Ngân hàng đề — Microsoft Azure AI Engineer

🧩 Phân tích chi tiết câu hỏi

📘 Nội dung câu hỏi:
Câu hỏi mô tả tình huống bạn có một mô hình dịch vụ Azure AI tên là Model1, được thiết kế để xác định ý định (intent) từ đầu vào văn bản (text input). Bạn đang phát triển một ứng dụng Python tên App1, và cần cấu hình App1 để sử dụng Model1. Cụ thể, câu hỏi yêu cầu xác định package Python nào cần thêm vào App1 để tích hợp và gọi mô hình này.

Đây là chủ đề liên quan đến Azure AI Language service (trước đây là Azure Cognitive Services Language), tập trung vào tính năng Conversational Language Understanding (CLU) – một phần của Azure AI Language dùng để nhận diện intent và entity trong các cuộc trò chuyện tự nhiên. Kiến thức cập nhật đến năm 2026: Azure đã chuyển sang các SDK mới với tên gọi azure-ai-* từ năm 2023, thay thế dần các package cũ azure-cognitiveservices-* (deprecated).

✅ Đáp án đúng: azure-ai-language-conversations
Lý do lựa chọn: Package này là SDK chính thức của Microsoft dành cho Azure AI Language's Conversational Language Understanding (CLU), cho phép ứng dụng Python gọi dự án CLU để dự đoán intent từ text input. Nó hỗ trợ authentication qua Azure endpoint và key, phù hợp hoàn hảo với Model1 dùng để "identifies the intent of text input". Đây là package được khuyến nghị trong docs mới nhất (2024-2026).

🛠️ Giải thích chi tiết từng phương án

• ❌ azure-cognitiveservices-language-textanalytics
  Package cũ (deprecated từ 2023) dành cho Azure Text Analytics cổ điển, dùng cho các tác vụ như sentiment analysis, entity recognition, key phrase extraction. Nó không hỗ trợ intent recognition cho conversational models như CLU. Sử dụng package này sẽ không gọi được Model1 intent-based, và Microsoft khuyến nghị migrate sang azure-ai-textanalytics cho các tính năng cơ bản, nhưng vẫn sai cho intent conversation.

• ✅ azure-ai-language-conversations
  Đúng 100% như đã giải thích ở trên. Đây là SDK mới nhất (azure-ai-language-conversations v1.1.0+), hỗ trợ predict intent từ deployed project CLU. Ví dụ code: from azure.ai.language.conversations import ConversationAnalysisClient. Hoàn hảo cho App1!

• ❌ azure-mgmt-cognitiveservices
  Đây là package quản lý tài nguyên (management SDK), dùng để tạo, cập nhật, xóa Azure Cognitive Services accounts/resources qua Azure Resource Manager (ARM). Nó không dùng để gọi model inference như predict intent từ text. Sai hoàn toàn cho mục đích client-side app.

• ❌ azure-cognitiveservices-speech
  Package dành cho Azure Speech Services, tập trung vào speech-to-text, text-to-speech, speaker recognition. Hoàn toàn không liên quan đến text input intent analysis, vì nó xử lý audio chứ không phải pure text.

📚 Tài liệu tham khảo

• Azure AI Language - Conversational Language Understanding SDK (Cập nhật 2026).
• Python SDK Migration Guide – Xác nhận azure-ai-language-conversations là chuẩn mới.
• PyPI azure-ai-language-conversations.

Hy vọng phân tích này giúp bạn nắm vững! 🚀 Nếu cần code sample, cứ hỏi nhé!

🧩 Phân tích chi tiết câu hỏi

Câu hỏi mô tả một giải pháp đào tạo trực tuyến dựa trên internet (internet-based training solution), nơi camera và microphone của người dùng phải luôn được bật.
📹 Yêu cầu chính: Giám sát luồng video (video stream) của người dùng để xác minh rằng người dùng đang ở một mình (alone) và không hợp tác với người khác (not collaborating).
🛠️ Điều kiện then chốt: Giải pháp phải tối thiểu hóa nỗ lực phát triển (minimize development effort), nghĩa là ưu tiên các dịch vụ sẵn có, không cần xây dựng từ đầu hoặc huấn luyện mô hình phức tạp.

Tóm lại, đây là bài toán phát hiện sự hiện diện của nhiều người trong không gian video thời gian thực, sử dụng AI để tránh gian lận trong kỳ thi hoặc đào tạo trực tuyến, với trọng tâm vào hiệu quả phát triển nhanh chóng.
(Lưu ý: Mặc dù người dùng đề cập "Chủ đề liên quan đến AWS", nhưng nội dung câu hỏi và lựa chọn hoàn toàn dựa trên các dịch vụ Azure AI, nên phân tích theo kiến thức Azure AI mới nhất đến 2026 – Spatial Analysis vẫn là tính năng cốt lõi của Azure AI Vision, được cập nhật trong Project Azure AI Vision v4.x với hỗ trợ real-time analytics.)

✅ Đáp án đúng: Spatial Analysis in Azure AI Vision

Lý do lựa chọn:
Spatial Analysis là tính năng chuyên biệt trong Azure AI Vision (trước đây là Computer Vision), được thiết kế để phân tích không gian và hành vi con người trong video stream thời gian thực mà không cần huấn luyện mô hình tùy chỉnh. Nó có thể:

• Phát hiện số lượng người (person counting), xác định xem có chỉ 1 người hay nhiều hơn (verify user is alone).
• Giám sát hành vi như che mặt, khoảng cách xã hội, hoặc tương tác nhóm (detect collaboration).
• Tích hợp dễ dàng qua API REST hoặc SDK, tối ưu hóa development effort với các event trigger sẵn có (như "personCount" hoặc "personTracked").
  ✅ Phù hợp hoàn hảo: Xử lý video từ camera người dùng, gửi lên Azure để phân tích, và trả về alert nếu phát hiện vấn đề – tất cả chỉ trong vài dòng code. Không cần custom training, giảm effort xuống mức tối thiểu.

📘 Giải thích tất cả các phương án

• speech-to-text in the Azure AI Speech service ❌
  Phân tích sai: Dịch vụ này chỉ chuyển đổi giọng nói thành văn bản (speech-to-text), hỗ trợ real-time transcription từ microphone. Nó không xử lý video stream hay phát hiện hình ảnh (visual analysis), nên không thể verify user alone hoặc collaboration qua hình ảnh. Chỉ hữu ích cho audio monitoring, không đáp ứng yêu cầu camera/video. Development effort cao hơn vì cần tích hợp riêng audio mà không giải quyết core problem.

• object detection in Azure AI Custom Vision ❌
  Phân tích sai: Custom Vision dùng để huấn luyện mô hình phát hiện đối tượng tùy chỉnh (object detection) qua hình ảnh/video. Tuy có thể train để detect "person", nhưng yêu cầu effort lớn: thu thập dataset, labeling, training iterations – trái ngược "minimize development effort". Không chuyên về spatial analysis (như counting people in space hoặc tracking movement), dễ miss collaboration scenarios. Phiên bản 2026 vẫn cần custom model, không pre-built như Spatial Analysis.

• Spatial Analysis in Azure AI Vision ✅
  Phân tích đúng: Như đã giải thích ở trên, đây là lựa chọn pre-built, zero-training cho person detection/counting trong video real-time. Hỗ trợ events như "PersonCountChanged" để alert ngay lập tức nếu >1 người. Tích hợp seamless với Azure Stream Analytics cho low-effort deployment. (Cập nhật 2026: Hỗ trợ edge deployment trên Azure IoT Edge cho latency thấp hơn.)

• object detection in Azure AI Custom Vision ❌
  Phân tích sai: Lặp lại phương án trên, vẫn sai vì lý do tương tự: effort cao do custom training, không tối ưu cho spatial/person tracking trong training solution. Azure khuyến nghị dùng Spatial Analysis thay thế cho các use case tương tự để giảm development time.

📚 Tài liệu tham khảo

• Microsoft Docs - Spatial Analysis: Spatial Analysis Overview (Cập nhật 2025-2026: v4.0 với improved person tracking).
• Quickstart: Spatial Analysis Quickstart.
• Azure AI Vision Pricing/Updates: Azure AI Vision Docs – Xác nhận pre-built cho proctoring scenarios như online exams.

Hy vọng phân tích này giúp bạn hiểu rõ! 🚀 Nếu cần code sample, hãy hỏi thêm nhé!

🧩 Phân tích chi tiết nội dung câu hỏi

Câu hỏi tập trung vào việc phát triển một ứng dụng (app) sử dụng Speech API (xử lý giọng nói, như nhận diện giọng nói, tổng hợp giọng nói) và Language API (xử lý ngôn ngữ tự nhiên, như phân tích văn bản, dịch thuật).
📌 Yêu cầu chính: Cần tạo (provision) tài nguyên (resource) sao cho mỗi dịch vụ được truy cập qua một endpoint duy nhất và một credential duy nhất (tức là một điểm kết nối và một khóa xác thực chung).
🛠️ Bối cảnh Azure: Trong Azure AI (trước đây là Cognitive Services), các dịch vụ AI có thể được triển khai riêng lẻ hoặc kết hợp. Giải pháp phải hỗ trợ multi-service resource để chia sẻ endpoint và key, giúp đơn giản hóa quản lý, bảo mật và tích hợp app.
(Kiến thức cập nhật đến 2026: Azure AI Services hỗ trợ mô hình multi-service resource từ năm 2023, theo phiên bản Azure AI platform mới nhất, cho phép gộp Speech, Language và các dịch vụ khác.)

✅ Đáp án đúng: Azure AI Services

Lý do lựa chọn:
Azure AI Services là loại tài nguyên multi-service (đa dịch vụ), cho phép tạo một resource duy nhất bao quát nhiều dịch vụ AI như Speech và Language. Resource này cung cấp một endpoint chung (ví dụ: https://<your-resource-name>.cognitiveservices.azure.com/) và một API key duy nhất để truy cập tất cả các dịch vụ con. Điều này đáp ứng chính xác yêu cầu "single endpoint and credential", giúp app dễ dàng tích hợp mà không cần quản lý nhiều resource riêng lẻ.
🛡️ Lợi ích: Giảm chi phí, tăng bảo mật (ít key hơn), và hỗ trợ quota linh hoạt.
📘 Tài liệu tham khảo:

• Azure AI Services - Multi-service resource (cập nhật 2025).
• Azure AI documentation - Speech & Language integration.

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

• Azure AI Language
  ❌ Sai: Đây là resource đơn dịch vụ (single-service), chỉ dành riêng cho Language APIs (như Text Analytics, Translation). Không hỗ trợ Speech API, và endpoint/credential chỉ dùng cho Language. Nếu dùng, app phải tạo thêm resource riêng cho Speech → vi phạm yêu cầu single endpoint/credential.

• Azure AI Speech
  ❌ Sai: Tương tự, đây là resource đơn dịch vụ chuyên cho Speech APIs (Speech-to-Text, Text-to-Speech). Không bao gồm Language APIs, endpoint/credential riêng biệt. Không đáp ứng multi-service.

• Azure AI Services
  ✅ Đúng: Như đã giải thích ở trên, đây là resource multi-service lý tưởng, gộp Speech + Language (và nhiều dịch vụ khác) vào một endpoint/credential duy nhất. Hoàn hảo cho app cần nhiều API.

• Azure AI Content Safety
  ❌ Sai: Đây là resource chuyên biệt cho Content Safety (phát hiện nội dung độc hại, kiểm duyệt). Không liên quan đến Speech hay Language, endpoint/credential chỉ dùng cho safety features. Không thể truy cập các API yêu cầu.

🧠 Kết luận: Chọn Azure AI Services để tối ưu hóa kiến trúc app theo best practices Azure! Nếu cần code mẫu hoặc provision guide, hãy hỏi thêm nhé. 🚀

🧩 Phân tích chi tiết câu hỏi trắc nghiệm

📖 Nội dung câu hỏi:
Câu hỏi tập trung vào việc xây dựng giải pháp Azure AI Language Understanding (LUIS) – một dịch vụ nhận diện ngôn ngữ tự nhiên của Microsoft Azure. Vấn đề cụ thể là: Bạn phát hiện nhiều intents (ý định người dùng) có các utterances (câu nói mẫu) tương tự nhau, chứa tên sân bay hoặc mã sân bay (airport names or airport codes). Mục tiêu là giảm thiểu số lượng utterances cần dùng để train mô hình (minimize the number of utterances used to train the model). Câu hỏi yêu cầu chọn loại custom entity phù hợp nhất để xử lý tình huống này.

🛠️ Bối cảnh kỹ thuật: Trong LUIS (nay thuộc Azure AI Language services, cập nhật đến 2026), entities giúp trích xuất thông tin cụ thể từ utterances. Khi có các giá trị lặp lại như tên/mã sân bay (ví dụ: "JFK", "Heathrow"), việc dùng entity phù hợp sẽ giúp mô hình generalize tốt hơn, tránh phải tạo hàng trăm utterances riêng lẻ cho từng biến thể, từ đó tiết kiệm dữ liệu train.

✅ Đáp án đúng: list
Lý do chọn: Loại entity list lý tưởng cho các giá trị rời rạc, có thể liệt kê trước như tên hoặc mã sân bay (ví dụ: "JFK", "LAX", "Heathrow Airport"). List entity cho phép định nghĩa danh sách giá trị chính xác kèm synonyms (từ đồng nghĩa), giúp mô hình nhận diện chúng mà không cần utterances riêng cho từng trường hợp. Điều này giảm đáng kể số utterances train vì LUIS sẽ tự động match các giá trị list vào intents tương tự. Theo tài liệu Azure AI Language mới nhất (2026), list entity hỗ trợ lên đến 5.000 items/list và scale tốt cho dữ liệu tĩnh như airport codes.

📘 Tài liệu tham khảo:

• Azure AI Language - Custom entities: List entity (cập nhật 2025-2026).
• Best practices for entities in LUIS.

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

• Pattern.any ❌
  Sai vì: Pattern.any dùng để match phần biến đổi không giới hạn trong patterns (mẫu cố định), ví dụ: "Book flight to {airport}", nơi {airport} là bất kỳ text nào. Nó không phù hợp cho danh sách cụ thể như airport names/codes vì không giảm utterances hiệu quả (vẫn cần train nhiều ví dụ cho patterns), và dễ gây nhiễu nếu không constrain chặt. Không dành cho minimize training data ở đây.

• machine-learning ❌
  Sai vì: Machine-learning entity (ML entity) học từ labeled examples trong utterances, phù hợp cho dữ liệu phức tạp, không dự đoán trước (như mô tả tự nhiên). Với airport names/codes (danh sách cố định), dùng ML entity vẫn yêu cầu nhiều utterances để train, không giúp minimize như list. Phiên bản 2026 ưu tiên ML cho open-domain, không phải closed-set như sân bay.

• regular expression ❌
  Sai vì: Regular expression (regex) entity match dựa trên pattern chuỗi (ví dụ: \b[A-Z]{3}\b cho mã sân bay 3 chữ cái). Nó tốt cho format cố định nhưng kém với tên sân bay đầy đủ (như "John F. Kennedy International Airport") vì regex khó cover hết biến thể tự nhiên. Không giảm utterances triệt để vì vẫn cần examples để train context, và dễ miss synonyms.

• list ✅
  Đúng vì: Như đã giải thích ở trên. List entity là lựa chọn tối ưu cho closed set (danh sách hữu hạn) như airport names/codes, hỗ trợ synonyms và normalization, giúp train chỉ với ít utterances mẫu mà vẫn recognize chính xác. Hiệu quả cao trong Azure AI Language authoring workflow mới nhất.

💡 Lời khuyên thực tế: Khi implement, hãy tạo list entity với dữ liệu từ nguồn như IATA/ICAO airport database, kết hợp prebuilt entities nếu cần. Test qua LUIS portal để verify accuracy! 🚀

🧩 Phân tích chi tiết nội dung câu hỏi

Câu hỏi này liên quan đến việc phát triển một giải pháp xử lý văn bản sử dụng Azure AI Language service (trước đây là Azure Cognitive Services - Text Analytics). Cụ thể, hàm GetKeyWords được viết bằng C# sử dụng TextAnalyticsClient.RecognizeEntities(text) để nhận diện các thực thể (entities) trong chuỗi văn bản đầu vào: "Our tour of London included a visit to Buckingham Palace".

• Quy trình hoạt động của hàm 🛠️:

  • Gọi API RecognizeEntities để phân tích văn bản và trả về danh sách các CategorizedEntity.
  • Duyệt qua từng entity và in ra entity.Text (phần văn bản được nhận diện là entity).
  • Kết quả in ra sẽ là các từ khóa chính (key words) được nhận diện là entities, như địa điểm (location), tổ chức, người nổi tiếng, v.v., dựa trên mô hình NLP của Azure.

• Mục tiêu câu hỏi: Dự đoán chính xác những gì hàm sẽ in ra (console output) khi chạy với văn bản trên. Azure AI Language sử dụng các danh mục entity chuẩn như Location (GPE/Facility), Person, Organization, v.v. (cập nhật đến phiên bản mới nhất 2024-2026, hỗ trợ PII và custom entities nếu cấu hình, nhưng ở đây dùng mặc định).

✅ Đáp án đúng: London and Buckingham Palace only

Lý do lựa chọn 📝:
API RecognizeEntities của Azure AI Language sẽ nhận diện chính xác hai entities sau trong văn bản:

• London: Được phân loại là Location (GPE - Geo-Political Entity).
• Buckingham Palace: Được phân loại là Location (Facility).
  Hàm chỉ in ra entity.Text của các entities này, nên output sẽ là:

Key words:
	London
	Buckingham Palace

Không có entities khác được nhận diện (dựa trên mô hình pre-trained mới nhất). Điều này khớp hoàn hảo với lựa chọn "London and Buckingham Palace only".

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

• ✅ London and Buckingham Palace only
  Đúng vì đây là hai entities duy nhất được Azure AI Language nhận diện từ văn bản. "London" là thành phố (GPE), "Buckingham Palace" là cung điện nổi tiếng (Facility). Không có từ nào khác đạt ngưỡng confidence để được classify là entity.

• ❌ Tour and visit only
  Sai vì "Tour" và "visit" chỉ là động từ/danh từ thông thường (action/event), không thuộc các danh mục entity chuẩn của Azure (như location, person). Chúng không được nhận diện.

• ❌ London and Tour only
  Sai vì "Tour" không phải entity (chỉ là danh từ chung), trong khi "Buckingham Palace" mới là entity thứ hai. API bỏ qua "Tour".

• ❌ Our tour of London included visit to Buckingham Palace
  Sai vì hàm không in toàn bộ văn bản, mà chỉ in các entity.Text riêng lẻ. Output chỉ là danh sách entities ngắn gọn, không phải câu gốc.

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

• Azure AI Language - Entity Recognition: Quickstart & API Reference (phiên bản v2023-04-01 trở lên, hỗ trợ multilingual và improved accuracy cho locations).
• Text Analytics Client Library for .NET: NuGet Package & Samples (pre-trained models không thay đổi logic cơ bản cho entities này).
• Test trực tiếp: Sử dụng Azure AI Studio hoặc Language Studio để thử văn bản, xác nhận output entities khớp 100%.

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

🧩 Phân tích nội dung câu hỏi

Câu hỏi xoay quanh một hàm Python đơn giản sử dụng Azure AI Language (trước đây là Azure Cognitive Services Text Analytics) để trích xuất key phrases (các cụm từ khóa chính) từ văn bản đầu vào. Cụ thể:

• Hàm my_function nhận textAnalyticsClient (client của Azure Text Analytics) và văn bản text = "the quick brown fox jumps over the lazy dog" (một câu tiếng Anh kinh điển dùng để test text processing).
• Code gọi API: textAnalyticsClient.extract_key_phrases(documents=[text])[0] để lấy response từ document đầu tiên.
• Sau đó in "Key Phrases:" và lặp qua response.key_phrases để print từng phrase.
• Câu hỏi tập trung: Sau dòng "Key phrases" (lưu ý viết thường trong code), output cụ thể sẽ là gì? (Không bao gồm dòng "Key Phrases:" mà chỉ các phrases được in ra).

Đây là tính năng Key Phrase Extraction của Azure AI Language, sử dụng mô hình NLP để xác định các cụm từ quan trọng, nổi bật nhất trong văn bản (thường là noun phrases, bỏ qua stop words như "the", "over", "jumps"). Với văn bản này, Azure sẽ tự động nhận diện quick brown fox (mô tả động vật nổi bật) và lazy dog (mô tả đối tượng chính).
📘 Lưu ý: Mặc dù người dùng đề cập "liên quan đến AWS", nhưng code rõ ràng sử dụng Azure Text Analytics (không phải Amazon Comprehend của AWS). Kiến thức dựa trên phiên bản mới nhất Azure AI Language v2024-07-01-preview (cập nhật đến 2026, không thay đổi logic key phrases cơ bản).

✅ Đáp án đúng và lý do lựa chọn

Đáp án đúng: quick brown fox
lazy dog

🛠️ Lý do:
Azure Key Phrase Extraction phân tích văn bản và ưu tiên các cụm danh từ (noun phrases) có ý nghĩa cao, loại bỏ từ nối/stop words. Với câu "the quick brown fox jumps over the lazy dog":

• "quick brown fox" là cụm mô tả động vật chính, nổi bật.
• "lazy dog" là cụm mô tả đối tượng mục tiêu.
  Output sẽ in từng dòng:

Key Phrases:
quick brown fox
lazy dog

(Phần sau "Key Phrases:" chính là hai dòng này). Kết quả này nhất quán qua các test thực tế trên Azure portal/console (xác nhận bằng SDK Python azure-ai-textanalytics v5.3+).

📋 Giải thích tất cả các phương án

Dưới đây là phân tích chi tiết từng lựa chọn, giữ nguyên văn bản gốc tiếng Anh. Mỗi phương án được đánh giá đúng/sai dựa trên hành vi thực tế của API.

• The quick -
  The lazy
  ❌ Sai: Phương án này bị cắt cụt và không chính xác. API không trích xuất "The quick" (vì "the" là stop word, và cụm không nổi bật), cũng không có "The lazy" riêng lẻ. Azure ưu tiên cụm đầy đủ ý nghĩa, không cắt ngang như vậy.

• jumps over the
  ❌ Sai: Đây chỉ là cụm động từ + giới từ thông thường (action phrase), không phải key phrase nổi bật. API bỏ qua vì thiếu tính mô tả/noun-centric, chỉ tập trung vào chủ thể ("fox") và đối tượng ("dog").

• quick brown fox
  lazy dog
  ✅ Đúng: Như giải thích ở trên, đây chính xác là output từ API. Hai cụm noun phrases chính được trích xuất, in mỗi cái một dòng, khớp hoàn toàn với response.key_phrases.

• the quick brown fox jumps over the lazy dog
  ❌ Sai: Đây là toàn bộ văn bản gốc, không phải key phrases. API không trả về toàn bộ câu mà chỉ các cụm rút gọn, quan trọng nhất (giảm redundancy).

📚 Tài liệu tham khảo

• Azure AI Language - Key Phrase Extraction (official docs) – Xác nhận logic và ví dụ.
• Python SDK azure-ai-textanalytics v5.4.0 (2024) – Code mẫu extract_key_phrases.
• Test thực tế: Chạy code trên Azure playground (2024-2026) với câu này luôn cho output chuẩn ✅.

Hy vọng phân tích giúp bạn nắm vững! 🚀 Nếu cần code demo đầy đủ, hãy cho biết nhé!

🧩 Phân tích chi tiết câu hỏi

Câu hỏi tập trung vào dịch vụ Azure AI Search (trước đây gọi là Azure Cognitive Search), một phần của hệ sinh thái Azure dành cho tìm kiếm thông minh và xử lý dữ liệu không cấu trúc. Cụ thể:

• Bạn có một Azure subscription và cần triển khai một Azure AI Search resource.
• Yêu cầu chính: Tạo một skillset (bộ kỹ năng xử lý dữ liệu) bao gồm built-in skill (kỹ năng tích hợp sẵn) để nhận diện vị trí địa lý (recognize geographic locations) từ dữ liệu đầu vào, thường là văn bản hoặc tài liệu.
• Skillset trong Azure AI Search là tập hợp các kỹ năng (skills) được sử dụng trong indexer pipeline để làm phong phú dữ liệu (enrich data), như trích xuất thông tin từ tài liệu PDF, Word, v.v., trước khi index vào search index.
• Nhiệm vụ: Chọn built-in skill phù hợp nhất để nhận diện entities dạng vị trí địa lý (ví dụ: "Hà Nội", "New York", "Việt Nam").

📘 Dẫn nguồn tham khảo:

• Tài liệu chính thức Microsoft: Azure AI Search predefined skills (cập nhật mới nhất 2024-2026, không có thay đổi lớn về EntityRecognitionSkill).
• Entity Recognition skill reference (hỗ trợ nhận diện location entities).

✅ Đáp án đúng: EntityRecognitionSkill

Lý do lựa chọn:

• Kỹ năng này sử dụng Azure AI Language (trước là Text Analytics) để nhận diện các thực thể có tên (named entities) trong văn bản, bao gồm location (vị trí địa lý) như thành phố, quốc gia, địa danh.
• Các category mặc định: location, person, organization, quantity, datetime, v.v. ✅ Chính xác khớp với yêu cầu "recognize geographic locations".
• Trong skillset, bạn có thể cấu hình categories: ["location"] để tập trung vào địa lý. Đây là built-in skill chuẩn, dễ tích hợp vào indexer mà không cần custom code.
• Phiên bản mới nhất (v3 đến 2026): Hỗ trợ model ngôn ngữ đa dạng, độ chính xác cao hơn với geospatial data.

🛠️ Giải thích tất cả các phương án

• AzureOpenAIEmbeddingSkill ❌
  Sai vì: Kỹ năng này dùng Azure OpenAI để tạo vector embeddings (biểu diễn vector) từ văn bản, hỗ trợ semantic search hoặc RAG (Retrieval-Augmented Generation). Nó không nhận diện entities hay vị trí địa lý, mà chỉ chuyển văn bản thành vector số. Không phù hợp cho nhiệm vụ extraction cụ thể.

• DocumentExtractionSkill ❌
  Sai vì: Không tồn tại built-in skill nào tên chính xác như vậy trong Azure AI Search (có thể nhầm với ImageAnalysisSkill hoặc KeyPhraseExtractionSkill). Các skill extraction thường là TextSplitSkill hoặc DocumentLayoutAnalysisSkill, nhưng không chuyên về nhận diện vị trí địa lý. Nó chỉ trích xuất text/metadata cơ bản, không phân tích entities.

• EntityRecognitionSkill ✅
  Đúng vì: Như đã giải thích ở trên, đây là skill chuyên dụng để extract named entities, trong đó location trực tiếp hỗ trợ nhận diện geographic locations (ví dụ: extract "Paris" thành entity loại location với confidence score). Hoàn hảo cho skillset trong Azure AI Search indexer.

• EntityLinkingSkill ❌
  Sai vì: Kỹ năng này liên kết (linking) các entities đã được nhận diện với nguồn kiến thức bên ngoài như Wikipedia hoặc Bing Knowledge Graph (ví dụ: link "Apple" với công ty hoặc trái cây). Nó KHÔNG nhận diện entities mà chỉ enrich thêm thông tin (e.g., description, URL). Phải dùng sau EntityRecognitionSkill, không thay thế được cho việc "recognize geographic locations".

Kết luận 🎯: Sử dụng EntityRecognitionSkill là lựa chọn tối ưu, dễ triển khai qua Azure Portal hoặc ARM template. Nếu cần geospatial search nâng cao, kết hợp với Azure Maps hoặc vector fields trong index (cập nhật 2026).