Training — đề này | | ⚠ Dự đoán ảnh mới | ⚠ Prediction |

Từ khoá nhận diện:

"upload, tag, train, publish" → ⚠ CustomVisionTrainingClient "classify, detect trên ảnh mới" → ⚠ CustomVisionPredictionClient "hai tài nguyên Azure riêng" → ⚠ Custom Vision Training và Prediction

⚠ Hai tài nguyên Azure riêng biệt Tài nguyên
⚠ Custom Vision Training ⚠ để huấn luyện, có endpoint và key riêng
⚠ Custom Vision Prediction ⚠ để dự đoán, endpoint và key riêng
⚠ Khi publish ⚠ phải truyền predictionResourceId — ID của tài nguyên Prediction
⚠ Vì sao tách ⚠ huấn luyện và phục vụ có mẫu tải rất khác nhau
⚠ Hai loại project Custom Vision Loại
⚠ Image Classification ⚠ gán NHÃN cho cả ảnh
⚠ Object Detection ⚠ tìm và định vị đối tượng, trả bounding box
⚠ Chọn khi tạo project ⚠ KHÔNG đổi được sau
⚠ Multiclass so với Multilabel ⚠ một nhãn hay nhiều nhãn cho một ảnh
⚠ Khuyến nghị dữ liệu huấn luyện Khuyến nghị
⚠ Tối thiểu 15 ảnh mỗi tag ⚠ 50+ cho kết quả tốt
⚠ Cân bằng số ảnh giữa các tag
⚠ Đa dạng góc chụp, ánh sáng, nền
⚠ Ảnh giống môi trường thực tế sẽ dùng
⚠ Sai lầm phổ biến ⚠ huấn luyện bằng ảnh studio rồi dùng với ảnh điện thoại

Ba việc kiểm chứng: | Việc | Cách | |---|---| | Đã publish iteration chưa | ⚠ chưa publish thì prediction client không gọi được | | Dùng đúng endpoint cho từng loại client chưa | | | Ảnh huấn luyện có giống ảnh thực tế không | |

Và lỗi hay gặp nhất khi mới dùng Custom Vision: train xong rồi gọi dự đoán mà quên bước publish. Mô hình đã tồn tại nhưng chưa được đưa ra phục vụ, và thông báo lỗi thì không nói rõ điều đó.

Câu 15 Implement computer vision solutions (15–20%)

Azure provides prebuilt receipts and invoices in the Azure AI Document Intelligence service. However, you can create custom models using Azure AI Document Intelligence to extract data specific to your business from the forms. You can then use these models in your enrichment pipeline's custom skill interface. To create, use, and manage your custom model in Azure AI Document Intelligence, place the below steps in the correct order of execution:

1. Manage your custom models.

2. Use the Azure Blob container to upload training data.

3. Establish your training dataset.

4. Train the model.

5. Test the model using a dataset not used in training.

  1. A

    Step 1 > Step 2 > Step 4 > Step 3 > Step 5
  2. B

    Step 3 > Step 2 > Step 4 > Step 5 > Step 1
  3. C

    Step 1 > Step 3 > Step 2 > Step 4 > Step 5
  4. D

    Step 3 > Step 2 > Step 1 > Step 4 > Step 5
Xem giải thích

Đáp án

B — Bước 3 → 2 → 4 → 5 → 1

Vì sao đúng

Thứ tự này theo đúng vòng đời của một mô hình tuỳ chỉnh trong Document Intelligence:

Thứ tự Bước Vì sao ở vị trí này
1 (3) Chuẩn bị tập dữ liệu huấn luyện Phải có dữ liệu trước đã
2 (2) Tải dữ liệu lên Azure Blob container Dịch vụ đọc dữ liệu huấn luyện từ Blob Storage
3 (4) Huấn luyện mô hình Chỉ chạy được khi dữ liệu đã ở đúng chỗ
4 (5) Kiểm thử bằng tập dữ liệu không dùng khi huấn luyện Đây là điểm mấu chốt: kiểm thử trên chính dữ liệu đã huấn luyện sẽ cho kết quả đẹp giả tạo
5 (1) Quản lý mô hình Việc diễn ra sau khi mô hình đã dùng được

Vì sao các phương án khác sai

Cả ba phương án còn lại đều đặt bước tải dữ liệu lên Blob sau bước huấn luyện, hoặc đặt việc quản lý mô hình lên trước khi mô hình tồn tại — cả hai đều không thực hiện được.

Câu 16 Implement computer vision solutions (15–20%)

As part of your job responsibilities, you are tasked with identifying and blocking video content that contains adult material. You utilize Azure AI Video Indexer to perform this task. Which specific element would you select to obtain the necessary insights regarding the video and time ranges that reveal the presence of this type of content?

  1. A

    sentiments
  2. B

    visualContentModeration
  3. C

    emotions
  4. D

    shots
Xem giải thích

Đáp án

B — visualContentModeration.

Vì sao đúng

⚠ Azure AI Video Indexer trả về nhiều nhóm "insight", mỗi nhóm một mục đích: | Insight | Nội dung | |---|---| | ⚠ visualContentModeration | ⚠ phát hiện nội dung người lớn và khiêu dâm, kèm KHOẢNG THỜI GIAN — đề này | | ⚠ sentiments | ⚠ cảm xúc tích cực/tiêu cực theo thời gian | | ⚠ emotions | ⚠ cảm xúc: vui, buồn, giận, sợ | | ⚠ shots | ⚠ chia video thành các cảnh quay |

⚠ Video Indexer phân tích video
        ↓
⚠ visualContentModeration trả về
   ⚠ adultScore (điểm nội dung người lớn)
   ⚠ racyScore (điểm gợi dục)
   ⚠ khoảng thời gian xuất hiện
        ↓
⚠ Đủ để CHẶN hoặc gắn cờ video

Vì sao các phương án khác sai

  • A (sentiments) và C (emotions) — ⚠ phân tích CẢM XÚC: ⚠ không liên quan tới nội dung không phù hợp.

  • D (shots) — ⚠ chia video theo cảnh quay: ⚠ hữu ích cho biên tập, ⚠ không đánh giá nội dung.

Ghi nhớ

⚠ Azure AI Video Indexer — các nhóm insight chính: | Nhóm | Nội dung | |---|---| | ⚠ Transcript | ⚠ chuyển lời nói thành văn bản | | ⚠ OCR | ⚠ chữ xuất hiện trên màn hình | | ⚠ Faces | ⚠ nhận diện người xuất hiện | | ⚠ Labels / Topics | ⚠ chủ đề và đối tượng trong video | | ⚠ Keywords | ⚠ từ khoá quan trọng | | ⚠ visualContentModeration | ⚠ nội dung không phù hợp trong HÌNH ẢNH | | ⚠ textualContentModeration | ⚠ nội dung không phù hợp trong LỜI NÓI | | ⚠ Shots / Scenes | ⚠ cấu trúc video |

Từ khoá nhận diện:

"nội dung người lớn trong hình ảnh video" → ⚠ visualContentModeration "lời nói có từ ngữ không phù hợp" → ⚠ textualContentModeration "kiểm duyệt ẢNH tĩnh" → ⚠ Azure AI Content Safety "kiểm duyệt VĂN BẢN" → ⚠ Azure AI Content Safety

⚠ Hai điểm số của content moderation Điểm
⚠ adultScore ⚠ nội dung khiêu dâm rõ ràng
⚠ racyScore ⚠ nội dung gợi dục nhưng không lộ liễu
⚠ Cả hai từ 0 tới 1 ⚠ bạn tự đặt ngưỡng chặn
⚠ Ngưỡng ⚠ quyết định theo chính sách của tổ chức, không có con số chuẩn
⚠ Thiết kế hệ thống kiểm duyệt Thiết kế
⚠ Ngưỡng CAO → chặn tự động
⚠ Ngưỡng TRUNG BÌNH → đưa cho người rà soát
⚠ Ngưỡng THẤP → cho qua
⚠ LUÔN có đường khiếu nại cho người dùng
⚠ Nguyên tắc ⚠ máy lọc phần lớn, người quyết định phần khó
⚠ Video Indexer — điều đáng biết thêm Điều
⚠ Có bản đám mây và bản chạy trên Azure Arc
⚠ Trả về file JSON insight đầy đủ
⚠ Có widget nhúng vào ứng dụng
⚠ Huấn luyện được model nhận diện người và thương hiệu riêng

Ba việc kiểm chứng: | Việc | Cách | |---|---| | Ngưỡng chặn đặt bao nhiêu | ⚠ thử trên dữ liệu thật của mình | | Tỉ lệ báo động giả là bao nhiêu | | | Có đường cho người rà soát lại không | ⚠ máy sẽ bắt nhầm |

Và điều quyết định một hệ thống kiểm duyệt nội dung có dùng được lâu dài hay không: quy trình xử lý các trường hợp máy bắt nhầm. Không có đường khiếu nại thì mỗi lần chặn sai là một người dùng mất niềm tin.

Câu 17 Implement computer vision solutions (15–20%)

Which API would be best for this scenario?

"You need to read a large number of files with high accuracy. The text consists of short sections of handwritten text, some in English and some in multiple languages."

  1. A

    A custom Language API
  2. B

    Document Intelligence API
  3. C

    Image Analysis API
  4. D

    Read API
Xem giải thích

Đáp án

D — Read API

Vì sao đúng

Ba đặc điểm trong đề đều trỏ về Read API: số lượng tệp lớn — Read API chạy bất đồng bộ nên xử lý được lô lớn; chữ viết tay — đây là điểm mạnh riêng của nó, các API OCR đơn giản hơn thường chỉ đọc tốt chữ in; và văn bản có cả in lẫn viết tay lẫn lộn — Read API xử lý được cả hai trong cùng một tài liệu.

Vì sao các phương án khác sai

  • B. Document Intelligence API — mạnh khi cần trích xuất trường dữ liệu có cấu trúc từ biểu mẫu, hoá đơn; ở đây đề chỉ cần đọc chữ nên đó là công cụ nặng hơn mức cần.
  • C. Image Analysis API — mô tả nội dung ảnh, nhận diện vật thể; không dựng cho việc đọc nhiều chữ viết tay.
  • A. Custom Language API — xử lý ngôn ngữ trên văn bản đã có, không đọc chữ từ ảnh.
Câu 18 Chọn nhiều đáp án Implement natural language processing solutions (30–35%)

You have been assigned the task of utilizing Azure Language Detection. You will need to provide the JSON inputs and receive two outputs, as shown in the code snippets below. The first output (Output 1) will provide a confidence score of 1, while the second output (Output 2) will return a confidence score of 0.

Review the given scenario and complete the code snippets by selecting two appropriate options.

  1. A

    fr
  2. B

    French
  3. C

    countryHint
  4. D

    (Unknown)
Xem giải thích

Đáp án

B và D — French và (Unknown).

Vì sao đúng

⚠ Language Detection trả về ba trường cho mỗi văn bản: | Trường | Ví dụ | |---|---| | ⚠ name | ⚠ French — TÊN ngôn ngữ, dạng đầy đủ | | ⚠ iso6391Name | ⚠ fr — mã hai chữ cái | | ⚠ confidenceScore | ⚠ 0 tới 1 |

⚠ Output 1: confidence = 1
   ⚠ nhận diện CHẮC CHẮN
   ⚠ name = "French"

⚠ Output 2: confidence = 0
   ⚠ KHÔNG nhận diện được
   ⚠ name = "(Unknown)"

⚠ (Unknown) với dấu ngoặc đơn là giá trị dịch vụ trả về khi ⚠ không xác định được ngôn ngữ.

Vì sao các phương án khác sai

  • A (fr) — ⚠ đó là giá trị của iso6391Name, không phải name: ⚠ đề cần trường tên đầy đủ.

  • C (countryHint) — ⚠ là tham số ĐẦU VÀO, không phải đầu ra: ⚠ dùng để gợi ý quốc gia giúp nhận diện chính xác hơn.

Ghi nhớ

⚠ Language Detection — trường trả về: | Trường | Nội dung | |---|---| | ⚠ name | ⚠ English, French, Vietnamese | | ⚠ iso6391Name | ⚠ en, fr, vi | | ⚠ confidenceScore | ⚠ 0 tới 1 | | ⚠ Không nhận diện được | ⚠ name = "(Unknown)", iso6391Name = "(Unknown)", score = 0 |

Từ khoá nhận diện:

"tên ngôn ngữ đầy đủ" → ⚠ name "mã hai chữ cái" → ⚠ iso6391Name "gợi ý quốc gia" → ⚠ countryHint — tham số VÀO "không xác định được" → ⚠ (Unknown) và score 0

⚠ Khi nào Language Detection trả về Unknown Khi nào
⚠ Văn bản quá ngắn ⚠ vài ký tự
⚠ Chỉ có số hoặc ký tự đặc biệt
⚠ Hỗn hợp nhiều ngôn ngữ không rõ ràng
⚠ Chuỗi vô nghĩa
⚠ Xử lý trong ứng dụng ⚠ luôn kiểm tra score trước khi tin kết quả
⚠ countryHint — dùng khi nào Dùng khi
⚠ Biết trước văn bản đến từ quốc gia nào
⚠ Giúp phân biệt ngôn ngữ gần nhau ⚠ Bồ Đào Nha ở Bồ Đào Nha và Brazil
⚠ Đặt "" để TẮT gợi ý
⚠ Mặc định ⚠ US
⚠ Các dịch vụ trong Azure AI Language Dịch vụ
⚠ Language Detection ⚠ nhận diện ngôn ngữ
⚠ Sentiment Analysis ⚠ cảm xúc tích cực/tiêu cực
⚠ Key Phrase Extraction ⚠ cụm từ khoá
⚠ Named Entity Recognition ⚠ tên người, địa điểm, tổ chức
⚠ PII Detection ⚠ phát hiện thông tin cá nhân
⚠ Summarization ⚠ tóm tắt văn bản
⚠ CLU / Custom Question Answering ⚠ hiểu ý định, hỏi đáp

Ba việc kiểm chứng: | Việc | Cách | |---|---| | Ứng dụng có xử lý trường hợp (Unknown) không | | | Có kiểm tra confidenceScore trước khi dùng kết quả không | | | Văn bản đầu vào có đủ dài không | |

Và trường hợp mà mọi ứng dụng gọi API nhận diện ngôn ngữ đều phải xử lý nhưng hay quên: văn bản mà dịch vụ không đoán được. Một chuỗi số điện thoại hay một dòng biểu tượng cảm xúc sẽ trả về (Unknown), và mã không lường trước sẽ hỏng ngay tại đó.

Câu 19 Implement natural language processing solutions (30–35%)

The Language Understanding (LUIS) container loads your trained or published Language Understanding model. It provides access to the query predictions from the container's API endpoints. You plan to use them in your environment to comply with your organization's security and compliance requirements. As a prerequisite, you have a docker engine installed and configured on your host computer. It is also connected to Azure for billing purposes. You also have an Azure AI Services resource and trained or published The Language Understanding (LUIS) app packaged as a mounted input to the container.

Review the steps below and sequence them to get the container image and use it on your host computer:

Step 1: Query the container's prediction endpoint

Step 2: Export the trained or published application package using the Language Understanding (LUIS) portal. Step 3: Move the package file into the required input directory on the host computer

Step 4: Run the container with the required input mount and billing settings

Step 5: Get the docker image using docker pull

Step 6: Import the endpoint logs for active learning

Step 7: Log user queries to enable active learning

  1. A

    Step 6 > Step 7 > Step 2 > Step 3 > Step 5 > Step 1 > Step 4
  2. B

    Step 5 > Step 2 > Step 3 > Step 4 > Step 1 > Step 6 > Step 7
  3. C

    Step 7 > Step 1 > Step 4 > Step 3 > Step 2 > Step 5 > Step 6
  4. D

    Step 3 > Step 2 > Step 5 > Step 1 > Step 4 > Step 7 > Step 6
Xem giải thích

Đáp án

B — Bước 5 → 2 → 3 → 4 → 1 → 6 → 7

Vì sao đúng

Thứ tự bám theo cách container hoạt động:

Thứ tự Bước Vì sao
1 (5) docker pull lấy ảnh container Phải có ảnh trước
2 (2) Xuất gói ứng dụng từ cổng LUIS Mô hình nằm ngoài ảnh container, phải lấy riêng
3 (3) Đưa tệp gói vào thư mục input trên máy chủ Container đọc mô hình từ thư mục được gắn vào
4 (4) Chạy container với input mount và thiết lập tính phí Chỉ chạy được khi mô hình đã ở đúng chỗ
5 (1) Gọi điểm cuối dự đoán Giờ container mới phục vụ được
6–7 (6) và (7) Nhật ký truy vấn cho học chủ động Vòng cải thiện, diễn ra sau khi đã có truy vấn thật

Điểm cần nhớ: ảnh container và mô hình là hai thứ tách rời. Ảnh chỉ chứa bộ máy chạy; mô hình LUIS phải xuất riêng và gắn vào lúc chạy — nên đổi mô hình không phải dựng lại ảnh.

Vì sao các phương án khác sai

Các phương án còn lại đều đặt bước chạy container hoặc gọi điểm cuối trước khi mô hình được đưa vào thư mục input, nên container khởi động mà không có mô hình để nạp.

Câu 20 Chọn nhiều đáp án Implement natural language processing solutions (30–35%)

In a multi-turn conversation, which methods would you use to initiate a waterfall dialog, pushing the new instance of the referenced dialog onto the top of the stack? (Select two)

  1. A

    cancel
  2. B

    begin
  3. C

    replace
  4. D

    prompt
Xem giải thích

Đáp án

B và D — begin và prompt

Vì sao đúng

Trong Bot Framework, hộp thoại được quản lý bằng một ngăn xếp, và đề hỏi phương thức nào đẩy một instance mới lên đỉnh ngăn xếp:

  • begin — bắt đầu một hộp thoại được tham chiếu và đẩy nó lên trên hộp thoại hiện tại; khi nó kết thúc, luồng quay lại đúng chỗ đang dở.
  • prompt — về bản chất là một dạng begin rút gọn cho hộp thoại hỏi đáp, nên cũng đẩy một instance mới lên ngăn xếp.

Vì sao các phương án khác sai

  • C. replace — thay hộp thoại đang ở đỉnh bằng cái mới, tức là ngăn xếp không sâu thêm và luồng không quay lại hộp thoại cũ.
  • A. cancel — huỷ hộp thoại và gỡ khỏi ngăn xếp, ngược hẳn với việc đẩy vào.