Ngân hàng đề — Microsoft Azure AI Engineer

🧩 Phân tích chi tiết câu hỏi trắc nghiệm

📖 Nội dung câu hỏi:
Câu hỏi tập trung vào việc xây dựng một mô hình Conversational Language Understanding (CLU) cho chatbot thương mại điện tử (e-commerce). Người dùng có thể nói hoặc gõ địa chỉ thanh toán (billing address) khi được chatbot yêu cầu. Nhiệm vụ là xây dựng một entity (thực thể) để bắt (capture) chính xác địa chỉ thanh toán này.
🛠️ Bối cảnh kỹ thuật: CLU là một phần của Azure AI Language service (trước đây là Azure Cognitive Services for Language), dùng để hiểu ngôn ngữ tự nhiên trong hội thoại. Địa chỉ billing thường có cấu trúc phức tạp, biến đổi (ví dụ: "123 Main St, Apt 4B, New York, NY 10001" hoặc dạng nói tự nhiên như "ở số 123 phố chính, tầng 4B, New York"), nên cần entity linh hoạt học từ dữ liệu huấn luyện.
✅ Mục tiêu chính: Chọn loại entity phù hợp nhất để xử lý entity phức tạp, không theo quy tắc cố định.

✅ Đáp án ĐÚNG: machine learned
Lý do chọn:
Loại entity machine learned là lựa chọn tối ưu vì nó học máy (machine learning) từ dữ liệu huấn luyện (training examples), tự động nhận diện và trích xuất các entity phức tạp như địa chỉ billing. Địa chỉ có thể đa dạng về định dạng, ngôn ngữ nói/viết, nên ML entity vượt trội hơn các loại quy tắc cứng nhắc. Theo tài liệu Azure mới nhất (cập nhật 2024-2026), machine learned entities hỗ trợ prebuilt entities và custom trained cho các trường hợp thực tế như address.
📘 Nguồn tham khảo:

• Azure AI Language - Entities in CLU (Microsoft Docs, phiên bản mới nhất 2025).
• CLU best practices for addresses.

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

• ✅ machine learned
  Đúng vì: Entity này sử dụng machine learning để học từ ví dụ huấn luyện, xử lý tốt các biến thể tự nhiên của địa chỉ (như viết tắt, lỗi chính tả, ngôn ngữ nói). Phù hợp nhất cho billing address trong chatbot e-commerce, đạt độ chính xác cao (>90% với dữ liệu tốt). Không cần quy tắc thủ công, tự động cải thiện qua training.

• ❌ Regex
  Sai vì: Regex entity chỉ khớp theo biểu thức chính quy (regular expression) cố định, ví dụ pattern cho số nhà/đường. Không linh hoạt với địa chỉ đa dạng (ví dụ: địa chỉ quốc tế, nói tắt), dễ miss các biến thể thực tế. Chỉ dùng cho pattern đơn giản, không phù hợp entity phức tạp như billing address.

• ❌ list
  Sai vì: List entity dùng cho danh sách giá trị cố định (closed list), như tên sản phẩm cụ thể ("iPhone 15", "Samsung S24"). Billing address không phải danh sách hữu hạn, mà vô hạn biến đổi, nên list sẽ không capture được địa chỉ mới/user-defined.

• ❌ Pattern.any
  Sai vì: Pattern.any là entity wildcard khớp bất kỳ văn bản nào giữa các pattern khác, dùng để fill khoảng trống trong utterance (ví dụ: any text sau "address is"). Không chuyên biệt cho địa chỉ, dễ over-match (bắt nhầm dữ liệu không liên quan), độ chính xác thấp cho entity có cấu trúc như billing address.

🛠️ Lời khuyên thực hành (từ Azure AI Engineer):
Sử dụng machine learned entity kết hợp với prebuilt entity như address trong Azure để tăng hiệu suất. Train với 50-100 ví dụ đa dạng cho billing address. Test qua Azure AI Studio để đo F1-score >0.85 trước deploy! 🚀

🧩 Phân tích câu hỏi trắc nghiệm về Azure AI Search (trước đây là Azure Cognitive Search)

📝 Giải thích nội dung câu hỏi một cách chi tiết:
Câu hỏi mô tả một tình huống thực tế trong môi trường Azure, nơi bạn có bốn nguồn dữ liệu khác nhau:

• Finance: Cơ sở dữ liệu Microsoft SQL Server on-premises (chạy trên máy chủ cục bộ, không phải cloud).
• Sales: Azure Cosmos DB sử dụng Core (SQL) API (dịch vụ NoSQL đa mô hình, hỗ trợ truy vấn SQL-like).
• Logs: Azure Table storage (dịch vụ lưu trữ NoSQL dạng bảng cho dữ liệu lớn, phi cấu trúc).
• HR: Azure SQL database (cơ sở dữ liệu quan hệ trên cloud Azure, tương tự SQL Server nhưng được quản lý hoàn toàn).

Mục tiêu là đảm bảo có thể tìm kiếm (search) toàn bộ dữ liệu từ tất cả các nguồn này bằng Azure Cognitive Search REST API (nay gọi là Azure AI Search từ phiên bản 2023-2024, cập nhật đến 2026). Azure AI Search là dịch vụ tìm kiếm thông minh, sử dụng indexers để tự động crawl và index dữ liệu từ các nguồn hỗ trợ. Vấn đề chính: Không phải tất cả nguồn dữ liệu đều được hỗ trợ trực tiếp bởi indexers của Azure AI Search. Cụ thể:

• Azure SQL DB (HR), Cosmos DB SQL API (Sales), và Azure Table Storage (Logs) đã hỗ trợ trực tiếp.
• On-premises SQL Server (Finance) không hỗ trợ trực tiếp vì indexer yêu cầu kết nối cloud-native hoặc replication.
  Giải pháp cần tập trung vào việc làm cho tất cả dữ liệu có thể index được qua REST API, mà không thay đổi các nguồn đã OK.

✅ Đáp án đúng: Mirror Finance to an Azure SQL database.
Lý do lựa chọn (chi tiết):
🛠️ Phương án này giải quyết chính xác vấn đề cốt lõi bằng cách mirror (sao chép/mirror dữ liệu) từ SQL Server on-premises (Finance) sang Azure SQL Database. Azure AI Search có indexer dành riêng cho Azure SQL (hỗ trợ full-text search, change detection qua CDC - Change Data Capture). Sau khi mirror:

• Finance → Azure SQL (OK index).
• Các nguồn còn lại (HR, Sales, Logs) đã sẵn sàng.
  → Toàn bộ dữ liệu có thể search thống nhất qua REST API (ví dụ: POST /indexes/... hoặc query DSL).
  Đây là cách tối ưu, ít xâm lấn nhất theo best practices AWS/Azure (không phải AWS, câu hỏi là Azure thuần). Kiến thức cập nhật 2026: Azure AI Search v11+ hỗ trợ hybrid search (text + vector) trên Azure SQL.

🧩 Giải thích tất cả các phương án (đúng/sai):
Tôi giữ nguyên nội dung văn bản gốc bằng tiếng Anh, chỉ phân tích/giải thích hoàn toàn bằng tiếng Việt với emoji nổi bật.

• ❌ Configure multiple read replicas for the data in Sales.
  Sai vì: Sales (Azure Cosmos DB SQL API) đã hỗ trợ indexer trực tiếp của Azure AI Search (sử dụng connection string và SQL queries để crawl). Read replicas chỉ tăng scalability/read throughput cho Cosmos DB, không liên quan đến search indexing. Làm vậy thừa thãi, không giải quyết Finance on-premises.

• ✅ Mirror Finance to an Azure SQL database.
  Đúng vì: Như giải thích trên, Finance on-premises không hỗ trợ indexer trực tiếp (yêu cầu kết nối qua gateway hoặc replication). Mirror sang Azure SQL (qua Azure Database Migration Service hoặc Always On replication) cho phép indexer tự động sync và index dữ liệu. Giải quyết toàn diện, các nguồn khác không cần thay đổi.

• ❌ Ingest the data in Logs into Azure Data Explorer.
  Sai vì: Logs (Azure Table Storage) đã hỗ trợ indexer native (Table indexer với OData filter). Azure Data Explorer (Kusto) là dịch vụ analytics cho log/query lớn, nhưng Azure AI Search không có indexer trực tiếp cho Kusto. Ingest vào đây chỉ làm phức tạp hóa, không giúp search thống nhất qua REST API.

• ❌ Ingest the data in Logs into Azure Sentinel.
  Sai vì: Azure Sentinel (nay là Microsoft Sentinel) là nền tảng SIEM/SOAR cho security monitoring, không phải search engine. Logs Table Storage đã OK, ingest vào Sentinel chỉ dành cho threat detection, không tích hợp indexer với Azure AI Search. Lãng phí và lệch hướng mục tiêu.

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

• Azure AI Search supported data sources (indexers cho Azure SQL, Cosmos DB SQL, Table Storage ✅; on-premises cần replication).
• Indexing on-premises SQL Server (mirror/replicate khuyến nghị).
• Azure Database Migration for SQL Server (công cụ mirror).
• Release notes Azure AI Search 2024-2026: Hỗ trợ vector search trên các nguồn này (docs.microsoft.com/azure/search).

Hy vọng phân tích này giúp bạn nắm vững! 🚀 Nếu cần demo code indexer, hãy hỏi thêm nhé! 😊

🧩 Phân tích chi tiết nội dung câu hỏi

Câu hỏi tập trung vào việc xây dựng và cấu hình một conversational bot (bot trò chuyện) tên là bot1 trên Azure, cụ thể là cách kết nối bot này với QnA Maker application (một dịch vụ của Microsoft Azure dùng để tạo cơ sở kiến thức hỏi-đáp tự động).

• Bối cảnh: Bạn đã tạo bot1 (có lẽ qua Azure Bot Service), và cần lấy thông tin từ Azure Portal để bot1 có thể kết nối với QnA Maker. Thông tin cần thiết thường bao gồm Subscription key, Endpoint (hoặc Host), và đôi khi là Knowledge Base ID – đây là các yếu tố cốt lõi để bot gọi API của QnA Maker.
• Mục tiêu: Xác định vị trí chính xác trong Azure Portal của tài nguyên QnA Maker để tìm thông tin kết nối.
• Phiên bản cập nhật (đến 2026): QnA Maker đã được deprecated từ năm 2023 và thay thế bằng Custom question answering trong Azure AI Language (trước là Azure Cognitive Services Language). Tuy nhiên, câu hỏi vẫn áp dụng cho các tài nguyên QnA Maker legacy, và quy trình lấy keys vẫn giống nhau trong Azure Portal. 🛠️

📘 Tài liệu tham khảo:

• Azure Docs: Integrate QnA Maker with Bot Framework (cập nhật 2024).
• QnA Maker Keys and Endpoint (legacy docs, vẫn áp dụng cho migration).

✅ Đáp án đúng: Keys and Endpoint

Lý do lựa chọn:

• Đây là blade (phần) duy nhất trong Azure Portal của QnA Maker resource chứa Subscription key và Endpoint/Host – chính xác là thông tin bắt buộc để bot1 kết nối và gọi API QnA Maker (qua phương thức QnAMaker trong Bot Framework SDK).
• Khi cấu hình bot (ví dụ: trong Bot Framework Composer hoặc code), bạn copy-paste trực tiếp các giá trị này vào settings như QnASubscriptionKey, QnAEndpointHostName, và KnowledgebaseId.
• ✅ Xác nhận: Theo docs Azure mới nhất (2024-2026), ngay cả với Custom question answering, vẫn dùng "Keys and Endpoint" để lấy API keys.

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

• ❌ Access control (IAM):
  Phương án này sai vì Access control (IAM) dùng để quản lý quyền truy cập (RBAC) cho người dùng hoặc service principal vào resource QnA Maker, không chứa keys kết nối API. Nó chỉ cấp role như Reader/Contributor, không liên quan đến thông tin bot cần để gọi service. 🛑

• ❌ Properties:
  Phương án này sai vì Properties chỉ hiển thị thông tin cơ bản của resource như Resource group, Location, Pricing tier, hoặc status, nhưng không có Subscription key hay Endpoint. Nó hữu ích để xem metadata, không phải credentials kết nối. 🛑

• ✅ Keys and Endpoint:
  Phương án này đúng như đã giải thích ở trên. Đây là nơi Azure cung cấp 2 keys chính (Key 1 và Key 2) để luân phiên sử dụng, cùng Endpoint URL đầy đủ. Bot1 cần chúng để authenticate và gửi query đến QnA Maker KB. Ví dụ: https://<your-resource>.cognitiveservices.azure.com/qnamaker/knowledgebases/<kb-id>/generateAnswer. 🎯

• ❌ Identity:
  Phương án này sai vì Identity (System-assigned hoặc User-assigned Managed Identity) dùng cho xác thực không dùng key (token-based auth) giữa các Azure services, phù hợp với AAD integration chứ không phải kết nối trực tiếp bot-to-QnA Maker qua API key. Bot Framework thường ưu tiên keys cho QnA Maker. 🛑

🧠 Lời khuyên từ Azure AI Engineer: Nếu migrate sang Custom question answering (khuyến nghị 2026), quy trình tương tự nhưng dùng Language resource keys. Test kết nối bằng Postman trước khi deploy bot! 🚀

🧩 Phân tích chi tiết nội dung câu hỏi

Câu hỏi thuộc dạng "case study" trong kỳ thi chứng chỉ Microsoft Azure (có thể là AZ-400, AZ-204 hoặc AZ-305), nơi mô tả một tình huống thực tế và yêu cầu đánh giá xem giải pháp đề xuất có đáp ứng yêu cầu không.

• Tình huống (Scenario): Bạn có subscription Azure chứa Azure OpenAI resource (AI1) dùng để tạo câu trả lời generative cho chatbot, và Azure AI Content Safety resource (CS1) dùng để kiểm tra input/output tránh nội dung phản cảm (objectionable content).
• Yêu cầu (Requirement): Tối ưu hóa cấu hình content filter bằng cách chạy tests trên sample questions (các câu hỏi mẫu).
• Giải pháp đề xuất (Solution): Sử dụng Content Safety Studio, kích hoạt tính năng "Monitor online activity" để chạy các tests.
• Câu hỏi chính: Does this meet the requirement? (Giải pháp này có đáp ứng yêu cầu không?)

📘 Ghi chú quan trọng từ câu hỏi gốc: Đây là phần câu hỏi liên tiếp (series), không thể quay lại sau khi trả lời, và có thể có >1 đáp án đúng hoặc không có đáp án đúng nào.

✅ Đáp án đúng: No

Lý do lựa chọn:
Giải pháp sử dụng "Monitor online activity" trong Content Safety Studio KHÔNG phù hợp để chạy tests trên sample questions nhằm tối ưu hóa filter. Tính năng này chỉ dùng để giám sát hoạt động real-time/online (như API calls thực tế từ ứng dụng), không hỗ trợ chạy tests thủ công trên dữ liệu mẫu. Để tối ưu filter, phải dùng tab "Test" trong Content Safety Studio để input sample prompts và điều chỉnh severity thresholds (như Block, Warn). Giải pháp này không meet requirement vì không trực tiếp hỗ trợ testing/optimization trên samples.

🛠️ Cách đúng để optimize (theo docs Azure 2026):

• Vào Azure AI Content Safety Studio > Test tab: Input text/image/video samples, test với các filter (Hate, Sexual, Violence, SelfHarm), adjust attributes (Enabled/Disabled, severity: 2-4), và xem kết quả real-time để tune configs.
• "Monitor" chỉ track metrics production (requests, detections, latencies), không dùng cho testing.

📋 Giải thích tất cả các phương án

• Yes ❌
  Sai vì: Tính năng "Monitor online activity" chỉ hiển thị logs và metrics từ traffic thực tế (như số lượng detections, API usage), không cho phép chạy tests thủ công trên sample questions. Không thể dùng để optimize filters qua experimentation trên dữ liệu mẫu – dẫn đến không đáp ứng yêu cầu. (Ví dụ: Monitor chỉ passive tracking, không interactive testing).

• No ✅
  Đúng vì: Xác nhận giải pháp KHÔNG meet requirement. Để optimize đúng, cần Test playground trong Content Safety Studio (không phải Monitor). Điều này phù hợp với best practices Azure AI Safety (cập nhật Q1/2026: hỗ trợ A/B testing filters với custom models).

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

• Azure AI Content Safety Studio Overview 🆕 (Phiên bản 2026: Thêm AI-driven filter optimization).
• Test & Monitor Features – Phân biệt rõ Test (samples) vs Monitor (production).
• Azure OpenAI + Content Safety Integration – Hướng dẫn chaining filters cho chatbots.

Hy vọng phân tích này giúp bạn ôn thi hiệu quả! 🚀 Nếu cần thêm case studies Azure, hãy hỏi nhé! 😊

🧩 Phân tích chi tiết nội dung câu hỏi

Câu hỏi này thuộc lĩnh vực Azure Cognitive Services (QnA Maker), cụ thể là phát triển một Azure WebJob để tạo knowledge bases (cơ sở kiến thức) từ một mảng các URL. Bạn đã khởi tạo đối tượng QnAMakerClient với các API key cần thiết và gán vào biến client. Nhiệm vụ là phát triển một phương thức (method) để tạo knowledge bases, và cần chọn hai hành động đúng (mỗi lựa chọn đúng chiếm 1 điểm).

Bối cảnh kỹ thuật (cập nhật đến 2026):

• QnA Maker là dịch vụ cũ đã deprecated từ năm 2023 và chính thức retire vào tháng 3/2025, được thay thế bởi Azure AI Language - Custom question answering trong Azure AI Studio. Tuy nhiên, câu hỏi sử dụng QnAMakerClient SDK (phiên bản legacy từ Microsoft.Azure.CognitiveServices.Knowledge.QnAMaker), vẫn hợp lệ cho các hệ thống cũ hoặc migration. Quy trình tạo KB yêu cầu chuẩn bị đối tượng CreateKbDTO chứa dữ liệu nguồn (như URLs), sau đó gọi client.Knowledgebase.CreateAsync để gửi yêu cầu bất đồng bộ.
• WebJob chạy trên Azure App Service, xử lý batch từ array URLs để tạo KB tự động.

📘 Nguồn tham khảo:

• Microsoft Docs: QnA Maker SDK - CreateKbAsync (legacy SDK).
• Azure AI Migration Guide từ QnA Maker (cập nhật 2026: Chuyển sang REST API v4.0+ hoặc Azure AI Studio).

✅ Đáp án đúng và lý do lựa chọn

Hai hành động đúng cần bao gồm trong method là:

• Call the client.Knowledgebase.CreateAsync method: Đây là phương thức chính để gửi yêu cầu tạo KB bất đồng bộ, sử dụng CreateKbDTO làm tham số.
• Create a CreateKbDTO object: Đối tượng này chứa dữ liệu nguồn (URLs, QnA pairs), là input bắt buộc cho CreateAsync.

Lý do chọn: Theo SDK QnA Maker, quy trình chuẩn là tạo CreateKbDTO với KbDatasource (chứa URLs), rồi gọi CreateAsync để KB được tạo. Không có bước nào khác bắt buộc như tạo list FileDTO hoặc QnADTO cho trường hợp từ URLs. Điều này đảm bảo method hoạt động đúng trong WebJob.

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

Dưới đây là phân tích từng phương án một cách chi tiết:

• Create a list of FileDTO objects that represents data from the WebJob.
  ❌ Sai. FileDTO dùng để upload tệp đính kèm (như .docx, .pdf) từ file thực tế, không phù hợp với dữ liệu từ array URLs trong WebJob. SDK không yêu cầu list FileDTO cho tạo KB từ web; thay vào đó dùng KbDatasource với Urls.

• Call the client.Knowledgebase.CreateAsync method.
  ✅ Đúng. Đây là phương thức cốt lõi của QnAMakerClient.Knowledgebase để tạo KB bất đồng bộ. Nó nhận CreateKbDTO làm input và trả về OperationStateDTO để theo dõi tiến trình. Bắt buộc trong mọi method tạo KB.

• Create a list of QnADTO objects that represents data from the WebJob.
  ❌ Sai. QnADTO dùng để định nghĩa các cặp Q&A thủ công (question-answer pairs), không phải để xử lý dữ liệu từ URLs (SDK tự động extract từ URLs). Tạo list này chỉ cần nếu thêm Q&A tùy chỉnh, không phải bước chính cho array URLs.

• Create a CreateKbDTO object.
  ✅ Đúng. Đây là đối tượng DTO chính chứa KbDatasource (với urls array), name, và qnaList tùy chọn. Nó là input duy nhất cho CreateAsync, đại diện dữ liệu từ WebJob để tạo KB từ URLs.

Kết luận: Chọn hai phương án ✅ để hoàn thiện method. Trong thực tế 2026, khuyến nghị migrate sang Azure AI Studio để tránh retire service! 🚀

🧩 Phân tích nội dung câu hỏi

Câu hỏi tập trung vào việc phát triển một giải pháp tạo word cloud (đám mây từ) dựa trên các đánh giá (reviews) của sản phẩm công ty. Word cloud là biểu đồ trực quan hiển thị các từ hoặc cụm từ quan trọng nhất (thường có kích thước lớn hơn nếu xuất hiện nhiều), giúp tóm tắt nội dung văn bản một cách trực quan.
Để thực hiện, cần sử dụng Text Analytics REST API (thuộc Azure AI Services, trước đây là Cognitive Services) để phân tích văn bản từ reviews. Câu hỏi yêu cầu chọn endpoint phù hợp nhất trong API này.
📘 Kiến thức cập nhật: Dựa trên phiên bản Text Analytics API v3.1 và v3.2 (mới nhất đến 2026), API hỗ trợ các endpoint chuyên biệt cho phân tích văn bản tự nhiên (NLP), với key phrases là lựa chọn lý tưởng cho word cloud vì trích xuất các cụm từ nổi bật.

✅ Đáp án đúng: keyPhrases

Lý do lựa chọn:
Endpoint keyPhrases được thiết kế để trích xuất các cụm từ khóa chính (key phrases) từ văn bản, giúp xác định những từ/cụm từ quan trọng, lặp lại nhiều nhất trong reviews. Điều này hoàn hảo cho word cloud, vì kết quả có thể dùng trực tiếp để vẽ đám mây từ (tần suất xuất hiện quyết định kích thước).
🛠️ Ví dụ sử dụng: Gửi POST request đến /text/analytics/v3.1/keyPhrases với reviews làm input, API trả về danh sách key phrases như "giá rẻ", "chất lượng tốt". Không endpoint nào khác cung cấp kết quả phù hợp hơn cho mục đích trực quan hóa này.
📘 Nguồn tham khảo: Azure Text Analytics - Key Phrase Extraction (cập nhật 2024-2026).

🔍 Giải thích chi tiết tất cả các phương án

• keyPhrases ✅ Đúng:
  Như đã giải thích, endpoint này chuyên trích xuất key phrases từ văn bản không cấu trúc như reviews, cung cấp danh sách cụm từ nổi bật để xây dựng word cloud hiệu quả. Hoàn toàn phù hợp với yêu cầu.

• sentiment ❌ Sai:
  Endpoint này chỉ phân tích cảm xúc (sentiment) của văn bản, trả về điểm số tích cực/trung lập/tiêu cực (ví dụ: 0.8 positive). Không cung cấp key phrases hay từ khóa, nên không dùng được cho word cloud – chỉ hữu ích cho phân tích ý kiến tổng quát.

• languages ❌ Sai:
  Endpoint detect languages dùng để phát hiện ngôn ngữ của văn bản (ví dụ: English, Vietnamese). Không liên quan đến trích xuất từ khóa hay word cloud, chỉ là bước tiền xử lý nếu reviews đa ngôn ngữ.

• entities/recognition/general ❌ Sai:
  Endpoint này thuộc Named Entity Recognition (NER), dùng để nhận diện thực thể như tên người, địa điểm, tổ chức (ví dụ: "Microsoft" là organization). Không tập trung vào key phrases phổ biến từ reviews, nên không phù hợp cho word cloud sản phẩm (có thể bỏ lỡ các cụm từ như "pin yếu").

🧠 Tóm tắt: keyPhrases là lựa chọn tối ưu vì trực tiếp hỗ trợ tóm tắt nội dung reviews thành các yếu tố trực quan cho word cloud. Các endpoint khác chỉ phục vụ mục đích phân tích phụ trợ!
📘 Nguồn bổ sung: Text Analytics API Reference v3.1 (Azure Docs, 2026).

🧩 Phân tích nội dung câu hỏi

Câu hỏi thuộc dạng case study (series of questions) trong kỳ thi chứng chỉ Microsoft Azure, thường gặp ở các phần Azure AI. Tình huống mô tả:

• Bạn có một Azure subscription chứa Azure OpenAI resource tên AI1 (dùng để tạo câu trả lời generative cho chatbot) và Azure AI Content Safety resource tên CS1 (dùng để kiểm tra nội dung input/output có objectionable content hay không).
• Yêu cầu chính: Tối ưu hóa (optimize) cấu hình bộ lọc nội dung (content filter configurations) bằng cách chạy các bài kiểm tra trên sample questions (câu hỏi mẫu).
• Giải pháp đề xuất: Sử dụng Content Safety Studio, kích hoạt tính năng Safety metaprompt để chạy các bài test.
• Câu hỏi cốt lõi: Giải pháp này có đáp ứng yêu cầu không? (Does this meet the requirement?).

📘 Bối cảnh cập nhật đến 2026: Theo tài liệu AWS? Không, đây là Azure (không liên quan AWS). Dựa trên phiên bản mới nhất Azure AI Services (Q1/2026), Azure AI Content Safety (trước đây là Content Moderator) là dịch vụ độc lập để moderate text/image/video, với Content Safety Studio hỗ trợ test và evaluate. Azure OpenAI có content filtering tích hợp riêng với "enhanced safety" sử dụng metaprompts. Hai dịch vụ này khác nhau về cách optimize.

✅ Đáp án đúng: No

Lý do lựa chọn:

• Giải pháp không đáp ứng yêu cầu vì Content Safety Studio (của CS1) không có tính năng "Safety metaprompt". Tính năng này thuộc Azure OpenAI (AI1), dùng để tùy chỉnh system prompt/metaprompt cho built-in content filters (như jailbreak detection, enhanced safety).
• Để optimize content filter configurations cho CS1, bạn cần dùng Content Safety Studio với các tính năng như Playground (test real-time), Severity thresholds adjustment (tùy chỉnh mức độ lọc: low/medium/high), Evaluations (batch testing trên datasets/sample questions để đo accuracy, false positives), hoặc Metrics dashboard để analyze và tune categories (hate, sexual, violence, self-harm).
• "Safety metaprompt" không tồn tại trong CS1 Studio, dẫn đến giải pháp không khả thi và không optimize đúng cho resource CS1.
  🛠️ Cách đúng: Sử dụng Evaluations trong Content Safety Studio hoặc Azure AI Studio để run tests trên sample questions, adjust filters dựa trên results.

📝 Giải thích tất cả các phương án

Dưới đây là phân tích từng lựa chọn (giữ nguyên văn bản gốc tiếng Anh), với lý do đúng/sai bằng tiếng Việt:

• Yes ❌ [SAI]
  Phương án này sai vì giả định giải pháp đáp ứng, nhưng Content Safety Studio không hỗ trợ "Safety metaprompt feature". Tính năng metaprompt chỉ dùng trong Azure OpenAI deployments (qua Azure AI Studio > Deployments > Content filters > Safety system message), không áp dụng cho Azure AI Content Safety (CS1) – một API moderation riêng biệt. Sử dụng sai tool dẫn đến không optimize được filters của CS1 (như severity levels, custom lists). Theo docs 2026, mixing hai dịch vụ này không work như vậy.

• No ✅ [ĐÚNG]
  Phương án này đúng vì giải pháp không meet requirement. Safety metaprompt là phần của Azure OpenAI content filtering (tùy chỉnh prompt để detect harms tốt hơn), không phải tool trong Content Safety Studio. Để optimize CS1, dùng Test console hoặc Model evaluations trong Studio để run sample questions, xem scores, và tune configs (e.g., tăng threshold cho false negatives). Giải pháp đề xuất lỗi tool mismatch.

📚 Tài liệu tham khảo (cập nhật 2026)

• Azure AI Content Safety - Studio & Evaluations 🛠️ (Hướng dẫn test và optimize filters).
• Azure OpenAI - Content Filtering & Metaprompts ✅ (Phân biệt metaprompt chỉ cho OpenAI).
• Azure AI Studio - Safety Testing 📘 (Cách đúng để run tests trên samples).

Hy vọng phân tích giúp bạn nắm vững! 🚀 Nếu cần thêm case study tương tự, hỏi nhé!

🧩 Phân tích chi tiết nội dung câu hỏi

Câu hỏi này tập trung vào việc sử dụng phương thức C# create_resource để tạo tài nguyên Azure Cognitive Services (nay là Azure AI Services) một cách programmatic. Phương thức này sử dụng CognitiveServicesManagementClient để tạo một tài nguyên với các tham số: tên tài nguyên (resource_name), loại dịch vụ (kind), mức giá (account_tier), và vị trí (location).

Yêu cầu cụ thể:

• Tạo tài nguyên miễn phí (free tier).
• Vùng Azure: West US (tương ứng "westus").
• Mục đích: Tự động tạo chú thích (captions) cho hình ảnh (image captioning).

🛠️ Lưu ý kỹ thuật từ code:

• kind: Xác định loại dịch vụ Cognitive Services (ví dụ: ComputerVision cho phân tích hình ảnh).
• account_tier: Mức giá, như "F0" cho free tier.
• location: Phải khớp chính xác tên vùng Azure (case-sensitive, "westus" cho West US 2 hoặc tương đương).
• Phương thức gọi client.Accounts.Create với resource_group_name (giả sử đã định nghĩa trước), account_tier (lưu ý: code có lỗi nhỏ ở dòng client.Accounts.Create(resource_group_name, account_tier, parameters); – lẽ ra là resource_group_name, resource_name, parameters, nhưng không ảnh hưởng phân tích lựa chọn).

Dựa trên kiến thức Azure AI Vision (phiên bản mới nhất 2024-2026, tích hợp trong Azure AI Services), dịch vụ Computer Vision hỗ trợ tính năng image captioning (GenerateCaption API) để tự động tạo mô tả văn bản cho hình ảnh. Free tier "F0" vẫn khả dụng với giới hạn quota.

✅ Đáp án đúng và lý do lựa chọn

Đáp án đúng: create_resource(client, "res1", "ComputerVision", "F0", "westus")

Lý do:

• 🖼️ "ComputerVision": Đây là kind chính xác cho dịch vụ Azure AI Vision (trước là Computer Vision), hỗ trợ image captioning tự động qua API như analyzeImage hoặc GenerateCaption. Không dịch vụ nào khác phù hợp hơn.
• 💰 "F0": Free tier (F0-S0-free hoặc tương đương), phù hợp yêu cầu "free Azure resource". Tier này có quota giới hạn (20 calls/phút, 2.000 calls/tháng).
• 📍 "westus": Vùng West US chính xác, hỗ trợ dịch vụ này.
• Tất cả tham số khớp hoàn hảo với code và yêu cầu.

📋 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 dựa trên tính chính xác về kind, tier, và chức năng image captioning (dữ liệu cập nhật Azure 2026).

• ✅ create_resource(client, "res1", "ComputerVision", "F0", "westus")
  Đúng hoàn toàn: Như giải thích trên, ComputerVision hỗ trợ captioning, "F0" miễn phí, "westus" hợp lệ. Đây là lựa chọn tối ưu cho programmatic creation.

• ❌ create_resource(client, "res1", "CustomVision.Prediction", "F0", "westus")
  Sai vì sai kind: "CustomVision.Prediction" dành cho Custom Vision Prediction endpoint (dự đoán hình ảnh tùy chỉnh đã train), không hỗ trợ captioning tự động (không có model pre-built cho caption). Dù "F0" miễn phí và vùng đúng, nhưng không phù hợp mục đích.

• ❌ create_resource(client, "res1", "ComputerVision", "S0", "westus")
  Sai vì sai tier: ComputerVision đúng cho captioning và "westus" hợp lệ, nhưng "S0" là Standard tier (trả phí, ~$1/giờ), không phải free. Yêu cầu rõ ràng "free Azure resource".

• ❌ create_resource(client, "res1", "CustomVision.Prediction", "S0", "westus")
  Sai toàn bộ: Kết hợp 2 lỗi – "CustomVision.Prediction" không hỗ trợ captioning, và "S0" không miễn phí. Vùng đúng nhưng không cứu vãn được.

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

• Azure AI Vision docs: Computer Vision API - Image Captioning (hỗ trợ F0 tier).
• Management SDK: CognitiveServicesManagementClient - Create Account (kind="ComputerVision", sku="F0").
• Pricing & Regions: Azure AI Services Pricing (F0 free, westus available).
• SDK Reference: Azure SDK for .NET - Cognitive Services (phiên bản 1.0+ hỗ trợ programmatic creation).

🛠️ Lời khuyên từ Azure AI Engineer: Khi implement, kiểm tra resource_group_name và handle exceptions (như quota exceeded ở F0). Nâng cấp lên Azure AI Studio cho multi-modal models mới hơn nếu cần! 🚀

🧩 Phân tích chi tiết nội dung câu hỏi

Câu hỏi mô tả một yêu cầu HTTP POST được thực hiện thành công đến Azure Resource Manager (ARM) API tại endpoint:
https://management.azure.com/subscriptions/18c51a87-3a69-47a8-aedc-a54745f708a1/resourceGroups/RG1/providers/Microsoft.CognitiveServices/accounts/contoso1/regenerateKey?api-version=2017-04-18

Body của request: {"keyName": "Key2"}

🛠️ Giải thích kỹ thuật:

• Đây là API dùng để regenerate (tái tạo hoặc reset) khóa (key) cho tài khoản Azure Cognitive Services (tên resource: contoso1).
• Azure Cognitive Services cung cấp hai khóa subscription chính:
  • Key1: Primary subscription key (khóa chính).
  • Key2: Secondary subscription key (khóa phụ).
• Tham số keyName chỉ định khóa cần reset: "Key1" cho khóa chính, "Key2" cho khóa phụ.
• API version 2017-04-18 là phiên bản cũ nhưng vẫn được hỗ trợ (logic tương tự ở phiên bản mới nhất 2023-05-01 và 2024-05-01-preview đến năm 2026). Request thành công (HTTP 200/202) sẽ trả về khóa mới được reset mà không ảnh hưởng đến khóa kia.
• Kết quả chính: Chỉ khóa được chỉ định (Key2) bị reset, tạo giá trị mới ngẫu nhiên.

✅ Đáp án đúng: The secondary subscription key was reset.

Lý do lựa chọn:
Request chỉ định rõ "keyName": "Key2", nên API sẽ reset riêng khóa phụ (secondary subscription key) của tài khoản Cognitive Services contoso1. Khóa chính (Key1) không bị ảnh hưởng. Đây là hành vi chuẩn của Azure REST API cho Cognitive Services, giúp duy trì tính sẵn sàng cao mà không gián đoạn dịch vụ đang dùng khóa kia. ✅

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

• A. A key for Azure Cognitive Services was generated in Azure Key Vault.
  ❌ Sai: API này không liên quan đến Azure Key Vault. Nó regenerate key trực tiếp trong tài khoản Cognitive Services (resource provider Microsoft.CognitiveServices). Key Vault dùng để quản lý secret riêng biệt, không tự động generate key Cognitive Services. Không có tích hợp tự động nào ở đây.

• B. A new query key was generated.
  ❌ Sai: Cognitive Services sử dụng subscription keys (Key1/Key2), không phải "query key". "Query key" là khái niệm cũ từ QnA Maker (nay là Custom Question Answering trong Language Service), không áp dụng cho API regenerateKey chung của accounts. API này chỉ reset subscription key.

• C. The primary subscription key and the secondary subscription key were rotated.
  ❌ Sai: API chỉ reset khóa được chỉ định (Key2), không rotate (xoay vòng) cả hai khóa. Rotate cả hai cần gọi API hai lần riêng biệt (một lần cho Key1, một cho Key2). Không có tùy chọn rotate tự động cả đôi ở endpoint này.

• D. The secondary subscription key was reset.
  ✅ Đúng: Như giải thích trên, keyName: "Key2" chính xác trigger reset secondary subscription key. Response API sẽ trả về object chứa giá trị key mới (ví dụ: {"key1": "...", "key2": "[giá trị mới]"}).

📘 Tài liệu tham khảo (cập nhật đến 2026)

• Azure REST API Docs - Accounts_RegenerateKey: Accounts - Regenerate Key (version 2023-05-01, logic không đổi ở 2024-05-01-preview).
• Cognitive Services Authentication: Use subscription keys (xác nhận Key1/Key2).
• ARM API Reference: Microsoft.CognitiveServices/accounts/regenerateKey.

🛠️ Là Azure AI Engineer, tôi khuyên dùng Azure Portal hoặc Azure CLI (az cognitiveservices account keys regenerate) để thực hiện an toàn hơn API trực tiếp! 🚀

🧩 Phân tích chi tiết câu hỏi trắc nghiệm

Câu hỏi gốc:
You have an Azure Video Analyzer for Media (previously Video Indexer) service that is used to provide a search interface over company videos on your company's website.
You need to be able to search for videos based on who is present in the video.
What should you do?

📘 Giải thích nội dung câu hỏi một cách chi tiết và rõ ràng:
Câu hỏi này tập trung vào dịch vụ Azure Video Analyzer for Media (tên cũ là Video Indexer), một phần của Azure AI services, dùng để phân tích video, trích xuất insights như khuôn mặt, người nói, văn bản, và hỗ trợ tìm kiếm trên video công ty hiển thị trên website.
Yêu cầu chính là tìm kiếm video dựa trên người xuất hiện trong video (person-based search). Để làm điều này, Video Indexer cần sử dụng tính năng Person Recognition (nhận diện người), nơi bạn phải huấn luyện mô hình tùy chỉnh bằng cách tạo person model và cung cấp hình ảnh khuôn mặt để nhận diện chính xác các cá nhân cụ thể (như nhân viên công ty). Sau đó, liên kết mô hình này với các video để kích hoạt tìm kiếm theo tên người.
Tính năng này dựa trên AI computer vision (như Face API tích hợp), và theo tài liệu mới nhất của Microsoft (cập nhật đến 2026, phiên bản Azure AI Video Indexer v3+), quy trình bao gồm tạo model, thêm person objects với face images, rồi associate model vào video để index và search. Không cần chỉnh sửa video thủ công hay mời người dùng.

✅ Đáp án đúng và lý do lựa chọn

Câu hỏi này là dạng multiple select (chọn nhiều đáp án đúng), với hai đáp án đúng được yêu cầu thực hiện cùng nhau để kích hoạt tính năng search theo người:

• Create a person model and associate the model to the videos. ✅
• Create person objects and provide face images for each object. ✅

Lý do lựa chọn (dựa trên docs Microsoft Azure AI Video Indexer 2026):
Để search video theo người hiện diện, bạn phải:

1. Tạo Person Model tùy chỉnh (custom model) trong Video Indexer để huấn luyện AI nhận diện khuôn mặt cụ thể.
2. Trong model đó, tạo Person Objects và upload face images (ít nhất 5-10 ảnh rõ nét mỗi người) để train model đạt độ chính xác cao (accuracy >90%).
3. Associate (liên kết) model với video cụ thể hoặc account để Video Indexer tự động index khuôn mặt và cho phép search bằng tên người (ví dụ: "videos with John Doe").
   Quy trình này là bắt buộc theo hướng dẫn chính thức, giúp search qua insights như "People" tab trên portal. Không làm bước này, Video Indexer chỉ detect khuôn mặt chung chung (không tên cụ thể).

🛠️ Phân tích tất cả các phương án (đúng và sai)

Dưới đây là phân tích từng lựa chọn giữ nguyên văn bản gốc tiếng Anh, kèm giải thích chi tiết bằng tiếng Việt tại sao đúng/sai, dựa trên tính năng Video Indexer mới nhất (2026):

• Create a person model and associate the model to the videos.
  ✅ Đúng. Đây là bước cốt lõi: Tạo custom Person Model qua portal Video Indexer (API hoặc UI), rồi associate vào video/video list để apply model. Sau khi process video, insights sẽ có tên người, hỗ trợ search trực tiếp trên website qua Video Indexer API (Search endpoint). Không associate thì model không áp dụng được.

• Create person objects and provide face images for each object.
  ✅ Đúng. Trong Person Model, bạn tạo Person Objects (đại diện mỗi cá nhân), upload face images (ảnh khuôn mặt từ video khác hoặc ảnh tĩnh) để train. Video Indexer dùng chúng để match khuôn mặt trong video mới, đạt độ chính xác cao cho search (hỗ trợ lên đến 1000 persons/model).

• Invite the entire staff of the company to Video Indexer.
  ❌ Sai. Video Indexer không có tính năng "invite users" như collaboration tool (chỉ có account-based access). Việc mời staff không liên quan đến person recognition; đây chỉ là quản lý quyền truy cập account, không train AI nhận diện khuôn mặt. Làm vậy chỉ tốn thời gian, không giải quyết search theo người.

• Edit the faces in the videos.
  ❌ Sai. Không cần (và không nên) chỉnh sửa video thủ công vì Video Indexer dùng AI tự động detect/track khuôn mặt. Edit faces có thể làm hỏng metadata, tăng chi phí storage/process, và vi phạm best practices (video gốc giữ nguyên để index chính xác).

• Upload names to a language model.
  ❌ Sai. Language model (như trong Azure AI Language) dùng cho text/speech-to-text, không phải face recognition. Upload tên chỉ thêm metadata text, không train vision model để match khuôn mặt thực tế trong video. Tính năng này không tồn tại trong Video Indexer cho person search.

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

• Microsoft Docs: Customize person model in Video Indexer – Hướng dẫn chi tiết tạo model & associate.
• Video Indexer API: Search Videos by People – Endpoint search theo "people" insights.
• Azure AI Video Indexer Release Notes 2026 – Xác nhận tính năng không thay đổi cốt lõi, chỉ cải thiện accuracy với multimodal AI.

Nếu cần demo code hoặc tích hợp API, hãy cho tôi biết thêm! 🚀