Ngân hàng đề — Microsoft Azure AI Fundamentals

Tìm thấy 316 câu.

Câu 121 Common NLP Workload
Which of the following represents a correct feature and use for sentiment analysis in Azure AI Services (formerly Cognitive Services)?
  1. A Assessing the emotional tone and polarity of text, such as determining whether it is positive, negative, or neutral.
  2. B Automatically generating a summary or abstract of a lengthy document.
  3. C Identifying and categorizing named entities in text, including people, places, and organizations.
  4. D Converting speech from audio files into written text for transcription purposes.
Xem giải thích

Đáp án

A — Đánh giá SẮC THÁI CẢM XÚC và cực tính của văn bản: tích cực, tiêu cực hay trung tính.

Vì sao đúng

⚠ Đó đúng là định nghĩa của phân tích cảm xúc:

⚠ "Giao hàng nhanh, đóng gói cẩn thận"
        ↓
⚠ Positive — điểm 0,95

⚠ "Chờ ba tuần vẫn chưa nhận được"
        ↓
⚠ Negative — điểm 0,91
Đầu ra của API Nội dung
⚠ Nhãn tổng thể cho tài liệu
⚠ Nhãn cho TỪNG CÂU
⚠ Ba điểm số ⚠ positive, neutral, negative — tổng bằng 1
⚠ Opinion mining ⚠ tách theo từng khía cạnh

Vì sao các phương án khác sai

  • C (nhận diện và phân loại thực thể) — ⚠ NER.

  • B (tự tóm tắt tài liệu dài) — ⚠ summarization.

  • D (chuyển giọng nói thành văn bản) — ⚠ speech to text.

⚠ Cả ba đều là tính năng có thật của Azure AI, ⚠ chỉ không phải phân tích cảm xúc.

Ghi nhớ

⚠ Ghi nhớ về chất lượng câu hỏi: ⚠ đây là câu ⚠ thứ ba về sentiment trong hai đợt gần đây.

Câu Hỏi gì Khoá
⚠ #17962 / #17988 ⚠ phân tích phản hồi khách hàng ⚠ sentiment analysis
⚠ #18019 (cùng đợt) ⚠ ứng dụng nào KHÔNG dùng sentiment ⚠ chẩn đoán y khoa
⚠ #18035 (câu này) ⚠ tính năng và công dụng đúng ⚠ đo cực tính cảm xúc
⚠ Tất cả ⚠ cùng một tính năng, không mâu thuẫn

⚠ Cách đọc kết quả sentiment: | Tình huống | Cách hiểu | |---|---| | ⚠ Điểm positive rất cao | ⚠ rõ ràng tích cực | | ⚠ Ba điểm gần bằng nhau | ⚠ mô hình KHÔNG chắc, nên xem lại | | ⚠ Trung tính | ⚠ có thể là câu vừa khen vừa chê | | ⚠ Mixed ở cấp tài liệu | ⚠ các câu trái chiều nhau | | ⚠ Nên | ⚠ đọc điểm số, đừng chỉ đọc nhãn |

Từ khoá nhận diện:

"tích cực, tiêu cực, thái độ" → ⚠ sentiment analysis "khen phần nào, chê phần nào" → ⚠ opinion mining "ý chính, chủ đề" → ⚠ key phrase extraction "rút gọn tài liệu dài" → ⚠ summarization

⚠ Opinion mining — nâng cấp đáng dùng Nội dung
⚠ Tách theo TỪNG KHÍA CẠNH trong câu
⚠ "Đồ ăn ngon nhưng phục vụ chậm"
⚠ → đồ ăn: tích cực; phục vụ: tiêu cực
⚠ Giá trị ⚠ biết chính xác phải sửa cái gì

Ba việc kiểm chứng: | Việc | Cách | |---|---| | Có xem điểm số hay chỉ xem nhãn | | | Câu vừa khen vừa chê được xử lý thế nào | | | Có cần tách theo khía cạnh không | |

Và điều làm điểm cảm xúc tổng thể dễ gây hiểu lầm nhất khi báo cáo: "trung tính" có thể nghĩa là văn bản thật sự trung tính, hoặc nghĩa là mô hình đang lúng túng. Chỉ nhìn ba điểm số mới phân biệt được hai trường hợp đó.

Câu 122 Generative AI solutions
Which of the following is a characteristic of generative AI models within the context of Azure AI Services?
  1. A Ability to generate new data examples that are similar to a provided dataset
  2. B Ability to recognize patterns in data without supervision
  3. C Ability to extract meaningful insights from a dataset using descriptive statistics
  4. D Ability to classify data into predefined categories
Xem giải thích

Đáp án

A — Khả năng SINH RA dữ liệu MỚI tương tự tập dữ liệu đã cho.

Vì sao đúng

⚠ "Generative" nghĩa là TẠO RA nội dung mới:

⚠ Học từ khối dữ liệu khổng lồ
        ↓
⚠ Học được PHÂN BỐ của dữ liệu
        ↓ ⚠ nhận prompt
⚠ SINH nội dung MỚI
   ⚠ chưa từng tồn tại
   ⚠ nhưng giống kiểu dữ liệu đã học
Sinh được gì Ví dụ
⚠ Văn bản ⚠ GPT
⚠ Ảnh ⚠ DALL-E
⚠ Mã nguồn
⚠ Âm thanh, giọng nói
⚠ Dữ liệu tổng hợp để huấn luyện

Vì sao các phương án khác sai

  • D (phân loại dữ liệu vào các nhóm định sẵn) — ⚠ AI PHÂN BIỆT (discriminative), ⚠ đối lập với sinh ngữ.

  • B (nhận mẫu trong dữ liệu không cần giám sát) — ⚠ học không giám sát nói chung, ⚠ như gom cụm.

  • C (rút thông tin bằng thống kê mô tả) — ⚠ phân tích dữ liệu truyền thống.

Ghi nhớ

⚠ Ghi nhớ về chất lượng câu hỏi: ⚠ câu này ⚠ gần trùng #17965, #17982 và #18043 cùng đợt.

Câu Hỏi gì Khoá
⚠ #17965 / #17982 ⚠ loại AI nào tạo nội dung mới ⚠ generative AI
⚠ #18043 (cùng đợt) ⚠ tính năng chính của mô hình sinh ngữ ⚠ sinh văn bản giống người
⚠ #18036 (câu này) ⚠ đặc điểm của mô hình sinh ngữ ⚠ sinh dữ liệu mới tương tự tập đã học
⚠ Bộ đề ⚠ lặp chủ đề này rất nhiều — nắm chắc một lần là ăn nhiều câu

⚠ Generative và Discriminative — bảng đối chiếu: | Loại | Việc | Ví dụ | |---|---|---| | ⚠ Generative | ⚠ TẠO nội dung mới | ⚠ GPT, DALL-E | | ⚠ Discriminative | ⚠ PHÂN BIỆT, gán nhãn | ⚠ phân loại ảnh, lọc spam |

Từ khoá nhận diện:

"tạo, sinh, viết, vẽ, soạn" → ⚠ generative AI "phân loại, nhận diện, gán nhãn" → ⚠ AI truyền thống "tóm tắt, viết lại" → ⚠ generative "dự đoán con số" → ⚠ hồi quy

⚠ Hạn chế phải nhớ của mô hình sinh ngữ Hạn chế
⚠ Ảo giác (hallucination) ⚠ bịa thông tin nghe rất thuyết phục
⚠ Không có nguồn nếu không nối RAG
⚠ Dữ liệu huấn luyện có mốc thời gian
⚠ Kết quả không lặp lại giống hệt
⚠ Khắc phục ⚠ RAG, trích dẫn nguồn, người kiểm duyệt
⚠ Dữ liệu tổng hợp — ứng dụng ít được nhắc Ứng dụng
⚠ Sinh dữ liệu giả để huấn luyện mô hình khác
⚠ Hữu ích khi dữ liệu thật hiếm hoặc nhạy cảm
⚠ Bổ sung cho ca hiếm gặp
⚠ Rủi ro ⚠ mô hình học từ dữ liệu tổng hợp có thể học cả sai lệch của mô hình sinh

Ba việc kiểm chứng: | Việc | Cách | |---|---| | Cần TẠO nội dung hay PHÂN LOẠI nội dung | | | Có cơ chế chống ảo giác chưa | ⚠ RAG, trích dẫn | | Ai kiểm duyệt trước khi công bố | |

Và ranh giới gọn nhất để phân biệt hai nhánh AI trong phòng thi: AI truyền thống trả lời câu hỏi về dữ liệu đã có, AI sinh ngữ tạo ra dữ liệu chưa từng có. Động từ trong đề bài gần như luôn tiết lộ đó là nhánh nào.

Câu 123 AI Language
Which capability is NOT a feature of Microsoft's Azure AI Language service?
  1. A Named entity recognition
  2. B Object detection
  3. C Sentiment analysis
  4. D Intent recognition
Xem giải thích

Đáp án

B — Phát hiện đối tượng (object detection)

Vì sao đúng

Câu này hỏi năng lực nào không thuộc Azure AI Language. Phát hiện đối tượng làm việc trên ảnh — tìm vật thể trong ảnh và trả về toạ độ — nên nó thuộc về Azure AI Vision, không phải dịch vụ xử lý ngôn ngữ.

Vì sao các phương án khác sai (chúng có trong Language)

  • A. Nhận dạng thực thể có tên — tìm người, địa điểm, tổ chức trong văn bản.
  • C. Phân tích cảm xúc — xác định thái độ tích cực, tiêu cực hay trung tính.
  • D. Nhận dạng ý định — xác định người dùng muốn làm gì, nền tảng của chatbot.

Cách phân biệt nhanh trong cả họ Azure AI: Language làm việc với chữ, Vision làm việc với ảnh, Speech làm việc với âm thanh.

Câu 124 Core machine learning concepts
In the context of Microsoft Azure AI Services, which of the following best describes the role of training and validation datasets in machine learning?
  1. A Training datasets are used to evaluate the model's performance, and validation datasets are used to train the model.
  2. B Training datasets are used to train the model, and validation datasets are used to evaluate the model's performance.
  3. C Training and validation datasets are both used to train the model.
  4. D Training and validation datasets are both used to evaluate the model's performance.
Xem giải thích

Đáp án

B — Tập TRAINING dùng để HUẤN LUYỆN mô hình, tập VALIDATION dùng để ĐÁNH GIÁ hiệu năng.

Vì sao đúng

⚠ Hai tập, hai vai trò, không được lẫn:

⚠ Toàn bộ dữ liệu
        ↓ ⚠ chia
⚠ TRAINING (~70-80%)
   ⚠ mô hình HỌC từ đây
⚠ VALIDATION (~10-15%)
   ⚠ mô hình CHƯA THẤY
   ⚠ dùng để đo và chỉnh
⚠ TEST (~10-15%)
   ⚠ đánh giá cuối, chỉ MỘT lần
Nếu lẫn lộn Hậu quả
⚠ Đánh giá trên tập đã huấn luyện ⚠ điểm cao giả tạo
⚠ Huấn luyện trên tập validation ⚠ mất công cụ phát hiện overfitting
⚠ Dùng test nhiều lần ⚠ test mất tính khách quan

Vì sao các phương án khác sai

  • A — ⚠ đảo ngược hai vai trò; ⚠ bẫy đối xứng kinh điển.

  • C (cả hai đều dùng để huấn luyện) — ⚠ SAI: ⚠ khi đó không còn dữ liệu độc lập để đánh giá.

  • D (cả hai đều dùng để đánh giá) — ⚠ SAI: ⚠ vậy thì mô hình học từ đâu.

Ghi nhớ

⚠ Ghi nhớ về chất lượng câu hỏi: ⚠ câu này ⚠ gần trùng #18003 và #17958.

Câu Hỏi gì Khoá
⚠ #17958 ⚠ phát hiện overfitting ⚠ đánh giá trên dữ liệu chưa thấy
⚠ #18003 ⚠ mục đích tập validation ⚠ kiểm độ chính xác trên dữ liệu mới
⚠ #18038 (câu này) ⚠ vai trò của hai tập ⚠ train để học, validation để đánh giá
⚠ Cùng một nguyên lý ⚠ hỏi từ ba góc

⚠ Ba tập — bảng đầy đủ: | Tập | Mô hình có học không | Dùng bao nhiêu lần | |---|---|---| | ⚠ Training | ⚠ CÓ | ⚠ nhiều lần | | ⚠ Validation | ⚠ KHÔNG | ⚠ nhiều lần, để chỉnh | | ⚠ Test | ⚠ KHÔNG | ⚠ MỘT lần duy nhất |

Từ khoá nhận diện:

"mô hình học từ đâu" → ⚠ training "chỉnh siêu tham số dựa vào đâu" → ⚠ validation "đánh giá cuối cùng khách quan" → ⚠ test "dữ liệu ít, chia tiếc" → ⚠ cross-validation

⚠ Vì sao test chỉ dùng MỘT lần Lý do
⚠ Xem kết quả rồi chỉnh mô hình = đã dùng test để học
⚠ Lặp nhiều lần thì test hoá thành validation
⚠ Mất luôn thước đo khách quan cuối cùng
⚠ Thực tế ⚠ rất hay bị vi phạm mà không ai nhận ra
⚠ Azure ML hỗ trợ thế nào Hỗ trợ
⚠ AutoML tự chia và cross-validate
⚠ Designer có module Split Data
⚠ Chọn được tỉ lệ và có stratify hay không
⚠ Với dữ liệu thời gian ⚠ phải chọn chia theo thời gian, KHÔNG ngẫu nhiên

Ba việc kiểm chứng: | Việc | Cách | |---|---| | Tập test đã bị nhìn mấy lần rồi | | | Chia ngẫu nhiên có phù hợp với dữ liệu này không | | | Tỉ lệ nhãn có được giữ nguyên giữa các tập không | |

Và vi phạm phổ biến nhất mà gần như không ai ghi vào báo cáo: tập test đã bị nhìn nhiều lần trong quá trình chỉnh mô hình. Khi đó con số cuối cùng không còn là ước lượng khách quan nữa, dù nó vẫn được trình bày như vậy.

Câu 125 Common AI workloads

What is the purpose of a skillset in knowledge mining workloads using Azure AI Search?

  1. A A skillset is used to define the schema of a knowledge store.
  2. B A skillset is not used in knowledge mining workloads.
  3. C A skillset is used to define the enrichment pipeline for unstructured data.
  4. D A skillset is used to define the structure of a search index.
Xem giải thích

Đáp án

C — Skillset định nghĩa LUỒNG LÀM GIÀU (enrichment pipeline) cho dữ liệu phi cấu trúc.

Vì sao đúng

⚠ Skillset là chuỗi kỹ năng AI chạy trên tài liệu thô:

⚠ PDF quét, ảnh, Word
        ↓ ⚠ SKILLSET
⚠ OCR → tách chữ
⚠ Language detection
⚠ Translation
⚠ Key phrase extraction
⚠ Entity recognition
⚠ Sentiment
⚠ Custom skill (Azure Function)
        ↓
⚠ Dữ liệu ĐÃ LÀM GIÀU
        ↓
⚠ Ghi vào index hoặc knowledge store

Vì sao các phương án khác sai

  • D (định nghĩa CẤU TRÚC của chỉ mục tìm kiếm) — ⚠ đó là INDEX DEFINITION, ⚠ nơi khai các trường và thuộc tính; ⚠ khác skillset.

  • A (định nghĩa schema của knowledge store) — ⚠ đó là knowledge store projection.

  • B (skillset không dùng trong knowledge mining) — ⚠ SAI hoàn toàn: ⚠ nó là thành phần trung tâm.

Ghi nhớ

⚠ Ghi nhớ về chất lượng câu hỏi: ⚠ câu này ⚠ bổ sung cho #18008 cùng đợt — ⚠ #18008 hỏi công cụ nào làm knowledge mining, ⚠ câu này hỏi vai trò của skillset bên trong; ⚠ không mâu thuẫn.

⚠ Bốn thành phần của Azure AI Search — phải phân biệt rõ: | Thành phần | Vai trò | |---|---| | ⚠ Data source | ⚠ kết nối tới nơi chứa dữ liệu | | ⚠ Skillset | ⚠ luồng LÀM GIÀU bằng AI | | ⚠ Index | ⚠ CẤU TRÚC lưu trữ để tìm kiếm | | ⚠ Indexer | ⚠ ĐIỀU PHỐI: đọc nguồn, chạy skillset, ghi vào index |

Từ khoá nhận diện:

"làm giàu dữ liệu phi cấu trúc" → ⚠ skillset "định nghĩa trường của chỉ mục" → ⚠ index "chạy theo lịch, kéo dữ liệu về" → ⚠ indexer "lưu dữ liệu đã làm giàu để phân tích tiếp" → ⚠ knowledge store

⚠ Custom skill — khi kỹ năng sẵn không đủ Nội dung
⚠ Gọi một Azure Function của bạn
⚠ Nhận vào và trả ra theo định dạng JSON quy định
⚠ Dùng để áp logic nghiệp vụ riêng
⚠ Ví dụ ⚠ tra mã sản phẩm nội bộ, gọi mô hình Azure ML riêng
⚠ Knowledge store — đầu ra ít được nhắc Nội dung
⚠ Ngoài index, dữ liệu làm giàu còn ghi được ra Blob hoặc Table
⚠ Dùng cho phân tích bằng Power BI hoặc Synapse
⚠ Nghĩa là ⚠ công sức làm giàu dùng lại được ngoài phạm vi tìm kiếm
⚠ Chi phí — điều cần cân nhắc Chi phí
⚠ Mỗi kỹ năng AI tính tiền theo lượt xử lý
⚠ Chạy lại indexer trên toàn kho = trả tiền lại toàn bộ
⚠ Có cache để tránh chạy lại kỹ năng không đổi ⚠ incremental enrichment
⚠ Nên bật cache ⚠ khi kho tài liệu lớn

Ba việc kiểm chứng: | Việc | Cách | |---|---| | Skillset có bật cache làm giàu tăng dần không | | | Kỹ năng nào thật sự cần, kỹ năng nào chỉ tốn tiền | | | Dữ liệu làm giàu có được dùng lại ngoài tìm kiếm không | |

Và tính năng tiết kiệm nhất của Azure AI Search khi kho tài liệu lớn, thường bị bỏ quên cho tới khi nhìn hoá đơn: incremental enrichment. Không có nó, mỗi lần chỉnh một kỹ năng nhỏ là chạy lại toàn bộ và trả tiền lại từ đầu.

Câu 126 Azure tools and services for computer vision tasks
What can you do with the Azure AI Vision service?
  1. A Train custom models to recognize specific objects, scenes, or activities in images and videos.
  2. B Generate natural language captions and descriptions for images and videos.
  3. C All answers are correct.
  4. D Analyze images and videos for content, emotion, and face recognition.
Xem giải thích

Đáp án

C — Tất cả các đáp án đều đúng.

Vì sao đúng

⚠ Azure AI Vision là một họ dịch vụ, bao trùm cả ba việc nêu ở A, B, D: | Phương án | Dịch vụ tương ứng | |---|---| | ⚠ A — huấn luyện mô hình riêng | ⚠ Custom Vision | | ⚠ B — sinh chú thích và mô tả cho ảnh | ⚠ Image Analysis captioning | | ⚠ D — phân tích nội dung, cảm xúc, nhận diện mặt | ⚠ Image Analysis + Face |

⚠ Azure AI Vision
   ⚠ Image Analysis: tag, mô tả, OCR, smart crop
   ⚠ Custom Vision: mô hình riêng
   ⚠ Face: phát hiện và nhận diện
   ⚠ Video Retrieval: tìm trong video

Vì sao các phương án khác sai

  • A, B, D — ⚠ đều đúng nhưng chỉ nêu MỘT phần, ⚠ nên câu bao trùm C là đáp án.

Ghi nhớ

⚠ Ghi nhớ về chất lượng câu hỏi: ⚠ phương án D ⚠ không còn chính xác hoàn toàn.

Vấn đề Thực tế
⚠ D nhắc "emotion" ⚠ thuộc tính cảm xúc ĐÃ GỠ tháng 6/2022
⚠ D nhắc "face recognition" ⚠ CÒN nhưng thuộc Limited Access, phải đăng ký
⚠ Theo tài liệu cũ ⚠ D đúng → "tất cả đều đúng" hợp lý
⚠ Theo dịch vụ hiện nay ⚠ D chỉ đúng một phần
⚠ Giữ nguyên khoá ⚠ C theo bộ đề gốc
⚠ Đối chiếu ⚠ #18014, #18025, #18027 cùng đợt

⚠ Chiến thuật với câu "Tất cả đều đúng": | Bước | Cách | |---|---| | ⚠ Kiểm tra từng phương án riêng lẻ | | | ⚠ Chỉ cần MỘT phương án sai là loại "tất cả" | | | ⚠ Nếu ba phương án đều nói về CÙNG một dịch vụ rộng | ⚠ khả năng cao "tất cả" là đáp án | | ⚠ Cảnh giác | ⚠ phương án chứa từ tuyệt đối hoặc tính năng lỗi thời |

Từ khoá nhận diện:

"phân tích ảnh dựng sẵn" → ⚠ Image Analysis "nhãn riêng của tôi" → ⚠ Custom Vision "khuôn mặt" → ⚠ Face "tìm cảnh trong video" → ⚠ Video Retrieval

⚠ Image Analysis 4.0 — năng lực hiện tại Năng lực
⚠ Caption và dense captions ⚠ mô tả cả ảnh và từng vùng
⚠ Tags
⚠ Object detection
⚠ OCR (Read)
⚠ Smart crop
⚠ Background removal
⚠ People detection
⚠ Không còn ⚠ suy đoán tuổi, giới tính, cảm xúc

Ba việc kiểm chứng: | Việc | Cách | |---|---| | Có phương án nào chứa tính năng lỗi thời không | | | Ba phương án có cùng thuộc một dịch vụ rộng không | | | Cần dựng sẵn hay cần mô hình riêng | |

Và cách xử lý câu "tất cả đều đúng" ít rủi ro nhất: tìm một phương án SAI trước đã. Nếu không tìm ra được cái nào sai sau khi đọc kỹ cả ba, chọn "tất cả" là an toàn.

Câu 127 Azure Machine Learning capabilities
What is a key feature of compute services in Microsoft Azure AI Services for data science and machine learning?
  1. A Compute services provide on-demand, scalable resources for training machine learning models.
  2. B Compute services can only handle datasets that are less than 1GB in size.
  3. C Compute services can only run on physical machines.
  4. D Compute services require manual scaling for different workloads.
Xem giải thích

Đáp án

A — Dịch vụ điện toán cung cấp tài nguyên THEO NHU CẦU, CO GIÃN được để huấn luyện mô hình học máy.

Vì sao đúng

⚠ Đó là lý do người ta dùng đám mây cho học máy:

⚠ Cần GPU mạnh trong 3 giờ
        ↓
⚠ Tạo cluster, chạy, tự tắt
        ↓
⚠ Trả tiền đúng 3 giờ đó
        ↓
⚠ KHÔNG phải mua máy chủ
Loại compute trong Azure ML Dùng để
⚠ Compute instance ⚠ máy làm việc cá nhân, chạy notebook
⚠ Compute cluster ⚠ huấn luyện, TỰ CO GIÃN, tự về 0
⚠ Inference cluster ⚠ phục vụ mô hình đã triển khai
⚠ Attached compute ⚠ gắn tài nguyên có sẵn như Databricks

Vì sao các phương án khác sai

  • D (phải co giãn THỦ CÔNG) — ⚠ SAI: ⚠ compute cluster ⚠ tự co giãn theo hàng đợi công việc.

  • B (chỉ xử lý được dữ liệu dưới 1GB) — ⚠ SAI: ⚠ không có giới hạn như vậy.

  • C (chỉ chạy trên máy vật lý) — ⚠ SAI: ⚠ đây là dịch vụ đám mây.

Ghi nhớ

⚠ Ghi nhớ về chất lượng câu hỏi: ⚠ câu này ⚠ gần trùng #17959 ở đợt trước — ⚠ #17959 hỏi compute instance dùng để làm gì, ⚠ câu này hỏi tính năng chung; ⚠ không mâu thuẫn.

⚠ Compute instance và compute cluster — phân biệt kỹ: | Điểm | Instance | Cluster | |---|---|---| | ⚠ Số node | ⚠ MỘT | ⚠ nhiều, co giãn | | ⚠ Dùng cho | ⚠ viết code, thử nghiệm | ⚠ chạy job huấn luyện | | ⚠ Tự tắt | ⚠ phải đặt lịch | ⚠ tự về 0 node khi rảnh | | ⚠ Rủi ro chi phí | ⚠ CAO — quên tắt là mất tiền | ⚠ thấp hơn |

Từ khoá nhận diện:

"co giãn theo nhu cầu, trả theo dùng" → ⚠ compute cluster "môi trường cá nhân chạy notebook" → ⚠ compute instance "phục vụ dự đoán thời gian thực" → ⚠ managed online endpoint "chạy theo lô hàng triệu bản ghi" → ⚠ batch endpoint

⚠ Cấu hình cluster để tiết kiệm Cấu hình
⚠ Đặt min node = 0 ⚠ quan trọng nhất
⚠ Đặt max node theo ngân sách
⚠ Rút ngắn thời gian chờ trước khi thu nhỏ
⚠ Dùng máy ảo low-priority nếu chấp nhận bị ngắt ⚠ rẻ hơn nhiều
⚠ GPU ⚠ chỉ dùng khi thật cần, đắt hơn CPU nhiều lần
⚠ Khi nào cần GPU Khi nào
⚠ Học sâu: ảnh, ngôn ngữ, âm thanh ⚠ CẦN
⚠ Dữ liệu bảng, mô hình cây ⚠ CPU thường là đủ
⚠ Sai lầm hay gặp ⚠ mặc định chọn GPU cho mọi việc

Ba việc kiểm chứng: | Việc | Cách | |---|---| | Min node đã đặt về 0 chưa | | | Compute instance có lịch tự tắt chưa | | | Có thật sự cần GPU không | |

Và khoản lãng phí phổ biến nhất trên một workspace Azure ML, thường chỉ lộ ra ở kỳ thanh toán: một compute instance bật từ tuần trước và không ai dùng. Đặt lịch tự tắt ngay khi tạo là thói quen đáng giá nhất.

Câu 128 Common NLP Workload
Which of the following is a correct feature and use for key phrase extraction in Azure AI Services (formerly Cognitive Services)?
  1. A Identifying important words and phrases in a text document to improve search results.
  2. B Extracting key phrases from audio files for transcription purposes.
  3. C Generating natural language descriptions for images using computer vision.
  4. D Analyzing sentiment and emotion in social media posts.
Xem giải thích

Đáp án

A — Nhận ra các từ và cụm từ QUAN TRỌNG trong tài liệu để CẢI THIỆN KẾT QUẢ TÌM KIẾM.

Vì sao đúng

⚠ Cụm từ khoá làm chỉ mục tìm kiếm tốt hơn hẳn:

⚠ Tài liệu thô
        ↓ ⚠ key phrase extraction
⚠ "chính sách bảo hành", "đổi trả 30 ngày"
        ↓
⚠ Đưa vào trường riêng của chỉ mục
        ↓
⚠ Tìm kiếm và lọc theo chủ đề
Ứng dụng Nội dung
⚠ Làm giàu chỉ mục tìm kiếm ⚠ đề này — skill trong AI Search
⚠ Gắn thẻ tự động cho tài liệu
⚠ Tóm tắt hàng nghìn phản hồi
⚠ Định tuyến phiếu hỗ trợ theo chủ đề

Vì sao các phương án khác sai

  • B (trích cụm từ từ TỆP ÂM THANH để phiên âm) — ⚠ lẫn hai bước: ⚠ phiên âm là speech-to-text; ⚠ key phrase chỉ nhận ⚠ văn bản.

  • C (sinh mô tả cho ảnh) — ⚠ Image Analysis captioning.

  • D (phân tích cảm xúc bài đăng mạng xã hội) — ⚠ sentiment analysis.

Ghi nhớ

⚠ Ghi nhớ về chất lượng câu hỏi: ⚠ câu này ⚠ gần trùng #18011 trong cùng đợt.

Câu Hỏi gì Khoá
⚠ #18011 ⚠ tính năng then chốt ⚠ hỗ trợ nhiều ngôn ngữ
⚠ #18042 (câu này) ⚠ tính năng và công dụng đúng ⚠ nhận từ khoá để cải thiện tìm kiếm
⚠ Khác nhau ⚠ một hỏi năng lực, một hỏi ỨNG DỤNG
⚠ Không mâu thuẫn ⚠ cả hai khoá đều đúng

⚠ Chuỗi xử lý thường gặp — nhớ THỨ TỰ: | Bước | Dịch vụ | |---|---| | ⚠ Âm thanh → văn bản | ⚠ Speech to text | | ⚠ Ảnh → văn bản | ⚠ OCR / Read | | ⚠ Văn bản → cụm từ khoá | ⚠ AI Language | | ⚠ Cụm từ khoá → chỉ mục | ⚠ AI Search |

Từ khoá nhận diện:

"cải thiện tìm kiếm bằng từ khoá" → ⚠ key phrase extraction "phiên âm âm thanh" → ⚠ speech to text, KHÔNG phải key phrase "mô tả ảnh" → ⚠ Image Analysis "khen hay chê" → ⚠ sentiment

⚠ Vì sao cụm từ khoá cải thiện tìm kiếm Lý do
⚠ Tách chủ đề ra thành trường LỌC được
⚠ Dựng bộ lọc theo mặt (facet) cho người dùng
⚠ Gợi ý tài liệu liên quan
⚠ Nhóm tài liệu theo chủ đề
⚠ Hơn hẳn ⚠ chỉ tìm nguyên văn chuỗi ký tự
⚠ Kết hợp với các skill khác Kết hợp
⚠ + Language detection ⚠ xử lý kho đa ngôn ngữ
⚠ + Translation ⚠ tìm kiếm xuyên ngôn ngữ
⚠ + NER ⚠ lọc theo người, tổ chức, địa điểm
⚠ + Sentiment ⚠ tìm tài liệu tiêu cực về một chủ đề
⚠ Đây là ⚠ giá trị thật của skillset: các kỹ năng bổ trợ nhau

Ba việc kiểm chứng: | Việc | Cách | |---|---| | Cụm từ khoá có được đưa vào trường lọc được không | | | Đầu vào là văn bản hay cần OCR / STT trước | | | Kho tài liệu có đa ngôn ngữ không | |

Và điều biến một chỉ mục tìm kiếm bình thường thành công cụ khám phá tri thức: các trường lọc được sinh ra từ chính nội dung tài liệu. Người dùng không phải biết trước từ khoá mới tìm được thứ họ cần.

Câu 129 Generative AI solutions
What are the key features of generative AI models?
  1. A Conducting sentiment analysis on social media posts.
  2. B Recognizing and categorizing objects in images.
  3. C Analyzing structured data to extract insights.
  4. D Generating human-like text that mimics human writing.
Xem giải thích

Đáp án

D — Sinh ra văn bản GIỐNG NGƯỜI VIẾT.

Vì sao đúng

⚠ Đó là năng lực định danh của mô hình sinh ngữ:

⚠ Prompt
   ⚠ "Viết email xin lỗi khách vì giao hàng trễ"
        ↓ ⚠ LLM
⚠ Email hoàn chỉnh, mạch lạc
   ⚠ chưa từng tồn tại trước đó
Sinh được Nội dung
⚠ Văn bản ⚠ email, báo cáo, tóm tắt
⚠ Mã nguồn
⚠ Bản dịch tự nhiên
⚠ Trả lời hội thoại
⚠ Viết lại theo giọng văn khác

Vì sao các phương án khác sai

  • A (phân tích cảm xúc), B (nhận diện đối tượng trong ảnh), C (phân tích dữ liệu có cấu trúc) — ⚠ đều là AI PHÂN TÍCH, ⚠ nhận vào và ⚠ gán nhãn hoặc rút thông tin, ⚠ không ⚠ tạo ra nội dung mới.

Ghi nhớ

⚠ Ghi nhớ về chất lượng câu hỏi: ⚠ câu này ⚠ gần trùng #18036 trong cùng đợt.

Câu Hỏi gì Khoá
⚠ #18036 ⚠ đặc điểm của mô hình sinh ngữ ⚠ sinh dữ liệu mới tương tự tập đã học
⚠ #18043 (câu này) ⚠ tính năng chính ⚠ sinh văn bản giống người
⚠ Cùng một ý ⚠ câu này thu hẹp vào VĂN BẢN
⚠ Không mâu thuẫn ⚠ hai cách diễn đạt

⚠ Azure OpenAI — mô hình và việc: | Mô hình | Việc | |---|---| | ⚠ GPT | ⚠ sinh và hiểu văn bản, hội thoại | | ⚠ DALL-E | ⚠ sinh ảnh từ mô tả | | ⚠ Whisper | ⚠ phiên âm giọng nói | | ⚠ Embeddings | ⚠ biến văn bản thành vector để tìm kiếm ngữ nghĩa |

Từ khoá nhận diện:

"viết, soạn, tạo nội dung" → ⚠ generative AI "phân loại, nhận diện, đo" → ⚠ AI phân tích "trả lời dựa trên tài liệu công ty" → ⚠ RAG "biến văn bản thành vector" → ⚠ embeddings

⚠ Prompt engineering — kỹ năng cơ bản Kỹ thuật
⚠ Nêu rõ vai trò và bối cảnh
⚠ Cho VÍ DỤ mẫu ⚠ few-shot — hiệu quả nhất
⚠ Nêu rõ định dạng đầu ra mong muốn
⚠ Chia bài toán lớn thành bước nhỏ
⚠ System message ⚠ đặt luật chung cho toàn cuộc hội thoại
⚠ Vì sao cần RAG Lý do
⚠ Mô hình không biết dữ liệu nội bộ của bạn
⚠ Kiến thức có mốc thời gian
⚠ Cần trích dẫn nguồn để kiểm chứng
⚠ Giảm ảo giác đáng kể
⚠ Cách làm ⚠ tìm đoạn liên quan rồi đưa vào prompt

Ba việc kiểm chứng: | Việc | Cách | |---|---| | Cần TẠO hay cần PHÂN TÍCH | | | Có cần dữ liệu nội bộ không | ⚠ thì phải RAG | | Ai kiểm nội dung trước khi gửi tới khách | |

Và điều phân biệt một ứng dụng sinh ngữ dùng được trong doanh nghiệp với một bản demo ấn tượng: nó trả lời dựa trên tài liệu của chính tổ chức và dẫn được nguồn. Không có phần đó, mọi câu trả lời đều phải kiểm lại bằng tay.

Câu 130 Open AI

What is a key feature of Azure OpenAI service?

  1. A Automated machine learning
  2. B Real-time translation capabilities
  3. C Customizable natural language generation
  4. D Facial recognition
Xem giải thích

Đáp án

C — Sinh ngôn ngữ tự nhiên tuỳ biến được

Vì sao đúng

Azure OpenAI cho truy cập các mô hình ngôn ngữ lớn của OpenAI (GPT, DALL·E, Whisper) qua hạ tầng Azure. Năng lực đặc trưng của nó là sinh nội dung ngôn ngữ tự nhiên, và phần "tuỳ biến" đến từ việc bạn định hình đầu ra bằng system instruction, prompt engineering, hoặc tinh chỉnh mô hình trên dữ liệu riêng.

Vì sao các phương án khác sai

  • A. Học máy tự động (AutoML) — thuộc Azure Machine Learning, dựng mô hình từ dữ liệu bảng.
  • B. Dịch thời gian thực — là năng lực của dịch vụ Translator.
  • D. Nhận dạng khuôn mặt — thuộc Azure AI Vision.