Ngân hàng đề Microsoft Azure AI Engineer

Câu 31 Plan and manage an Azure AI solution (15–20%)

You are implementing a speech-to-text solution that performs diarization for multi-speakers and distinguishes speakers along with time.

Which of the below listed will help us implement this solution?

A
Speech-to-text SDK
B
Speech-to-text API
C
Conversation Transcription
D
Batch Transcription

Xem giải thích

Đáp án

C — Conversation Transcription

Vì sao đúng

Đề cần phân tách người nói (diarization) cho nhiều người kèm mốc thời gian. Conversation Transcription là tính năng dựng riêng cho tình huống nhiều người nói: nó vừa chuyển giọng nói thành văn bản theo thời gian thực, vừa gán mỗi đoạn cho một người nói, và có thể nhận diện người nói cụ thể nếu đã đăng ký giọng trước.

Vì sao các phương án khác sai

D. Batch Transcription — xử lý tệp âm thanh theo lô; có hỗ trợ phân tách người nói nhưng không phải thời gian thực và thường giới hạn số người ít hơn.
A. Speech-to-text SDK và B. Speech-to-text API — là cách gọi dịch vụ nói chung; bản thân chúng không phải tính năng phân tách người nói mà đề hỏi.

Câu 32 Implement natural language processing solutions (30–35%)

Your organization needs to analyze documents written in multiple languages. You have been assigned the task of detecting the language using the Detect Language API of the Azure AI Language service. As you analyze the JSON output for the documents, you notice that the results are ambiguous. Here is an example of the JSON output:

When the origin of the text is unknown or the same words are used in different languages, which input parameter would you use in your code to remove ambiguity in language detection?

A
detectedLanguage
B
iso6391Name
C
countryHint
D
name

Xem giải thích

Đáp án

C — countryHint

Vì sao đúng

countryHint là tham số đầu vào cho phép bạn gợi ý quốc gia xuất xứ của văn bản, giúp dịch vụ phân biệt những ngôn ngữ dễ nhầm với nhau khi đoạn văn quá ngắn. Đây là tham số bạn đặt, khác với các trường trong kết quả trả về.

Vì sao các phương án khác sai

Ba phương án còn lại đều là trường trong phản hồi, không phải tham số bạn truyền vào:

A. detectedLanguage — đối tượng chứa kết quả nhận dạng.
B. iso6391Name — mã ngôn ngữ hai chữ cái trong kết quả.
D. name — tên ngôn ngữ ở dạng đọc được trong kết quả.

Câu 33 Chọn nhiều đáp án Implement natural language processing solutions (30–35%)

You are looking to use the Azure Speech service to convert text to speech and then output it to a speaker. First, you create a speech configuration, and then you synthesize the speech to the speaker output. Assuming that all the prerequisites are met, including the installation of the Speech SDK and inclusion of the required packages, please review the code below and complete it by choosing the correct answers. (Select two).

A
SpeechConfig
B
AudioConfig
C
AudioDataStream
D
SpeechSynthesizer

Xem giải thích

Đáp án

A và D — SpeechConfig và SpeechSynthesizer.

Vì sao đúng

⚠ Quy trình chuyển văn bản thành giọng nói ra loa:

var config = SpeechConfig.FromSubscription(key, region);
using var synthesizer = new SpeechSynthesizer(config);
await synthesizer.SpeakTextAsync("Xin chào");

Lớp	Vai trò
⚠ `SpeechConfig`	⚠ cấu hình: khoá, vùng, giọng đọc, định dạng
⚠ `SpeechSynthesizer`	⚠ thực hiện tổng hợp giọng nói
⚠ Không truyền `AudioConfig`	⚠ mặc định phát ra LOA của máy

⚠ Điểm quan trọng: ⚠ đề nói "output ra loa" — ⚠ đó chính là hành vi MẶC ĐỊNH, ⚠ nên không cần AudioConfig.

Vì sao các phương án khác sai

B (AudioConfig) — ⚠ chỉ cần khi muốn đích KHÁC loa mặc định: ⚠ ghi ra FILE, ⚠ ra stream, ⚠ hoặc chọn thiết bị cụ thể.
C (AudioDataStream) — ⚠ dùng để lấy dữ liệu âm thanh dạng luồng: ⚠ khi cần xử lý tiếp, ⚠ không phải phát ra loa.

Ghi nhớ

⚠ Speech SDK — các lớp chính: | Lớp | Việc | |---|---| | ⚠ SpeechConfig | ⚠ cấu hình chung — LUÔN cần | | ⚠ SpeechSynthesizer | ⚠ văn bản → giọng nói | | ⚠ SpeechRecognizer | ⚠ giọng nói → văn bản | | ⚠ TranslationRecognizer | ⚠ nhận diện và dịch | | ⚠ AudioConfig | ⚠ chỉ định nguồn/đích âm thanh |

Từ khoá nhận diện:

"text to speech ra loa" → ⚠ SpeechConfig + SpeechSynthesizer "ghi ra file WAV" → ⚠ thêm AudioConfig.FromWavFileOutput "speech to text từ micro" → ⚠ SpeechRecognizer, AudioConfig mặc định là micro "đọc từ file âm thanh" → ⚠ AudioConfig.FromWavFileInput

⚠ Khi nào cần AudioConfig	Khi nào
⚠ Ghi giọng nói ra FILE	⚠ `FromWavFileOutput`
⚠ Đọc từ file thay vì micro	⚠ `FromWavFileInput`
⚠ Chọn thiết bị âm thanh cụ thể
⚠ Dùng stream tuỳ chỉnh
⚠ Không truyền	⚠ mặc định: micro cho vào, loa cho ra

⚠ Tuỳ chỉnh giọng đọc	Tuỳ chỉnh
⚠ `SpeechSynthesisVoiceName`	⚠ chọn giọng, ví dụ `vi-VN-HoaiMyNeural`
⚠ SSML	⚠ điều khiển tốc độ, cao độ, ngắt nghỉ, nhấn nhá
⚠ Custom Neural Voice	⚠ tạo giọng riêng — cần đăng ký và được duyệt
⚠ Giọng neural	⚠ tự nhiên hơn hẳn giọng chuẩn cũ

⚠ Xử lý lỗi trong Speech SDK	Xử lý
⚠ Kiểm tra `result.Reason`	⚠ `SynthesizingAudioCompleted` là thành công
⚠ `Canceled` thì đọc `CancellationDetails`
⚠ Lỗi thường gặp: sai key, sai region, hết quota
⚠ Đừng	⚠ giả định lời gọi luôn thành công

Ba việc kiểm chứng: | Việc | Cách | |---|---| | Có kiểm tra result.Reason không | | | Giọng đọc có phù hợp ngôn ngữ không | | | Có cần SSML để điều chỉnh nhịp đọc không | |

Và điều tạo khác biệt lớn nhất về chất lượng cảm nhận của giọng đọc tổng hợp: SSML. Cùng một giọng, nhưng có ngắt nghỉ và nhấn nhá đúng chỗ thì nghe tự nhiên hơn hẳn so với đọc một mạch.

Câu 34 Chọn nhiều đáp án Implement content moderation solutions (10–15%)

Your company wants to create a recommendation system to personalize the user experience on its website. Which Azure service should you utilize to achieve this?

A Azure Machine Learning
B
Azure AI Content Safety
C
Azure Databricks
D
Azure AI Language

Xem giải thích

Đáp án

A và C — Azure Machine Learning và Azure Databricks.

Vì sao đúng

⚠ Hệ gợi ý cần huấn luyện mô hình trên dữ liệu hành vi người dùng: | Dịch vụ | Đóng góp | |---|---| | ⚠ Azure Machine Learning | ⚠ nền tảng đầy đủ: huấn luyện, triển khai, theo dõi mô hình | | ⚠ Azure Databricks | ⚠ xử lý dữ liệu lớn bằng Spark + huấn luyện mô hình |

⚠ Dữ liệu hành vi người dùng
   ⚠ (lượt xem, click, mua hàng)
        ↓ ⚠ Databricks
⚠ Xử lý và chuẩn bị đặc trưng ở quy mô lớn
        ↓ ⚠ Azure ML
⚠ Huấn luyện mô hình gợi ý
        ↓
⚠ Triển khai thành endpoint
        ↓
⚠ Website gọi để lấy gợi ý

⚠ Hai dịch vụ này thường dùng CÙNG NHAU, ⚠ không loại trừ nhau.

Vì sao các phương án khác sai

D (Azure AI Language) — ⚠ xử lý NGÔN NGỮ tự nhiên: ⚠ cảm xúc, thực thể, tóm tắt; ⚠ không xây hệ gợi ý.
B (Azure AI Content Safety) — ⚠ kiểm duyệt nội dung: ⚠ hoàn toàn khác mục đích.

Ghi nhớ

⚠ Xây hệ gợi ý trên Azure — bảng phải thuộc: | Thành phần | Dịch vụ | |---|---| | ⚠ Thu thập dữ liệu hành vi | ⚠ Event Hubs, Data Lake | | ⚠ Xử lý dữ liệu lớn | ⚠ Databricks, Synapse | | ⚠ Huấn luyện mô hình | ⚠ Azure ML, Databricks MLflow | | ⚠ Triển khai endpoint | ⚠ Azure ML managed endpoint | | ⚠ Theo dõi và huấn luyện lại | ⚠ Azure ML Model Monitoring |

Từ khoá nhận diện:

"xây hệ gợi ý" → ⚠ Azure ML và/hoặc Databricks "xử lý ngôn ngữ" → ⚠ AI Language "kiểm duyệt nội dung" → ⚠ Content Safety "cá nhân hoá theo thời gian thực có học tăng cường" → ⚠ Personalizer — nhưng đã ngừng nhận khách mới

⚠ Các thuật toán gợi ý phổ biến	Thuật toán
⚠ Collaborative filtering	⚠ "người giống bạn cũng thích..."
⚠ Content-based filtering	⚠ "sản phẩm giống cái bạn đã xem"
⚠ Matrix factorization (ALS)	⚠ phổ biến, có sẵn trong Spark MLlib
⚠ Mô hình lai (hybrid)	⚠ kết hợp cả hai — thực tế hay dùng
⚠ Vấn đề khởi đầu lạnh	⚠ người dùng mới chưa có lịch sử — cần chiến lược riêng

⚠ Azure Databricks so với Azure ML	So sánh
⚠ Databricks: mạnh về XỬ LÝ dữ liệu lớn bằng Spark
⚠ Azure ML: mạnh về VÒNG ĐỜI mô hình và MLOps
⚠ Databricks có MLflow tích hợp
⚠ Azure ML có managed endpoint, model registry
⚠ Thực tế	⚠ nhiều tổ chức dùng cả hai, mỗi cái cho một khâu

⚠ Đo hiệu quả hệ gợi ý	Đo
⚠ Chỉ số offline: precision@k, NDCG, recall@k
⚠ Chỉ số online: tỉ lệ click, tỉ lệ chuyển đổi, doanh thu
⚠ A/B test là cách kiểm chứng thật
⚠ Cẩn thận	⚠ mô hình tốt trên chỉ số offline vẫn có thể không tăng doanh thu

Ba việc kiểm chứng: | Việc | Cách | |---|---| | Có đủ dữ liệu hành vi để huấn luyện không | | | Xử lý người dùng mới thế nào | ⚠ bài toán khởi đầu lạnh | | Có A/B test trước khi triển khai toàn bộ không | |

Và điều quyết định một hệ gợi ý có tạo ra giá trị hay không, thường không phải thuật toán: chất lượng và độ đầy đủ của dữ liệu hành vi. Một mô hình đơn giản trên dữ liệu tốt gần như luôn thắng một mô hình phức tạp trên dữ liệu nghèo.

Câu 35 Chọn nhiều đáp án Implement computer vision solutions (15–20%)

Two functionalities of the Custom Vision feature are:

Feature 1: Image classification
Feature 2: Object detection

Match the features "Image Classification" and "Object Detection" with their respective definitions:

Definition 1: Performs the application of one or more labels to an image and returns image coordinates where the applied label(s) can be found.
Definition 2: Performs the application of one or more labels to an image.

(Select 2)

A
Feature 1 > Definition 1
B
Feature 1 > Definition 2
C
Feature 2 > Definition 1
D
Feature 2 > Definition 2

Xem giải thích

Đáp án

B và C — Image classification ứng với Định nghĩa 2, Object detection ứng với Định nghĩa 1

Vì sao đúng

Khác biệt giữa hai năng lực nằm ở toạ độ:

Image classification → Định nghĩa 2: gán một hoặc nhiều nhãn cho cả bức ảnh. Nó trả lời câu hỏi "trong ảnh này có gì" nhưng không nói ở đâu.
Object detection → Định nghĩa 1: gán nhãn kèm toạ độ chỉ ra vị trí của từng đối tượng trong ảnh. Nó trả lời cả "có gì" lẫn "ở đâu", và đếm được số lượng.

Hệ quả thực tế: phân loại ảnh chỉ cần nhãn cho mỗi ảnh khi huấn luyện, còn phát hiện đối tượng đòi bạn khoanh vùng từng đối tượng trên ảnh huấn luyện — tốn công gán nhãn hơn hẳn.

Vì sao các phương án khác sai

A và D — đảo ngược hai định nghĩa, tức là gán phần có toạ độ cho phân loại ảnh.

Câu 36 Chọn nhiều đáp án Implement computer vision solutions (15–20%)

You have a collection of documents that need to be analyzed for their image content based on their visual characteristics. You have decided to utilize the Image Analysis API v4.0 of Azure AI Services. Below is a list of the documents, along with their format, size, and dimensions:

Given the scenario and constraints, choose three documents that can be processed using the Image Analysis API v4.0.

A
Document1
B
Document2
C
Document3
D
Document4
E
Document5

Xem giải thích

Đáp án

B, C và E — Document2, Document3 và Document5

Vì sao đúng

Image Analysis API 4.0 có ba ràng buộc, và phải thoả cả ba:

Tài liệu	Định dạng	Kích thước	Kích cỡ	Kết quả
Document1	PDF	20 MB	60×60	✗ PDF không phải định dạng ảnh được hỗ trợ
Document2	JPEG	3 MB	110×110	✓
Document3	PNG	200 KB	100×100	✓
Document4	BMP	50 MB	60×60	✗ vượt giới hạn dung lượng
Document5	GIF	1 MB	100×100	✓

Vì sao các phương án khác sai

Document1 — PDF là tài liệu, không phải ảnh; muốn xử lý thì phải dùng Document Intelligence hoặc chuyển sang ảnh trước.
Document4 — đúng định dạng BMP nhưng dung lượng vượt xa trần cho phép. Đây là chỗ dễ bỏ qua vì người ta thường chỉ kiểm định dạng.

Câu 37 Implement computer vision solutions (15–20%)

To incorporate a substantial number of individuals and their corresponding facial data into a PerGroup object, one must execute a sequence of operations within Azure by utilizing the Face .NET client library. Examine the table below and correlate the steps (listed in the "Step" column) with their appropriate descriptions (found in the "Description" column).

A
S11 -> D21;S12 -> D25;S13 -> D23;S14 -> D24;S15 -> D22
B
S11 -> D21;S12 -> D22;S13 -> D23;S14 -> D24;S15 -> D25
C
S11 -> D21;S12 -> D25;S13 -> D24;S14 -> D23;S15 -> D22
D
S11 -> D21;S12 -> D22;S13 -> D24;S14 -> D23;S15 -> D25

Xem giải thích

Đáp án

C — S11→D21, S12→D25, S13→D24, S14→D23, S15→D22

Vì sao đúng

Thứ tự bám theo quan hệ phụ thuộc của thư viện Face .NET:

Bước	Việc	Vì sao ở vị trí này
S11 → D21	Khai biến và hàm hỗ trợ	Chuẩn bị mã trước
S12 → D25	Xác thực lời gọi API bằng subscription id của `FaceClient`	Chưa xác thực thì không gọi được gì
S13 → D24	Tạo `PersonGroup` bằng `CreateAsync`	Nhóm phải tồn tại trước
S14 → D23	Tạo các `Person` trong nhóm	Người phải thuộc về một nhóm đã có
S15 → D22	Thêm khuôn mặt cho từng người	Khuôn mặt gắn vào người đã tạo

Chuỗi phụ thuộc rất rõ: nhóm → người → khuôn mặt, và trước tất cả là xác thực.

Vì sao các phương án khác sai

B và D — đặt bước xác thực xuống cuối, tức là bốn bước trước đó đều thất bại.
A — đảo thứ tự tạo nhóm và tạo người, mà Person không tồn tại độc lập ngoài một PersonGroup.

Câu 38 Implement computer vision solutions (15–20%)

Your task involves utilizing image classification within Azure to categorize a collection of images. Your plan includes employing the Custom Vision REST API to upload and label the images. Please provide the code snippet mentioned for review so that the appropriate class for publishing the current iteration can be selected.

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

A
PredictionModel
B
CustomVisionPredictionClient
C
ApiKeyServiceClientCredentials
D
CustomVisionTrainingClient

Xem giải thích

Đáp án

D — CustomVisionTrainingClient.

Ghi nhớ về chất lượng câu hỏi

⚠ Câu này TRÙNG NỘI DUNG với #17510 trong cùng lô.

Điểm	So sánh
⚠ Cùng đoạn mã	⚠ hàm `PublishIteration` với `trainingApi`
⚠ Cùng bộ phương án	⚠ bốn lựa chọn giống hệt
⚠ Cùng khoá	⚠ `CustomVisionTrainingClient`
⚠ Chỉ khác	⚠ vài từ trong phần dẫn và lỗi gõ trong đoạn mã
⚠ MD5 không bắt được	⚠ vì diễn đạt khác nhau đôi chút

⚠ Đoạn mã trong câu này còn có lỗi gõ: ⚠ trainingApi Publishlteration( thiếu dấu chấm, ⚠ và ⚠ chữ l bị nhầm với I ở nhiều chỗ.

Vì sao đúng

⚠ Manh mối nằm ngay trong đoạn mã: tham số tên là trainingApi.

private static void PublishIteration(
    CustomVisionTrainingClient trainingApi,
    Project project)
{
    trainingApi.PublishIteration(
        project.Id, iteration.Id,
        publishedModelName, predictionResourceId);
}

Client	Việc
⚠ `CustomVisionTrainingClient`	⚠ tạo project, upload, tag, train, PUBLISH
⚠ `CustomVisionPredictionClient`	⚠ gọi mô hình đã publish

Vì sao các phương án khác sai

B (CustomVisionPredictionClient) — ⚠ dùng SAU khi đã publish, để dự đoán.
C (ApiKeyServiceClientCredentials) — ⚠ lớp xác thực, truyền vào constructor của client.
A (PredictionModel) — ⚠ lớp chứa KẾT QUẢ dự đoán.

Ghi nhớ

⚠ Custom Vision — hai client, hai tài nguyên: | Client | Tài nguyên Azure | Việc | |---|---|---| | ⚠ CustomVisionTrainingClient | ⚠ Custom Vision Training | ⚠ toàn bộ vòng đời mô hình | | ⚠ CustomVisionPredictionClient | ⚠ Custom Vision Prediction | ⚠ chỉ dự đoán | | ⚠ Khi publish | ⚠ cần predictionResourceId | ⚠ ID của tài nguyên Prediction |

Từ khoá nhận diện:

"publish, train, upload, tag" → ⚠ TrainingClient "classify, detect ảnh mới" → ⚠ PredictionClient "tham số tên là trainingApi" → ⚠ manh mối rõ ràng nhất trong đoạn mã

⚠ Mẹo đọc câu hỏi có đoạn mã	Mẹo
⚠ Nhìn TÊN BIẾN — thường tiết lộ kiểu	⚠ `trainingApi` ⇒ TrainingClient
⚠ Nhìn PHƯƠNG THỨC được gọi	⚠ `PublishIteration` thuộc training
⚠ Nhìn các tham số truyền vào
⚠ Đoạn mã có lỗi gõ	⚠ đừng để bị phân tâm — tập trung vào logic

⚠ Quy trình Custom Vision đầy đủ	Bước
⚠ 1. Tạo project (chọn classification hay detection)
⚠ 2. Tạo tag
⚠ 3. Upload ảnh kèm tag
⚠ 4. `TrainProject`
⚠ 5. `PublishIteration`	⚠ đề này
⚠ 6. Dùng PredictionClient để dự đoán
⚠ Bỏ bước 5	⚠ prediction client gọi sẽ báo lỗi không tìm thấy mô hình

⚠ Iteration — khái niệm cần rõ	Khái niệm
⚠ Mỗi lần train tạo ra một ITERATION mới
⚠ Chỉ iteration được PUBLISH mới gọi được
⚠ Publish nhiều iteration với tên khác nhau	⚠ để A/B test
⚠ Unpublish iteration cũ khi không cần
⚠ Giới hạn	⚠ số iteration lưu được có hạn — xoá bớt cái cũ

Ba việc kiểm chứng: | Việc | Cách | |---|---| | Đã publish iteration chưa | | | predictionResourceId có đúng tài nguyên không | | | Có iteration cũ nào nên xoá không | |

Và mẹo thực dụng khi gặp câu hỏi có đoạn mã trong đề thi: tên biến thường tiết lộ đáp án. Một tham số đặt tên trainingApi gần như chắc chắn có kiểu là CustomVisionTrainingClient.

Câu 39 Implement computer vision solutions (15–20%)

To implement a computer vision solution utilizing Azure's AI capabilities for object detection and image tagging, and to meet a tight deadline, you need to expedite the image labeling process.

How can this be accomplished?

A
It is necessary to tag all the images manually.
B
You can use Custom Vision's Smart Labeler to quickly tag images on an untrained model without iterations.
C
You can use the Smart Labeler feature in Custom Vision to tag images more efficiently on a trained model with the latest iteration.
D
Using tools such as Azure Machine Learning Studio or Microsoft Visual Object Tagging Tool (VOTT) can accelerate the labeling process.
E
It is possible to train the model without manually tagging the images.

Xem giải thích

Đáp án

C — Dùng tính năng Smart Labeler trong Custom Vision để gắn thẻ ảnh hiệu quả hơn

Vì sao đúng

Smart Labeler dùng chính mô hình bạn đã huấn luyện để gợi ý thẻ cho những ảnh chưa gắn. Bạn chỉ việc duyệt và sửa những chỗ nó đoán sai, thay vì gắn thẻ từ đầu cho từng ảnh. Với thời hạn gấp thì đây là cách rút ngắn công đoạn tốn thời gian nhất.

Vì sao các phương án khác sai

**B. Dùng Smart Labeler trên dự án chưa huấn luyện — đây là phương án nhiễu gần nhất và sai ở đúng một chữ: Smart Labeler cần một mô hình đã huấn luyện để có cơ sở gợi ý. Dự án mới tinh thì nó không có gì để dựa vào.
A. Phải gắn thẻ tất cả bằng tay — đúng thứ đề muốn tránh.
E. Huấn luyện được mà không cần gắn thẻ — sai: phân loại ảnh là học có giám sát, phải có nhãn.
D. Dùng Azure ML Studio hoặc công cụ gắn nhãn khác — làm được nhưng là công cụ ngoài, chậm hơn việc dùng tính năng có sẵn ngay trong Custom Vision.

Câu 40 Chọn nhiều đáp án Implement natural language processing solutions (30–35%)

You have created an Azure AI Service for the Language API in Azure. You are using the standard pricing tier to analyze your documents. Review the following statements about synchronous and asynchronous API calls and select the two statements that are not true.

A
Call the Language API asynchronously for low latency scenarios.
B
Make separate synchronous API calls for each operation to use multiple features.
C
Analyze large set of documents with multiple features in one synchronous API call.
D
Sentiment analysis can be done using a synchronous and an asynchronous API call.
E
Use synchronous Language API call to use the Language Detection feature.

Xem giải thích

Đáp án

A và C — hai phát biểu không đúng

Vì sao đúng

Câu này hỏi phát biểu nào sai, nên đọc kỹ đề là bước đầu tiên. Nguyên tắc thật của Language API ngược hẳn với hai phát biểu được chọn:

Nhu cầu	Nên dùng
Độ trễ thấp	Lời gọi đồng bộ
Nhiều tài liệu, nhiều tính năng trong một lần	Lời gọi bất đồng bộ

A sai vì nó bảo dùng bất đồng bộ cho tình huống cần độ trễ thấp. Bất đồng bộ nghĩa là gửi việc đi rồi hỏi lại kết quả sau — chính là thứ làm tăng độ trễ.
C sai vì nó bảo phân tích tập tài liệu lớn với nhiều tính năng trong một lời gọi đồng bộ. Đó đúng là trường hợp bắt buộc phải dùng bất đồng bộ.

Vì sao các phương án khác đúng (nên không được chọn)

B — gọi đồng bộ riêng cho từng tính năng là cách làm hợp lệ.
D — phân tích cảm xúc chạy được ở cả hai chế độ.
E — nhận dạng ngôn ngữ dùng lời gọi đồng bộ là đúng.

Ngân hàng đề — Microsoft Azure AI Engineer

Đáp án

Vì sao đúng

Vì sao các phương án khác sai

Đáp án

Vì sao đúng

Vì sao các phương án khác sai

Đáp án

Vì sao đúng

Vì sao các phương án khác sai

Ghi nhớ

Đáp án

Vì sao đúng

Vì sao các phương án khác sai

Ghi nhớ

Đáp án

Vì sao đúng

Vì sao các phương án khác sai

Đáp án

Vì sao đúng

Vì sao các phương án khác sai

Đáp án

Vì sao đúng

Vì sao các phương án khác sai

Đáp án

Ghi nhớ về chất lượng câu hỏi

Vì sao đúng

Vì sao các phương án khác sai

Ghi nhớ

Đáp án

Vì sao đúng

Vì sao các phương án khác sai

Đáp án

Vì sao đúng

Vì sao các phương án khác đúng (nên không được chọn)