Ngân hàng đề — Microsoft Azure AI Fundamentals

Tìm thấy 316 câu.

Câu 131 Generative AI
What is a feature of generative AI workloads in Microsoft AI workloads?
  1. A Monitoring performance and optimizing resource utilization
  2. B Identifying anomalies and potential threats in real-time
  3. C Creation of new content such as images, texts, or music
  4. D Ability to predict future events based on historical data
Xem giải thích

Đáp án

C — Tạo ra nội dung mới như ảnh, văn bản hoặc nhạc

Vì sao đúng

Đây chính là định nghĩa của AI sinh (generative AI): mô hình học từ dữ liệu rồi tạo ra nội dung chưa từng tồn tại, thay vì chỉ phân loại hay dự đoán trên dữ liệu có sẵn. Đó là khác biệt cốt lõi so với các dạng học máy truyền thống.

Vì sao các phương án khác sai

  • D. Dự đoán sự kiện tương lai từ dữ liệu lịch sử — đây là học máy dự báo, đưa ra một con số hay một nhãn chứ không tạo nội dung.
  • B. Phát hiện bất thường và mối đe doạ theo thời gian thực — thuộc lĩnh vực phát hiện bất thường và bảo mật.
  • A. Giám sát hiệu năng và tối ưu tài nguyên — là việc vận hành hạ tầng, không liên quan.
Câu 132 Common types of computer vision solution
What is a key feature of image classification solutions in Microsoft Azure AI Services?
  1. A Image classification solutions can only classify images into two categories.
  2. B Image classification solutions in Azure can automatically extract features from images and classify them into multiple categories.
  3. C Image classification solutions can only handle images that are less than 1MB in size.
  4. D Image classification solutions require manual feature extraction from images.
Xem giải thích

Đáp án

B — Giải pháp phân loại ảnh trên Azure TỰ ĐỘNG TRÍCH ĐẶC TRƯNG từ ảnh và phân vào NHIỀU lớp.

Vì sao đúng

⚠ Đây là điểm khác biệt lớn giữa học sâu và thị giác máy tính kiểu cũ:

⚠ CÁCH CŨ
   ⚠ Người tự thiết kế đặc trưng
   ⚠ cạnh, góc, biểu đồ màu, kết cấu
        ↓ ⚠ tốn công, phụ thuộc chuyên gia

⚠ HỌC SÂU
   ⚠ Mạng TỰ HỌC đặc trưng từ ảnh thô
        ↓
   ⚠ Chỉ cần ảnh và nhãn

⚠ Và "nhiều lớp": ⚠ Custom Vision hỗ trợ ⚠ multiclass (chọn một trong nhiều) ⚠ và ⚠ multilabel (gán nhiều nhãn).

Vì sao các phương án khác sai

  • A (chỉ phân được HAI loại) — ⚠ SAI: ⚠ hỗ trợ nhiều lớp.

  • D (phải trích đặc trưng THỦ CÔNG) — ⚠ NGƯỢC: ⚠ đó là cách làm trước thời học sâu.

  • C (chỉ xử lý ảnh dưới 1MB) — ⚠ SAI: ⚠ giới hạn thực tế cao hơn nhiều và không phải "tính năng".

Ghi nhớ

⚠ Ghi nhớ về chất lượng câu hỏi: ⚠ câu này ⚠ gần trùng #18006 và #17985.

Câu Hỏi gì Khoá
⚠ #17985 / #18006 ⚠ phân loại ảnh làm gì ⚠ phân tích và diễn giải nội dung ảnh
⚠ #18046 (câu này) ⚠ tính năng then chốt ⚠ tự trích đặc trưng, phân nhiều lớp
⚠ Bổ sung nhau ⚠ một hỏi việc, một hỏi cách làm

⚠ Transfer learning — nền tảng của Custom Vision: | Điểm | Nội dung | |---|---| | ⚠ Mô hình đã học trên hàng triệu ảnh | | | ⚠ Các lớp đầu đã biết nhận cạnh, hình dạng, kết cấu | | | ⚠ Chỉ huấn luyện lại lớp cuối cho nhãn của bạn | | | ⚠ Vì vậy chỉ cần 15-50 ảnh mỗi nhãn | | | ⚠ Nếu huấn luyện từ đầu | ⚠ cần hàng chục nghìn ảnh |

Từ khoá nhận diện:

"tự trích đặc trưng" → ⚠ học sâu, Custom Vision "thiết kế đặc trưng thủ công" → ⚠ cách làm cũ "cần ít ảnh mà vẫn học được" → ⚠ transfer learning "gán nhiều nhãn cùng lúc" → ⚠ multilabel

⚠ Multiclass và multilabel — chọn lúc tạo dự án Chọn
⚠ Multiclass: mỗi ảnh ĐÚNG MỘT nhãn ⚠ loại sản phẩm
⚠ Multilabel: mỗi ảnh NHIỀU nhãn ⚠ cảnh có biển, hoàng hôn, người
⚠ Chọn sai ⚠ phải tạo lại dự án và gán nhãn lại
⚠ Hỏi trước ⚠ một ảnh có thể thuộc nhiều nhóm cùng lúc không
⚠ Bao nhiêu ảnh là đủ Số lượng
⚠ Tối thiểu 15 ảnh mỗi nhãn để bắt đầu
⚠ 50+ mỗi nhãn cho kết quả dùng được
⚠ Cân bằng số ảnh giữa các nhãn
⚠ Đa dạng góc, ánh sáng, nền
⚠ Quan trọng hơn số lượng ⚠ ảnh giống môi trường thật sẽ dùng

Ba việc kiểm chứng: | Việc | Cách | |---|---| | Một ảnh có thể mang nhiều nhãn không | ⚠ quyết định loại dự án | | Ảnh huấn luyện có giống ảnh thật không | | | Số ảnh giữa các nhãn có lệch nhau nhiều không | |

Và quyết định phải đưa ra trước khi tải ảnh đầu tiên lên Custom Vision, vì sau đó không đổi được: multiclass hay multilabel. Chọn sai nghĩa là làm lại từ đầu, kể cả phần gán nhãn.

Câu 133 AI Vision
What feature of object detection solutions is supported by Microsoft Custom Vision?
  1. A Semantic segmentation for pixel-level accuracy
  2. B Customizable image classification
  3. C Real-time video analysis
  4. D Object tracking across frames
Xem giải thích

Đáp án

B — Phân loại ảnh tuỳ biến

Vì sao đúng

Custom Vision cho bạn huấn luyện mô hình thị giác bằng dữ liệu của chính mình mà không cần kiến thức học máy: tải ảnh lên, gắn nhãn, bấm huấn luyện. Đây là điểm mạnh đặc trưng — mô hình nhận ra đúng những loại sản phẩm, lỗi sản xuất hay đối tượng riêng của nghiệp vụ bạn, thứ mà mô hình dựng sẵn không biết.

Vì sao các phương án khác sai

  • A. Phân đoạn ngữ nghĩa ở mức điểm ảnh — Custom Vision làm ở mức hộp bao quanh đối tượng, không phân loại từng điểm ảnh.
  • C. Phân tích video thời gian thực và D. Bám đối tượng qua các khung hình — đều là năng lực xử lý video; Custom Vision làm việc trên ảnh tĩnh.
Câu 134 Common NLP Workload
Which of the following represents a correct feature and use for entity recognition in Azure AI Services (formerly Cognitive Services)?
  1. A Analyzing customer sentiment in social media posts.
  2. B Extracting key phrases from a text document.
  3. C Recognizing and categorizing proper nouns such as names of people, places, or organizations in text.
  4. D Identifying the main theme or topic of a news article.
Xem giải thích

Đáp án

C — Nhận ra và phân loại DANH TỪ RIÊNG như tên người, địa điểm hay tổ chức trong văn bản.

Vì sao đúng

⚠ NER trích thực thể và gán LOẠI cho chúng:

⚠ "Nguyễn Văn A gặp đại diện VinGroup
   tại Đà Nẵng ngày 12/3"
        ↓
⚠ Person: Nguyễn Văn A
⚠ Organization: VinGroup
⚠ Location: Đà Nẵng
⚠ DateTime: 12/3
Loại thực thể dựng sẵn Ví dụ
⚠ Person, PersonType
⚠ Location, Address
⚠ Organization
⚠ DateTime, Quantity
⚠ Email, PhoneNumber, URL
⚠ Product, Event, Skill

Vì sao các phương án khác sai

  • B (trích cụm từ khoá) — ⚠ key phrase extraction: ⚠ trả về ⚠ cụm chủ đề không có loại.

  • D (xác định chủ đề chính của bài báo) — ⚠ key phrase hoặc text classification.

  • A (phân tích cảm xúc) — ⚠ sentiment analysis.

Ghi nhớ

⚠ Ghi nhớ về chất lượng câu hỏi: ⚠ câu này ⚠ gần trùng #17998 và #17974.

Câu Hỏi gì Khoá
⚠ #17974 ⚠ dịch vụ nào trích tên người, tổ chức ⚠ entity recognition
⚠ #17998 ⚠ tính năng của NER ⚠ phân biệt trùng tên nhờ ngữ cảnh
⚠ #18048 (câu này) ⚠ tính năng và công dụng đúng ⚠ nhận và phân loại danh từ riêng
⚠ Ba câu ⚠ cùng tính năng, không mâu thuẫn

⚠ NER và key phrase — ranh giới rõ ràng: | Tính năng | Đầu ra | Có LOẠI không | |---|---|---| | ⚠ NER | ⚠ thực thể cụ thể | ⚠ CÓ — person, location… | | ⚠ Key phrase | ⚠ cụm chủ đề | ⚠ KHÔNG |

Từ khoá nhận diện:

"tên người, tổ chức, địa điểm" → ⚠ NER "chủ đề chính, ý chính" → ⚠ key phrase "thực thể riêng của công ty" → ⚠ Custom NER "che thông tin cá nhân" → ⚠ PII detection

⚠ PII detection — biến thể quan trọng của NER Nội dung
⚠ Tìm riêng thông tin định danh cá nhân
⚠ Trả về vị trí để CHE hoặc THAY
⚠ Có chế độ riêng cho dữ liệu y tế (PHI)
⚠ Dùng để ⚠ làm sạch log, làm sạch dữ liệu trước khi đưa vào mô hình
⚠ Gắn với ⚠ nguyên tắc Privacy & Security
⚠ Custom NER — khi nào cần Khi nào
⚠ Mã hợp đồng, mã bệnh án riêng
⚠ Tên sản phẩm nội bộ
⚠ Thuật ngữ đặc thù ngành
⚠ Cần ⚠ văn bản gán nhãn để huấn luyện
⚠ Cách hay dùng ⚠ NER dựng sẵn cho loại chung + custom cho loại riêng

Ba việc kiểm chứng: | Việc | Cách | |---|---| | Cần thực thể có loại hay chỉ cần chủ đề | | | Có thông tin cá nhân cần che không | | | Loại thực thể cần có trong danh sách dựng sẵn không | |

Và ứng dụng của NER hữu ích nhất mà ít người nghĩ tới đầu tiên: dùng nó để tìm và che thông tin cá nhân trước khi dữ liệu đi vào log hay vào mô hình. Đó là cách rẻ nhất để giảm rủi ro riêng tư trên toàn hệ thống.

Câu 135 Common machine learning techniques
In the context of Microsoft Azure AI Services, which of the following scenarios is best suited for a clustering machine learning model?
  1. A Grouping customers based on their purchasing behavior.
  2. B Predicting whether an email is spam or not.
  3. C Classifying images of cats and dogs.
  4. D Predicting the sales of a retail store in the next quarter.
Xem giải thích

Đáp án

A — Gom nhóm khách hàng dựa trên hành vi mua sắm.

Vì sao đúng

⚠ Không có nhãn cho trước — chính là gom cụm:

⚠ Dữ liệu khách hàng
   ⚠ tần suất mua, giá trị đơn, danh mục
        ↓ ⚠ KHÔNG ai nói trước có nhóm nào
⚠ Thuật toán tự tìm cấu trúc
        ↓
⚠ Nhóm A: mua thường xuyên, giá trị nhỏ
⚠ Nhóm B: mua hiếm, giá trị lớn
⚠ Nhóm C: đã ngừng mua

Vì sao các phương án khác sai

  • B (email có phải spam không) — ⚠ phân loại nhị phân, có nhãn.

  • C (phân loại ảnh mèo và chó) — ⚠ phân loại ảnh, có nhãn.

  • D (dự báo doanh số quý tới) — ⚠ hồi quy / forecasting, đầu ra là số.

⚠ Cả ba đều là học CÓ giám sát — ⚠ đó là dấu hiệu loại chúng.

Ghi nhớ

⚠ Ghi nhớ về chất lượng câu hỏi: ⚠ câu này ⚠ gần trùng #18032 trong cùng đợt và #17987.

Câu Hỏi gì Khoá
⚠ #18032 ⚠ định nghĩa clustering ⚠ gom điểm dữ liệu giống nhau
⚠ #17987 / #18049 ⚠ kịch bản nào hợp clustering ⚠ phân khúc khách hàng
⚠ Cùng nguyên lý ⚠ một hỏi định nghĩa, một hỏi ví dụ
⚠ Lưu ý ⚠ bộ đề dùng đúng ví dụ phân khúc khách hàng nhiều lần

⚠ Câu hỏi phân biệt duy nhất cần đặt: | Câu hỏi | Kết luận | |---|---| | ⚠ "Dữ liệu ĐÃ có đáp án đúng chưa?" | | | ⚠ CÓ nhãn → có giám sát | ⚠ classification hoặc regression | | ⚠ KHÔNG có nhãn → không giám sát | ⚠ clustering |

Từ khoá nhận diện:

"phân khúc, gom nhóm, tự tìm nhóm" → ⚠ clustering "có phải là..., thuộc loại nào" → ⚠ classification "bao nhiêu, dự báo số" → ⚠ regression "chưa biết có nhóm nào" → ⚠ clustering

⚠ RFM — cách phân khúc kinh điển Thành phần
⚠ Recency: mua gần đây thế nào
⚠ Frequency: mua thường xuyên không
⚠ Monetary: chi bao nhiêu
⚠ Ba đặc trưng này ⚠ đủ để phân khúc tốt trong rất nhiều trường hợp
⚠ Bài học ⚠ đặc trưng đúng quan trọng hơn thuật toán phức tạp
⚠ Sau khi có phân khúc thì làm gì Việc
⚠ Đặt tên có nghĩa cho từng nhóm
⚠ Thiết kế chương trình riêng cho từng nhóm
⚠ Đo xem chương trình có hiệu quả không
⚠ Nếu không có hành động khác nhau ⚠ phân khúc không tạo giá trị

Ba việc kiểm chứng: | Việc | Cách | |---|---| | Dữ liệu đã có nhãn chưa | | | Đặc trưng dùng để gom có ý nghĩa nghiệp vụ không | | | Mỗi nhóm sẽ được đối xử khác nhau ra sao | |

Và bài học thực tế từ phân khúc khách hàng, đúng với gần như mọi bài toán học máy: chọn đúng ba bốn đặc trưng có ý nghĩa thường thắng một thuật toán tinh vi chạy trên dữ liệu tuỳ tiện.

Câu 136 Purview
Which Microsoft service is specifically designed to provide a centralized view of data governance and compliance across your organization, including considerations for privacy and security in an AI solution?
  1. A Microsoft Purview
  2. B Azure Virtual Desktop
  3. C Azure Monitor
  4. D Microsoft Defender for Servers
Xem giải thích

Đáp án

A — Microsoft Purview

Vì sao đúng

Purview là nền tảng quản trị dữ liệu của Microsoft: nó quét và lập danh mục dữ liệu nằm rải rác trên nhiều hệ thống, tự phân loại dữ liệu nhạy cảm, dựng bản đồ dòng chảy dữ liệu (data lineage), và gom phần tuân thủ về một chỗ. Đúng ba thứ đề nêu — cái nhìn tập trung, quản trị dữ liệu, và cân nhắc về quyền riêng tư.

Vì sao các phương án khác sai

  • D. Defender for Servers — bảo vệ máy chủ khỏi mối đe doạ; là bảo mật chứ không phải quản trị dữ liệu.
  • C. Azure Monitor — thu thập số liệu và log về tình trạng hệ thống, không phân loại dữ liệu.
  • B. Azure Virtual Desktop — dịch vụ máy tính ảo, hoàn toàn không liên quan.
Câu 137 Generative AI
Which feature is NOT typically associated with generative AI models in Microsoft technologies?
  1. A Anomaly detection
  2. B Image synthesis
  3. C Text generation
  4. D Speech recognition
Xem giải thích

Đáp án

A — Phát hiện bất thường (anomaly detection)

Vì sao đúng

Câu hỏi tìm năng lực không thuộc về mô hình AI sinh. Phát hiện bất thường là bài toán phân tích: nó xem xét dữ liệu có sẵn và chỉ ra điểm nào lệch khỏi quy luật. Nó không tạo ra nội dung nào — đúng đặc điểm phân biệt AI sinh với các dạng AI khác.

Vì sao các phương án khác sai (chúng là năng lực của AI sinh)

  • B. Tổng hợp ảnh — tạo ảnh mới từ mô tả.
  • C. Sinh văn bản — năng lực điển hình nhất.
  • D. Nhận dạng giọng nói — đây là câu dễ gây tranh cãi nhất, nhưng các mô hình hiện đại như Whisper thuộc cùng họ mô hình sinh và được xếp trong nhóm này; nó sinh ra chuỗi văn bản từ âm thanh chứ không chỉ gán nhãn.
Câu 138 Common types of computer vision solution
What is a key feature of object detection solutions in Microsoft Azure AI Services?
  1. A Object detection solutions in Azure require a separate machine learning model for each object type.
  2. B Object detection solutions in Azure can only process images in black and white.
  3. C Object detection solutions in Azure have the ability to autonomously identify and pinpoint various object types in an image.
  4. D Object detection solutions in Azure can automatically detect and locate multiple types of objects in an image.
Xem giải thích

Đáp án

D — Giải pháp phát hiện đối tượng trên Azure có thể TỰ ĐỘNG phát hiện và ĐỊNH VỊ NHIỀU LOẠI vật thể trong một ảnh.

Vì sao đúng

⚠ Một mô hình duy nhất xử lý nhiều loại vật cùng lúc:

⚠ Một ảnh vào
        ↓ ⚠ MỘT mô hình
⚠ Người (0,96) tại (x1,y1,w1,h1)
⚠ Xe máy (0,91) tại (x2,y2,w2,h2)
⚠ Mũ bảo hiểm (0,88) tại (x3,y3,w3,h3)
        ↓
⚠ Nhiều LOẠI, nhiều THỂ HIỆN, cùng lúc

Vì sao các phương án khác sai

  • A (mỗi loại vật cần một mô hình riêng) — ⚠ SAI: ⚠ một mô hình học nhiều nhãn.

  • B (chỉ xử lý được ảnh đen trắng) — ⚠ SAI rõ ràng.

  • C — ⚠ xem mục chất lượng câu hỏi.

Ghi nhớ

⚠ Ghi nhớ về chất lượng câu hỏi: ⚠ phương án C và D ⚠ nói CÙNG MỘT ĐIỀU.

Phương án Nội dung
⚠ C ⚠ "tự chủ nhận diện và xác định vị trí nhiều loại vật trong ảnh"
⚠ D (khoá) ⚠ "tự động phát hiện và định vị nhiều loại vật trong ảnh"
⚠ Khác biệt ⚠ chỉ là cách diễn đạt — "autonomously" so với "automatically"
⚠ Kết luận ⚠ lỗi soạn đề: hai phương án trùng nghĩa
⚠ Giữ nguyên khoá ⚠ D theo bộ đề gốc
⚠ Trong phòng thi ⚠ nếu gặp hai phương án trùng nghĩa, chọn cái diễn đạt CHUẨN MỰC hơn

⚠ Đây là dạng lỗi đã gặp nhiều lần trong bộ đề này — ⚠ đối chiếu ⚠ #17438 (⚠ hai phương án trùng chữ) ⚠ và ⚠ #18005 (⚠ hai phương án cùng đúng).

⚠ Object detection — năng lực phải thuộc: | Năng lực | Nội dung | |---|---| | ⚠ Nhiều LOẠI vật trong một mô hình | | | ⚠ Nhiều THỂ HIỆN của cùng một loại | | | ⚠ Bounding box cho từng vật | | | ⚠ Điểm tin cậy cho từng phát hiện | | | ⚠ Đếm được số lượng | | | ⚠ KHÔNG có | ⚠ đường viền chính xác theo pixel |

Từ khoá nhận diện:

"nhiều vật, ở đâu, bao nhiêu cái" → ⚠ object detection "ảnh này là gì" → ⚠ image classification "đường viền từng pixel" → ⚠ segmentation, ngoài Custom Vision "theo dõi qua các khung hình" → ⚠ object tracking trên video

⚠ Ngưỡng và NMS — hai núm chỉnh khi dự đoán Núm
⚠ Probability threshold ⚠ bỏ phát hiện có điểm thấp
⚠ Overlap threshold (NMS) ⚠ gộp các hộp chồng lên nhau cho cùng một vật
⚠ Ngưỡng thấp ⚠ bắt nhiều hơn nhưng nhiễu hơn
⚠ Chỉnh được ⚠ KHÔNG cần huấn luyện lại
⚠ Vật nhỏ — hạn chế thực tế Hạn chế
⚠ Vật chiếm ít pixel rất khó phát hiện
⚠ Ảnh bị thu nhỏ trước khi đưa vào mô hình
⚠ Giải pháp: chụp gần hơn hoặc cắt ảnh thành ô
⚠ Đừng kỳ vọng ⚠ bắt được vật nhỏ trong ảnh toàn cảnh độ phân giải thấp

Ba việc kiểm chứng: | Việc | Cách | |---|---| | Vật cần phát hiện chiếm bao nhiêu phần ảnh | | | Ngưỡng xác suất đặt bao nhiêu | | | Có cần vị trí hay chỉ cần biết có hay không | |

Và giới hạn hay làm hỏng kỳ vọng của một dự án phát hiện đối tượng ngoài thực địa: vật càng nhỏ trong khung hình càng khó bắt. Đặt camera gần hơn thường hiệu quả hơn mọi nỗ lực cải tiến mô hình.

Câu 139 Common AI workloads
Which Azure AI service uses reinforcement learning to personalize user experiences?
  1. A Azure Databricks
  2. B Azure Cognitive Services
  3. C Azure Machine Learning
  4. D Azure Personalizer
Xem giải thích

Đáp án

D — Azure Personalizer.

Vì sao đúng

⚠ Personalizer là dịch vụ AI duy nhất của Azure xây trên HỌC TĂNG CƯỜNG:

⚠ Người dùng tới
        ↓ ⚠ gửi context + danh sách lựa chọn
⚠ Personalizer chọn nội dung tốt nhất (Rank)
        ↓
⚠ Hiển thị cho người dùng
        ↓ ⚠ họ có bấm không?
⚠ Gửi phần thưởng về (Reward)
        ↓
⚠ Mô hình HỌC LIÊN TỤC từ phản hồi thật
Khác biệt với mô hình thường Nội dung
⚠ KHÔNG huấn luyện một lần rồi thôi
⚠ Học từ hành vi NGAY khi đang chạy
⚠ Cân bằng KHAI THÁC và KHÁM PHÁ ⚠ exploration

Vì sao các phương án khác sai

  • C (Azure Machine Learning) — ⚠ nền tảng chung; ⚠ làm được reinforcement learning nhưng ⚠ không phải dịch vụ cá nhân hoá sẵn.

  • B (Azure Cognitive Services) — ⚠ tên gọi của cả họ dịch vụ, ⚠ không phải một dịch vụ cụ thể; ⚠ nay đổi tên thành ⚠ Azure AI Services.

  • A (Azure Databricks) — ⚠ nền tảng phân tích dữ liệu lớn.

Ghi nhớ

⚠ Ghi nhớ về chất lượng câu hỏi: ⚠ dịch vụ trong khoá ⚠ đã ngừng phát triển.

Vấn đề Thực tế
⚠ Azure Personalizer ⚠ Microsoft thông báo NGỪNG từ 2023
⚠ Ngừng nhận khách hàng mới ⚠ từ tháng 9/2023
⚠ Ngừng hoạt động hoàn toàn ⚠ tháng 10/2026
⚠ Khách cũ ⚠ được dùng tới khi ngừng hẳn
⚠ Thay thế ⚠ tự xây bằng Azure ML, hoặc dùng mô hình sinh ngữ để cá nhân hoá
⚠ Giữ nguyên khoá ⚠ D — KHÔNG sửa, đây vẫn là đáp án đúng của câu hỏi
⚠ Tiền lệ ⚠ cùng cách xử lý với các câu về OpsWorks, Data Pipeline, Content Moderator

⚠ Bốn kiểu học máy — bảng phải thuộc: | Kiểu | Đặc điểm | |---|---| | ⚠ Có giám sát | ⚠ dữ liệu có NHÃN | | ⚠ Không giám sát | ⚠ không nhãn, tự tìm cấu trúc | | ⚠ Bán giám sát | ⚠ một phần có nhãn | | ⚠ Tăng cường | ⚠ học từ THỬ và PHẢN HỒI |

Từ khoá nhận diện:

"học từ phần thưởng, thử và sai" → ⚠ reinforcement learning "cá nhân hoá nội dung theo thời gian thực" → ⚠ Personalizer "gợi ý sản phẩm dựa trên lịch sử" → ⚠ recommendation truyền thống "Cognitive Services" → ⚠ tên CŨ của Azure AI Services

⚠ Khai thác và khám phá — khái niệm cốt lõi Khái niệm
⚠ Khai thác: dùng lựa chọn ĐANG TỐT NHẤT
⚠ Khám phá: thỉnh thoảng thử cái khác
⚠ Chỉ khai thác → không bao giờ tìm ra cái tốt hơn
⚠ Chỉ khám phá → hiệu quả thấp
⚠ Personalizer ⚠ cho bạn đặt tỉ lệ khám phá
⚠ Học tăng cường khác gì mô hình thường Khác biệt
⚠ Không cần tập dữ liệu gán nhãn trước
⚠ Học từ hậu quả của hành động
⚠ Cần vòng phản hồi thật hoạt động
⚠ Rủi ro ⚠ tín hiệu phần thưởng đặt sai thì mô hình tối ưu nhầm mục tiêu

Ba việc kiểm chứng: | Việc | Cách | |---|---| | Dịch vụ nhắc trong đề còn được hỗ trợ không | | | Có vòng phản hồi thật để học không | | | Tín hiệu phần thưởng có phản ánh đúng mục tiêu không | |

Và rủi ro lớn nhất của học tăng cường trong sản phẩm thật, lớn hơn cả chuyện thuật toán: định nghĩa sai phần thưởng. Tối ưu cho lượt bấm sẽ cho ra tiêu đề giật gân, dù không ai muốn điều đó.

Câu 140 Common NLP Workload
In the context of Azure AI Services (formerly Cognitive Services), what is the primary purpose of speech recognition and synthesis?
  1. A Identifying and categorizing entities in text.
  2. B Analyzing emotional tone and sentiment in spoken language.
  3. C Converting audio into written text for analysis and documentation.
  4. D Automatically generating textual summaries of lengthy audio recordings.
Xem giải thích

Đáp án

C — Chuyển ÂM THANH thành VĂN BẢN để phân tích và lưu trữ.

Vì sao đúng

⚠ Đây là mục đích chính của nhận dạng và tổng hợp giọng nói:

⚠ Speech RECOGNITION
   ⚠ âm thanh → văn bản

⚠ Speech SYNTHESIS
   ⚠ văn bản → âm thanh
        ↓
⚠ Cầu nối giữa giọng nói và văn bản
Ứng dụng Nội dung
⚠ Biên bản cuộc họp
⚠ Phân tích cuộc gọi tổng đài
⚠ Phụ đề trực tiếp
⚠ Đọc nội dung cho người khiếm thị
⚠ Trợ lý giọng nói

Vì sao các phương án khác sai

  • B (phân tích sắc thái cảm xúc trong lời nói) — ⚠ bẫy đáng chú ý: ⚠ muốn làm việc này phải ⚠ phiên âm trước rồi mới phân tích cảm xúc bằng AI Language — ⚠ đó là hai bước, không phải mục đích của Speech.

  • A (nhận diện thực thể trong văn bản) — ⚠ NER.

  • D (tự tóm tắt bản ghi âm dài) — ⚠ cần STT rồi mới summarization; ⚠ lại là chuỗi hai bước.

Ghi nhớ

⚠ Ghi nhớ về chất lượng câu hỏi: ⚠ câu này ⚠ là câu thứ ba về Speech trong đợt.

Câu Hỏi gì Khoá
⚠ #18028 ⚠ kịch bản của nhận dạng giọng nói ⚠ phiên âm thời gian thực
⚠ #18030 ⚠ workload NLP nào ⚠ speech-to-text
⚠ #18054 (câu này) ⚠ mục đích chính ⚠ chuyển âm thanh thành văn bản
⚠ Ba câu ⚠ cùng một nội dung, hỏi ba kiểu

⚠ Nguyên tắc "chuỗi hai bước" — rất hay bị hỏi: | Muốn làm | Chuỗi | |---|---| | ⚠ Cảm xúc trong cuộc gọi | ⚠ STT → sentiment | | ⚠ Tóm tắt bản ghi âm | ⚠ STT → summarization | | ⚠ Trợ lý giọng nói | ⚠ STT → CLU → logic → TTS | | ⚠ Dịch lời nói | ⚠ STT → dịch → TTS | | ⚠ Bài học | ⚠ Speech chỉ lo phần ÂM THANH, phần hiểu nghĩa thuộc Language |

Từ khoá nhận diện:

"phiên âm, chuyển lời nói thành chữ" → ⚠ speech recognition "đọc văn bản thành tiếng" → ⚠ speech synthesis "cảm xúc trong lời nói" → ⚠ hai bước: STT rồi sentiment "ai đang nói" → ⚠ speaker recognition

⚠ Tuỳ chỉnh giọng nói — điều đáng biết Nội dung
⚠ Custom Neural Voice tạo giọng riêng cho thương hiệu
⚠ Thuộc LIMITED ACCESS, phải đăng ký
⚠ Cần sự ĐỒNG Ý của người cho giọng
⚠ Lý do hạn chế ⚠ nguy cơ giả mạo giọng nói
⚠ Gắn với ⚠ nguyên tắc AI có trách nhiệm
⚠ SSML — điều khiển cách đọc Nội dung
⚠ Chỉnh tốc độ, cao độ, ngắt nghỉ
⚠ Chỉ định cách đọc số, ngày tháng, từ viết tắt
⚠ Chọn phong cách nói ⚠ vui vẻ, tin tức, hỗ trợ khách hàng
⚠ Không dùng SSML ⚠ giọng đọc dễ nghe máy móc ở chỗ cần nhấn nhá

Ba việc kiểm chứng: | Việc | Cách | |---|---| | Bài toán cần một bước hay chuỗi nhiều bước | | | Có cần giọng riêng của thương hiệu không | ⚠ Limited Access | | Đã dùng SSML để đọc số và ngày cho đúng chưa | |

Và điểm dễ mất điểm nhất ở nhóm câu hỏi về Speech: nhầm một chuỗi hai bước thành một tính năng duy nhất. Speech đưa âm thanh về văn bản; mọi việc hiểu nghĩa sau đó đều thuộc về AI Language.