Ngân hàng đề — Microsoft Azure AI Engineer
Tìm thấy 267 câu.
Contoso, a software development firm, specializes in AI-based applications. Their goal is to develop an app capable of generating images from textual prompts utilizing Azure's OpenAI Service.
Which specific model within Azure's OpenAI Service is recommended for this task?
-
A
GPT-35-TURBO
-
B
WHISPER
-
C
DALLE-2
-
D
TEXT-DAVINCI-003
-
E
TEXT-EMBEDDING-ADA-002
Xem giải thích
Đáp án
C — DALL·E 2
Vì sao đúng
Đề cần sinh ảnh từ mô tả bằng chữ, và DALL·E là mô hình duy nhất trong danh sách làm việc đó. Các mô hình còn lại đều nhận vào và trả ra văn bản hoặc âm thanh.
Vì sao các phương án khác sai
- A. GPT-35-Turbo và D. Text-Davinci-003 — mô hình ngôn ngữ: chữ vào, chữ ra. Chúng mô tả được một bức ảnh nhưng không vẽ ra được.
- B. Whisper — chuyển giọng nói thành văn bản, sai hẳn chiều.
- E. Text-Embedding-Ada-002 — biến văn bản thành vector số để tìm kiếm theo ngữ nghĩa hoặc phân cụm; không sinh nội dung nào cả.
Which storage solution would be ideal at the edge for locally storing data, such as images and videos, until it is processed?
-
A
Azure Blob Storage on IoT Edge
-
B
Azure IoT edge stream device
-
C
Apache Spark
-
D
Azure IoT Edge parallel storage
Xem giải thích
Đáp án
A — Azure Blob Storage on IoT Edge
Vì sao đúng
Đây là bản Blob Storage chạy ngay trên thiết bị biên dưới dạng một module IoT Edge. Nó giải đúng vấn đề của môi trường biên: thiết bị sinh ra ảnh và video liên tục nhưng kết nối lên đám mây thì chập chờn, nên dữ liệu cần một chỗ nằm lại tại chỗ cho tới khi xử lý xong hoặc tới khi có mạng để đẩy lên. Nó dùng chung API với Blob Storage trên đám mây, nên mã ứng dụng gần như không phải sửa.
Vì sao các phương án khác sai
- C. Apache Spark — công cụ xử lý dữ liệu phân tán, không phải nơi lưu trữ, và quá nặng cho thiết bị biên.
- B. "Azure IoT edge stream device" và D. "Azure IoT Edge parallel storage" — không phải tên dịch vụ có thật.
When developing a web application, to ensure the text content is accessible to individuals with learning differences, which Azure AI service should be utilized?
-
A
Immersive Reader
-
B
Custom Vision
-
C
Speech service
-
D
Language
Xem giải thích
Đáp án
A — Immersive Reader
Vì sao đúng
Immersive Reader dựng riêng cho người có khác biệt về khả năng đọc — chứng khó đọc, khó tập trung, hoặc đang học ngôn ngữ mới. Nó gom nhiều kỹ thuật hỗ trợ đã được kiểm chứng vào một widget nhúng được: đọc to kèm tô sáng theo từ đang đọc, tách âm tiết, giãn khoảng cách chữ, tô màu theo từ loại, lọc bớt phần trang gây xao nhãng, và dịch. Nhúng vào ứng dụng web chỉ là vài dòng mã.
Vì sao các phương án khác sai
- C. Speech service — cung cấp năng lực đọc văn bản thành giọng nói, nhưng đó chỉ là một phần của Immersive Reader và bạn phải tự dựng giao diện lẫn phần tô sáng.
- D. Language — phân tích ngôn ngữ (cảm xúc, thực thể, tóm tắt), không phải công cụ hỗ trợ đọc.
- B. Custom Vision — xử lý ảnh, sai hẳn lĩnh vực.
You are tasked with creating a conversational chatbot that is capable of:
-
Engaging in natural language communication with users.
-
Extracting relevant and comprehensive information from the dialogue.
Which of the options listed below is the most suitable choice?
-
A
Azure AI Language
-
B
Bot service
-
C
Azure AI Speech
-
D
Azure AI Immersive Reader
Xem giải thích
Đáp án
A — Azure AI Language
Vì sao đúng
Đề cần hai thứ: giao tiếp bằng ngôn ngữ tự nhiên và trích xuất thông tin có ý nghĩa từ câu người dùng nói. Azure AI Language cung cấp phần lõi cho cả hai — hiểu ý định (intent), lấy ra thực thể trong câu, và trả lời câu hỏi từ cơ sở tri thức. Đây là bộ não của chatbot.
Vì sao các phương án khác sai
- B. Bot service — là nơi chạy và kênh phân phối bot: nó nối bot tới Teams, web chat, Slack. Nhưng bản thân nó không hiểu ngôn ngữ; nó cần một dịch vụ như Language làm phần suy luận. Đây là phương án nhiễu gần nhất và cũng là chỗ hay nhầm nhất.
- C. Azure AI Speech — chuyển đổi giữa giọng nói và văn bản; chỉ cần khi bot có kênh thoại.
- D. Immersive Reader — công cụ hỗ trợ đọc, không liên quan tới hội thoại.
You have been assigned to improve your conversational language understanding model intents for the example utterances. That way, you can reduce the number of false positives and false negatives. You decide to use a dashboard in order to improve the prediction accuracy of your conversational language understanding model.
Which of the issues would you be able to detect using the dashboard?
-
A
S12 > F22, S13 > F22, S15 > F22
-
B
S11 > F21, S13 > F21, S14 > F21
-
C
S12 > F22, S13 > F21, S12 > F21
-
D
S15 > F21, S14 > F21, S13 > F22
Xem giải thích
Đáp án
B — S11, S13 và S14 — mất cân bằng dữ liệu, dự đoán không rõ ràng, dự đoán sai
Vì sao đúng
Bảng điều khiển đánh giá mô hình của Conversational Language Understanding hiện ra ba nhóm vấn đề này, và mỗi nhóm gợi ý một hành động khác nhau:
| Vấn đề | Bảng điều khiển cho thấy gì | Cách xử lý |
|---|---|---|
| Mất cân bằng dữ liệu (S11) | Số câu ví dụ giữa các intent chênh nhau quá lớn | Bổ sung ví dụ cho intent thiếu |
| Dự đoán không rõ ràng (S13) | Câu được dự đoán với độ tin cậy thấp, hoặc hai intent điểm gần nhau | Làm rõ ranh giới giữa các intent |
| Dự đoán sai (S14) | Câu bị gán nhầm intent | Sửa nhãn hoặc thêm ví dụ phân biệt |
Ba thứ này đều dẫn tới dương tính giả và âm tính giả, đúng vấn đề đề nêu.
Vì sao các phương án khác sai
- S12. Chất lượng dữ liệu huấn luyện — là khái niệm chung, không phải một mục cụ thể trên bảng điều khiển; bảng chỉ ra triệu chứng (mất cân bằng, dự đoán sai) chứ không chấm điểm "chất lượng".
- S15. Active learning — là cơ chế cải thiện dựa trên câu hỏi thật của người dùng, không phải một vấn đề được phát hiện.
Ghi chú về chất lượng câu hỏi
Bảng ghép trong đề dùng nhãn True/False mà cách đọc không thật rõ ràng. Phần đáng nhớ và chắc chắn đúng là ba nhóm vấn đề mà bảng điều khiển thực sự hiện ra, như bảng ở trên.
Your organization has implemented a question-answering feature in its application by utilizing Azure Natural Language Processing (NLP) capabilities. The knowledge base stores the answers to questions. You have been assigned the task of using Azure AI Language to provide language support for the knowledge base and question-answering.
Assuming you have an Azure subscription and have configured your language and search resources, which capability in Language Studio would you use to enable support for multiple languages?
-
A
Answer questions
-
B
Custom question answering
-
C
Conversational language understanding
-
D
Orchestration workflow
Xem giải thích
Đáp án
B — Custom question answering.
Vì sao đúng
⚠ Đề nêu ba dấu hiệu: | Dấu hiệu | Custom question answering | |---|---| | ⚠ "knowledge base lưu câu trả lời" | ⚠ đúng khái niệm knowledge base | | ⚠ "tính năng hỏi đáp" | ⚠ đúng tên tính năng | | ⚠ "đã cấu hình tài nguyên Language và SEARCH" | ⚠ Custom question answering CẦN Azure AI Search |
⚠ Tài liệu nguồn (FAQ, PDF, URL)
↓
⚠ Knowledge base
⚠ lưu trong Azure AI Search
↓
⚠ Người dùng đặt câu hỏi
↓
⚠ Tìm cặp hỏi-đáp khớp nhất
↓
⚠ Trả về đáp án kèm điểm tin cậy
⚠ Chi tiết "cấu hình tài nguyên search" là manh mối rõ nhất — ⚠ chỉ Custom question answering cần nó.
Vì sao các phương án khác sai
-
C (Conversational language understanding) — ⚠ hiểu Ý ĐỊNH và trích ENTITY: ⚠ trả lời "người dùng muốn gì", ⚠ không trả lời câu hỏi; ⚠ CLU là bản kế nhiệm của LUIS.
-
D (Orchestration workflow) — ⚠ ĐIỀU PHỐI giữa nhiều mô hình: ⚠ quyết định câu này gửi cho CLU hay cho question answering.
-
A ("Answer questions") — ⚠ không phải tên tính năng chính thức.
Ghi nhớ
⚠ Các tính năng của Azure AI Language — bảng phải thuộc: | Tính năng | Việc | |---|---| | ⚠ Custom question answering | ⚠ knowledge base hỏi đáp | | ⚠ Conversational Language Understanding (CLU) | ⚠ nhận diện intent và entity | | ⚠ Orchestration workflow | ⚠ định tuyến giữa CLU, QnA, LUIS | | ⚠ Sentiment Analysis | ⚠ cảm xúc | | ⚠ Named Entity Recognition | ⚠ tên người, nơi chốn, tổ chức | | ⚠ PII Detection | ⚠ thông tin cá nhân | | ⚠ Key Phrase Extraction | ⚠ cụm từ khoá | | ⚠ Summarization | ⚠ tóm tắt | | ⚠ Text Analytics for Health | ⚠ thực thể y tế |
Từ khoá nhận diện:
"knowledge base, hỏi đáp, cần tài nguyên Search" → ⚠ Custom question answering "người dùng MUỐN GÌ" → ⚠ CLU "chọn mô hình nào xử lý câu này" → ⚠ Orchestration workflow "QnA Maker" → ⚠ tên CŨ, nay là Custom question answering
| ⚠ Nguồn dữ liệu cho knowledge base | Nguồn |
|---|---|
| ⚠ Trang FAQ (URL) | |
| ⚠ File PDF, DOCX | |
| ⚠ File Excel dạng cặp hỏi-đáp | |
| ⚠ Nhập tay từng cặp | |
| ⚠ Chit-chat dựng sẵn | ⚠ câu xã giao: "bạn tên gì", "cảm ơn" |
| ⚠ Mẹo | ⚠ thêm chit-chat giúp bot bớt cứng nhắc |
| ⚠ Khái niệm cần biết | Khái niệm |
|---|---|
| ⚠ Alternate questions | ⚠ nhiều cách hỏi cho cùng một đáp án |
| ⚠ Metadata | ⚠ gắn thẻ để lọc theo ngữ cảnh |
| ⚠ Follow-up prompts | ⚠ gợi ý câu hỏi tiếp theo — hội thoại nhiều lượt |
| ⚠ Confidence threshold | ⚠ dưới ngưỡng thì trả lời "tôi không biết" |
| ⚠ Active learning | ⚠ gợi ý câu hỏi mới từ log thực tế |
| ⚠ Khi nào dùng cái gì | Khi nào |
|---|---|
| ⚠ FAQ, tài liệu có sẵn | ⚠ Custom question answering |
| ⚠ Cần hiểu ý định để GỌI hành động | ⚠ CLU |
| ⚠ Bot vừa trả lời FAQ vừa thực hiện tác vụ | ⚠ Orchestration workflow điều phối cả hai |
| ⚠ Kiến trúc thực tế | ⚠ thường kết hợp cả ba |
Ba việc kiểm chứng: | Việc | Cách | |---|---| | Ngưỡng tin cậy đặt bao nhiêu | ⚠ thấp quá thì trả lời bừa | | Có câu trả lời mặc định khi không biết không | | | Có bật active learning để cải thiện không | |
Và điều quan trọng nhất khi triển khai một bot hỏi đáp: nó phải biết nói "tôi không biết". Một bot trả lời sai với vẻ tự tin gây hại nhiều hơn một bot thừa nhận giới hạn và chuyển sang người thật.
You are asked to choose a bot template that:
Requirement 1 - Can use dialogs and respond to user input.
Requirement 2 - Use guided conversation and can collect inputs from users.
Map the appropriate bot template from below against the requirement mentioned.
Bot template 1 — Basic Bot
Bot template 2 — Form Bot
Bot template 3 — Question and Answer Bot
Please select two bot templates that fulfill the requirements.
-
A
Requirement 1: Bot template 1
-
B
Requirement 1: Bot template 2
-
C
Requirement 1: Bot template 3
-
D
Requirement 2: Bot template 1
-
E
Requirement 2: Bot template 2
-
F
Requirement 2: Bot template 3
Xem giải thích
Đáp án
A và E — Yêu cầu 1: Basic Bot; Yêu cầu 2: Form Bot
Vì sao đúng
Ba khuôn mẫu bot ứng với ba kiểu hội thoại khác nhau:
| Yêu cầu | Khuôn mẫu | Vì sao |
|---|---|---|
| Dùng dialog và phản hồi đầu vào của người dùng | Basic Bot | Đây là khung nền có sẵn cơ chế dialog, để bạn tự dựng luồng hội thoại |
| Hội thoại có dẫn dắt, thu thập đầu vào từ người dùng | Form Bot | Dựng riêng cho việc hỏi lần lượt từng trường và kiểm tra giá trị nhập vào |
Từ khoá phân biệt nằm ở "guided conversation" và "collect inputs" — đó là mô tả của việc điền biểu mẫu từng bước, tức Form Bot.
Vì sao các phương án khác sai
- Question and Answer Bot — trả lời câu hỏi rời rạc từ một cơ sở tri thức; nó không dẫn dắt qua nhiều lượt và không thu thập dữ liệu theo trình tự.
Identify the two features that are not included in Bing Entity Search API.
(Select 2)
-
A
Real-time search suggestions.
-
B
Entity disambiguation.
-
C
Find places.
-
D
Filter and restrict image results.
-
E
Visually similar images.
Xem giải thích
Đáp án
D và E — lọc và giới hạn kết quả ảnh, và tìm ảnh tương tự về mặt thị giác
Vì sao đúng
Câu này hỏi hai tính năng không có trong Bing Entity Search. Entity Search làm việc với thực thể — người, địa điểm, tổ chức — và trả về thông tin tóm tắt về chúng. Hai tính năng được chọn đều thuộc về tìm kiếm ảnh:
- D. Lọc và giới hạn kết quả ảnh — là tính năng của Bing Image Search.
- E. Tìm ảnh tương tự về mặt thị giác — là tính năng của Bing Visual Search.
Vì sao các phương án khác sai (chúng có trong Entity Search)
- A. Gợi ý tìm kiếm thời gian thực — có.
- B. Phân giải thực thể trùng tên (disambiguation) — đây là năng lực đặc trưng nhất của Entity Search: phân biệt được "Jaguar" là loài vật, hãng xe hay đội bóng.
- C. Tìm địa điểm — có, vì địa điểm cũng là một loại thực thể.
You can empower users to search for images from specific domains and websites using your custom search instance.
Which Azure API would be the best match for this?
-
A
Bing Entity Search API
-
B
Bing Visual Search API
-
C
Bing Custom Search API
-
D
Bing Image Search API
Xem giải thích
Đáp án
C — Bing Custom Search API
Vì sao đúng
Từ khoá quyết định trong đề là "custom search instance" và "từ những tên miền và trang web cụ thể". Custom Search cho bạn định nghĩa một phạm vi tìm kiếm riêng — liệt kê những tên miền được đưa vào, những tên miền bị loại ra, và cả thứ tự ưu tiên — rồi tìm kiếm chỉ chạy trong phạm vi đó.
Nó có hỗ trợ tìm ảnh trong phạm vi đã khai, nên thoả cả hai vế của đề.
Vì sao các phương án khác sai
- D. Bing Image Search API — tìm ảnh trên toàn bộ web, không giới hạn được theo danh sách trang web của bạn.
- B. Bing Visual Search API — nhận ảnh làm đầu vào, không phải từ khoá.
- A. Bing Entity Search API — trả về thông tin về thực thể, không phải danh sách ảnh.
You have been tasked with developing a multivariate anomaly detection solution for a large-scale data monitoring system. This system processes various data streams from sources such as temperature, humidity, and pressure sensors. Your solution should accurately identify unusual patterns and deviations across these multiple dimensions.
The client requires real-time anomaly detection and the ability to customize anomaly detection sensitivity. What options should you consider during the implementation process?
-
A
To ensure accurate anomaly detection, it is recommended to configure separate multivariate models for each type of sensor.
-
B
To ensure consistency in detecting anomalies, it is recommended to use a fixed sensitivity threshold for all dimensions.
-
C
Develop a mechanism to adjust the threshold dynamically by using historical data.
-
D
For simplicity and efficiency, consider using univariate anomaly detection models.
-
E
Use a pre-trained machine learning model for generic anomaly detection, disregarding the specific characteristics of individual sensor types in the data streams.
Xem giải thích
Đáp án
C — Xây cơ chế điều chỉnh ngưỡng động dựa trên dữ liệu lịch sử
Vì sao đúng
Dữ liệu cảm biến có quy luật thay đổi theo thời gian: nhiệt độ ban ngày khác ban đêm, độ ẩm khác theo mùa, áp suất khác theo ca vận hành. Một ngưỡng cố định sẽ hoặc quá chặt vào giờ cao điểm (báo động giả liên tục) hoặc quá lỏng vào giờ thấp điểm (bỏ sót bất thường thật). Ngưỡng động học từ dữ liệu lịch sử bám theo được quy luật đó.
Vì sao các phương án khác sai
- B. Dùng ngưỡng cố định cho mọi chiều — mỗi loại cảm biến có thang đo và biên độ dao động khác nhau; một con số chung không thể phù hợp với tất cả.
- D. Dùng mô hình đơn biến cho gọn — mất đúng điểm mấu chốt của phát hiện bất thường đa biến: từng chỉ số riêng lẻ đều bình thường nhưng tổ hợp của chúng thì bất thường. Nhiệt độ cao một mình không sao, nhưng nhiệt độ cao đi kèm áp suất giảm thì có thể là hỏng hóc.
- A. Mỗi loại cảm biến một mô hình đa biến riêng — cũng phá vỡ khả năng thấy quan hệ chéo giữa các loại cảm biến.
- E. Dùng mô hình dựng sẵn chung, bỏ qua đặc thù từng cảm biến — bỏ qua chính thứ quyết định độ chính xác.