Ngân hàng đề — Microsoft Azure AI Fundamentals

Đáp án

C — Azure AI Services Translator Text

Vì sao đúng

Đề cần dịch mô tả sản phẩm và đánh giá, tức là dữ liệu dạng chữ. Translator Text là dịch vụ đúng loại: hỗ trợ nhiều chục ngôn ngữ, tự nhận ngôn ngữ nguồn, và gọi được qua REST API để dịch động khi trang được tải.

Vì sao các phương án khác sai

• A. Speech Translation — dịch giọng nói; sai loại dữ liệu.
• B. Azure AI Search — giúp tìm kiếm trong khối văn bản, không dịch.
• D. Personalizer — đưa ra gợi ý cá nhân hoá dựa trên hành vi, không liên quan tới dịch thuật.

Đáp án

D — Trực tiếp quản lý và cấp phát tài nguyên tính toán bên dưới

Vì sao đúng

Câu này tìm thứ AutoML không làm. AutoML lo phần khoa học dữ liệu — chọn thuật toán, chọn đặc trưng, dò siêu tham số, giải thích kết quả. Còn việc quyết định dùng cụm tính toán nào, bao nhiêu node, loại máy gì là do bạn khai trước ở tầng Azure ML; AutoML chỉ chạy trên cụm đã có.

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

• A. Tự chọn thuật toán và siêu tham số — chức năng cốt lõi.
• B. Sinh dữ liệu tổng hợp để cân bằng tập dữ liệu — AutoML có xử lý mất cân bằng lớp.
• C. Giải thích dự đoán của mô hình — có sẵn phần diễn giải để biết đặc trưng nào ảnh hưởng nhiều.

Đáp án

D — Phân loại và bảo vệ dữ liệu bằng Microsoft Purview

Vì sao đúng

Với quy định về bảo vệ dữ liệu cá nhân, câu hỏi đầu tiên phải trả lời là dữ liệu cá nhân đang nằm ở đâu và thuộc loại nào. Không biết điều đó thì không thực thi được quyền của chủ thể dữ liệu — quyền xem, quyền sửa, quyền được xoá. Purview quét, lập danh mục, tự phân loại dữ liệu nhạy cảm và gắn nhãn bảo vệ đi theo dữ liệu.

Vì sao các phương án khác sai

Ba phương án còn lại đều là biện pháp bảo mật — cần thiết nhưng không trả lời được câu hỏi trên:

• C. Chính sách truy cập theo điều kiện — kiểm soát ai đăng nhập được.
• B. Bật ghi nhật ký chẩn đoán — ghi lại hoạt động, hữu ích cho kiểm toán.
• A. Azure Front Door — bảo vệ ở tầng ứng dụng.

Hệ thống có thể được bảo vệ rất chặt mà vẫn vi phạm quy định, nếu không ai biết dữ liệu cá nhân đang nằm chỗ nào.

Đáp án

A — Phân nhóm khách hàng theo lịch sử mua hàng để nhắm chiến dịch tiếp thị

Vì sao đúng

Phân cụm là học không giám sát: dữ liệu không có nhãn, và thuật toán tự tìm ra các nhóm dựa trên mức độ giống nhau. Phân nhóm khách hàng khớp đúng — bạn không biết trước có bao nhiêu nhóm hay mỗi nhóm tên gì; thuật toán tìm ra chúng rồi con người mới đọc và đặt tên.

Vì sao các phương án khác sai

Ba phương án còn lại đều là học có giám sát, cần dữ liệu đã gắn nhãn:

• B. Phân loại thư rác — phân loại nhị phân, có nhãn rác/không rác.
• C. Xác định cảm xúc của đánh giá — phân loại, có nhãn cảm xúc.
• D. Dự đoán giá cổ phiếu — hồi quy, dự đoán một giá trị số.

Câu hỏi phân biệt nhanh: bạn có sẵn câu trả lời đúng cho dữ liệu mẫu không? Có thì là học có giám sát; không thì mới là phân cụm.

🧩 Phân tích nội dung câu hỏi
Câu hỏi mô tả tình huống một công ty đang sử dụng đội ngũ nhân viên hỗ trợ khách hàng (customer service agents) để xử lý các yêu cầu qua điện thoại và email. Để tối ưu hóa quy trình, công ty phát triển một webchat bot – một chatbot trên web – nhằm cung cấp câu trả lời tự động cho các câu hỏi phổ biến từ khách hàng (common customer queries).
📌 Mục tiêu chính của câu hỏi: Xác định lợi ích kinh doanh (business benefit) mà công ty mong đợi từ việc triển khai giải pháp này. Đây là chủ đề liên quan đến dịch vụ Amazon Lex (dịch vụ chatbot của AWS) hoặc tích hợp với Amazon Connect (dịch vụ contact center), giúp tự động hóa hỗ trợ khách hàng, giảm tải thủ công. Kiến thức dựa trên phiên bản AWS mới nhất năm 2026, nơi Amazon Lex hỗ trợ generative AI qua Amazon Bedrock cho chatbot thông minh hơn.

✅ Đáp án đúng: a reduced workload for the customer service agents
🛠️ Lý do lựa chọn: Webchat bot được thiết kế để xử lý tự động các truy vấn phổ biến, giúp giảm số lượng yêu cầu mà nhân viên hỗ trợ phải xử lý qua điện thoại/email. Điều này trực tiếp giảm tải công việc (workload) cho đội ngũ agents, cho phép họ tập trung vào các vấn đề phức tạp hơn, tiết kiệm chi phí và tăng hiệu quả hoạt động. Theo AWS, lợi ích cốt lõi của Amazon Lex là "deflect agent interactions" – chuyển hướng tương tác khỏi agents.

📘 Giải thích chi tiết tất cả các phương án (dựa trên kiến thức AWS cập nhật 2026):

• increased sales ❌ Sai: Phương án này không phải lợi ích trực tiếp từ webchat bot. Bot chỉ hỗ trợ trả lời câu hỏi, không có cơ chế bán hàng tích hợp (như recommendation engine). Mặc dù có thể gián tiếp tăng sales qua trải nghiệm khách hàng tốt hơn, nhưng không phải lợi ích chính được AWS nhấn mạnh cho Lex/Connect.
• a reduced workload for the customer service agents ✅ Đúng: Như đã giải thích, bot tự động hóa các query phổ biến, giảm đáng kể số lượng ticket/ cuộc gọi cho agents. AWS documentation xác nhận: "Bots can handle routine inquiries, freeing agents for high-value tasks" (Amazon Lex FAQs, 2026).
• improved product reliability ❌ Sai: Webchat bot chỉ liên quan đến hỗ trợ khách hàng, không ảnh hưởng đến độ tin cậy sản phẩm (reliability như uptime, bug fixes). Đây là lợi ích của các dịch vụ như AWS Well-Architected Framework hoặc Amazon GuardDuty, không phải chatbot.

🔗 Tài liệu tham khảo:

• AWS Amazon Lex Developer Guide: https://docs.aws.amazon.com/lex/latest/dg/what-is.html (cập nhật 2026: Tích hợp Bedrock cho bot tự nhiên hơn).
• Amazon Connect Documentation: https://docs.aws.amazon.com/connect/latest/adminguide/chat-bots.html (lợi ích giảm workload agents).
• AWS Well-Architected Framework: Reliability Pillar (không liên quan bot).

Hy vọng phân tích này giúp bạn nắm vững kiến thức AWS trong Azure AI Fundamentals context! 🚀

🧩 Phân tích câu hỏi trắc nghiệm về Machine Learning trên AWS

📖 Giải thích nội dung câu hỏi:
Câu hỏi tập trung vào quy trình chuẩn bị dữ liệu trong machine learning (ML), cụ thể là cách chia dữ liệu cho phần huấn luyện (training) và đánh giá (evaluation). Trong ML trên AWS (như sử dụng Amazon SageMaker), dữ liệu thường bao gồm các hàng (rows) đại diện cho các mẫu dữ liệu (samples) và các cột (columns) đại diện cho đặc trưng (features) cùng nhãn (labels). Việc chia dữ liệu đúng cách giúp mô hình học được từ dữ liệu huấn luyện mà không bị "rò rỉ" thông tin từ dữ liệu đánh giá, đảm bảo đánh giá khách quan. Theo best practices mới nhất của AWS (cập nhật đến 2026), dữ liệu phải được chia ngẫu nhiên theo hàng để tránh bias, hỗ trợ các công cụ như SageMaker Data Wrangler hoặc Processing Jobs.

✅ Đáp án đúng:
Randomly split the data into rows for training and rows for evaluation.
Lý do chọn: Phương án này đúng vì trong ML, dữ liệu được chia ngẫu nhiên theo hàng (rows) – tức là các mẫu dữ liệu hoàn chỉnh (bao gồm cả features và labels) – thành tập huấn luyện (training set) và tập đánh giá (evaluation set). Điều này đảm bảo mô hình học từ một phần dữ liệu độc lập và kiểm tra trên phần còn lại, tránh overfitting. AWS khuyến nghị tỷ lệ phổ biến như 80/20 hoặc 70/20/10 (training/validation/test), sử dụng công cụ như train_test_split trong SageMaker hoặc scikit-learn. ✅

🔍 Giải thích chi tiết tất cả các phương án (sử dụng kiến thức AWS SageMaker phiên bản mới nhất 2026):

• ❌ Use features for training and labels for evaluation.
  Phương án này sai vì features (các đặc trưng đầu vào) không thể dùng riêng để huấn luyện – mô hình cần cả features và labels để học mối quan hệ. Labels chỉ dùng để đánh giá sau huấn luyện, không phải ngược lại. Việc này vi phạm nguyên tắc supervised learning cơ bản trên AWS SageMaker.

• ✅ Randomly split the data into rows for training and rows for evaluation.
  (Như đã giải thích ở trên) Đây là cách chuẩn, ngẫu nhiên chia theo rows để giữ tính toàn vẹn của từng mẫu dữ liệu. AWS hỗ trợ qua SageMaker Processing Jobs hoặc Autopilot với split tự động. ✅

• ❌ Use labels for training and labels for evaluation.
  Phương án này sai vì chỉ dùng labels (nhãn đầu ra) để huấn luyện sẽ khiến mô hình không học được từ features, dẫn đến mô hình vô dụng (như đoán mò). Trong AWS, labels chỉ giám sát quá trình học, không phải dữ liệu huấn luyện chính.

• ❌ Randomly split the data into columns for training and columns for evaluation.
  Phương án này sai vì chia theo cột (columns) nghĩa là tách riêng features hoặc labels, làm mất tính toàn vẹn dữ liệu (ví dụ: training chỉ có một số features). AWS không khuyến khích, vì gây bias và không phù hợp với feature engineering chuẩn trong SageMaker Feature Store. 🛠️

📘 Tài liệu tham khảo (cập nhật AWS 2026):

• AWS SageMaker Documentation: Splitting Data for Training – Hướng dẫn chi tiết về random row split.
• Amazon SageMaker Best Practices for Data Preparation – Nhấn mạnh split theo samples (rows).
• scikit-learn train_test_split (tích hợp SageMaker) – Công cụ phổ biến trên AWS.

Hy vọng phân tích này giúp bạn nắm vững kiến thức ML trên AWS! 🚀 Nếu cần thêm ví dụ code SageMaker, hãy hỏi nhé! 😊

🧩 Phân tích chi tiết nội dung câu hỏi

Câu hỏi tập trung vào Azure Machine Learning (Azure ML), cụ thể là quy trình xây dựng mô hình học máy (machine learning model) bằng giao diện người dùng tự động hóa (automated machine learning user interface - UI).
📌 Yêu cầu chính: Đảm bảo mô hình tuân thủ nguyên tắc minh bạch (transparency principle) trong Responsible AI của Microsoft.

• Responsible AI bao gồm 6 nguyên tắc cốt lõi: Công bằng (Fairness), Độ tin cậy & An toàn (Reliability & Safety), Quyền riêng tư & Bảo mật (Privacy & Security), Bao hàm (Inclusiveness), Minh bạch (Transparency), và Trách nhiệm (Accountability).
• Transparency nhấn mạnh việc mô hình phải dễ hiểu, giải thích được cách nó đưa ra quyết định, đặc biệt với người dùng cuối và nhà phát triển. Trong Azure AutoML UI, điều này được hỗ trợ qua tính năng giải thích mô hình (model explainability).
  🛠️ Bối cảnh: Khi thiết lập AutoML experiment trong Azure ML Studio, bạn cần kích hoạt các tùy chọn phù hợp để cung cấp thông tin minh bạch như tầm quan trọng của đặc trưng (feature importance) và giải thích dự đoán.
  (Lưu ý: Câu hỏi thuộc Azure ML, không phải AWS; kiến thức dựa trên phiên bản Azure ML mới nhất đến 2026, với tích hợp Responsible AI dashboard đầy đủ hơn).

✅ Đáp án đúng và lý do lựa chọn

Đáp án đúng: Enable Explain best model.
🧠 Lý do:

• Tính năng "Explain best model" trong Azure AutoML UI kích hoạt model interpretability (khả năng giải thích mô hình), cung cấp biểu đồ tầm quan trọng đặc trưng toàn cục (global feature importance) và cục bộ (local explanations cho từng dự đoán).
• Điều này trực tiếp đáp ứng Microsoft Transparency principle, giúp người dùng hiểu "mô hình hoạt động như thế nào" và "tại sao đưa ra quyết định cụ thể", tránh "black-box" models.
• Theo tài liệu Microsoft, đây là bước bắt buộc để tích hợp Responsible AI, hiển thị trong Interpretability tab sau khi train.
  📘 Nguồn tham khảo:
• Microsoft Docs: Responsible AI in Azure Machine Learning (cập nhật 2025).
• Azure AutoML UI: Enable explanations (hỗ trợ đến 2026 với SHAP explainer nâng cao).

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

Dưới đây là phân tích từng lựa chọn, giữ nguyên văn bản gốc tiếng Anh. Mỗi phương án được đánh dấu ✅ (đúng) hoặc ❌ (sai), kèm giải thích chi tiết bằng tiếng Việt:

• ❌ Set Validation type to Auto.
  Phương án này chỉ thiết lập loại validation tự động (như k-fold cross-validation) để kiểm tra hiệu suất mô hình, giúp tránh overfitting. Nó không liên quan đến transparency, vì không cung cấp giải thích về quyết định mô hình mà chỉ tập trung vào đánh giá dữ liệu.

• ✅ Enable Explain best model.
  Như đã giải thích ở trên, đây là lựa chọn hoàn toàn chính xác. Nó kích hoạt giải thích cho mô hình tốt nhất, hỗ trợ trực tiếp nguyên tắc minh bạch bằng cách hiển thị feature importance và ICE plots, đảm bảo mô hình "có thể kiểm toán được".

• ❌ Set Primary metric to accuracy.
  Thiết lập độ chính xác (accuracy) làm chỉ số chính chỉ ảnh hưởng đến việc chọn mô hình tốt nhất dựa trên metric đánh giá, phù hợp cho bài toán classification cân bằng. Tuy nhiên, nó không cung cấp bất kỳ tính năng giải thích nào, nên không đáp ứng transparency principle.

• ❌ Set Max concurrent iterations to 0.
  Giá trị này tắt chạy song song (parallel iterations), buộc AutoML chạy tuần tự từng iteration một, có thể làm chậm quá trình nhưng tiết kiệm tài nguyên. Hoàn toàn không liên quan đến Responsible AI hay transparency, chỉ ảnh hưởng đến hiệu suất compute.

🛡️ Kết luận: Chọn "Enable Explain best model" là cách duy nhất đảm bảo tuân thủ nguyên tắc Responsible AI. Hãy luôn kiểm tra Responsible AI dashboard trong Azure ML Studio để verify! 🚀

🧠 Phân tích câu hỏi trắc nghiệm - Microsoft Azure AI Fundamentals

Xin chào! Tôi là Microsoft Azure AI Fundamentals, chuyên gia hỗ trợ bạn học tập và ôn thi về các nguyên tắc AI có trách nhiệm của Microsoft. 📘 Hôm nay, chúng ta sẽ phân tích sâu câu hỏi trắc nghiệm liên quan đến nguyên tắc hướng dẫn AI có trách nhiệm (Responsible AI principles) của Microsoft. Mặc dù bạn đề cập chủ đề AWS, nhưng nội dung câu hỏi rõ ràng thuộc về Microsoft AI – tôi sẽ sử dụng kiến thức cập nhật mới nhất từ Microsoft đến năm 2026 (dựa trên các nguyên tắc Responsible AI được công bố và cập nhật liên tục trên Microsoft Learn và trang chính thức). Hãy cùng khám phá nhé! 🚀

🧩 Nội dung câu hỏi được giải thích chi tiết

Câu hỏi mô tả một tình huống: "You are designing an AI system that empowers everyone, including people who have hearing, visual, and other impairments."
✅ Ý nghĩa cốt lõi: Bạn đang thiết kế một hệ thống AI nhằm trao quyền (empower) cho mọi người, đặc biệt bao gồm những người khuyết tật về thính giác, thị giác và các khuyết tật khác. Điều này nhấn mạnh vào việc làm cho AI phổ quát, dễ tiếp cận và hỗ trợ đa dạng người dùng, không loại trừ bất kỳ ai.
🛠️ Ngữ cảnh: Đây là ví dụ điển hình về nguyên tắc Inclusiveness trong bộ 6 nguyên tắc Responsible AI của Microsoft (Fairness, Reliability & Safety, Privacy & Security, Inclusiveness, Transparency, Accountability). Nguyên tắc này yêu cầu AI phải bao hàm mọi người, thúc đẩy sự tiếp cận bình đẳng, giúp công nghệ hỗ trợ cá nhân hóa cho người khuyết tật (ví dụ: AI nhận diện giọng nói cho người khiếm thính, hoặc mô tả hình ảnh cho người khiếm thị).
📈 Mục tiêu câu hỏi: Kiểm tra sự hiểu biết về việc phân loại đúng nguyên tắc dựa trên mô tả thực tế, khuyến khích thiết kế AI nhân văn và tuân thủ tiêu chuẩn đạo đức.

✅ Đáp án đúng và lý do lựa chọn

Đáp án đúng: inclusiveness
🧩 Lý do chi tiết: Nguyên tắc Inclusiveness của Microsoft chính là cam kết xây dựng AI trao quyền cho mọi người (empowers everyone), bao gồm cả những nhóm dễ bị tổn thương như người khuyết tật về thính giác, thị giác hoặc các dạng khác. Nó tập trung vào sự bao hàm (inclusion), đảm bảo AI không tạo rào cản mà hỗ trợ đa dạng văn hóa, khả năng và nhu cầu. Ví dụ: Azure AI services như Speech-to-Text hoặc Computer Vision tích hợp tính năng accessibility để hỗ trợ người khuyết tật. Điều này khớp hoàn hảo với mô tả câu hỏi!
🔍 Cập nhật 2026: Theo Microsoft Responsible AI Standard v2 (cập nhật 2024-2026), Inclusiveness được nhấn mạnh qua các công cụ đánh giá như AI Fairness 360 và Accessibility Checker.

📝 Giải thích tất cả các phương án (đúng và sai)

Dưới đây là phân tích từng lựa chọn giữ nguyên văn bản gốc tiếng Anh. Tôi sử dụng ✅ cho đúng và ❌ cho sai, kèm giải thích rõ ràng bằng tiếng Việt dựa trên định nghĩa chính thức từ Microsoft.

• fairness ❌
  Sai vì: Fairness tập trung vào công bằng và không phân biệt đối xử (ví dụ: tránh bias dựa trên giới tính, chủng tộc). Nó không trực tiếp đề cập đến việc trao quyền cho người khuyết tật, mà nhấn mạnh bình đẳng kết quả giữa các nhóm. Mô tả câu hỏi không phải về bias mà về accessibility.

• inclusiveness ✅
  Đúng vì: Như đã giải thích ở trên, đây chính là nguyên tắc nhấn mạnh sự bao hàm và trao quyền cho mọi người, đặc biệt người khuyết tật. Nó yêu cầu AI phải hỗ trợ đa dạng nhu cầu để không ai bị bỏ lại phía sau – khớp 100% với "empowers everyone, including impairments".

• reliability and safety ❌
  Sai vì: Reliability & Safety liên quan đến độ tin cậy và an toàn (ví dụ: AI chính xác, không gây hại, hoạt động ổn định). Nó không đề cập đến việc trao quyền cho người khuyết tật mà tập trung vào hiệu suất và rủi ro kỹ thuật.

• accountability ❌
  Sai vì: Accountability nhấn mạnh trách nhiệm và minh bạch (ví dụ: ai chịu trách nhiệm khi AI sai sót, theo dõi quyết định). Nó không liên quan trực tiếp đến việc thiết kế AI hỗ trợ người khuyết tật.

📚 Tài liệu tham khảo chính thức (cập nhật đến 2026)

• 🖥️ Microsoft Responsible AI Principles: Trang chính thức – Chi tiết 6 nguyên tắc.
• 📘 Microsoft Learn - Azure AI Fundamentals (AI-900): Học trực tuyến – Module về Responsible AI.
• 🔬 Responsible AI Standard v2 (2024): Tải PDF – Hướng dẫn đánh giá Inclusiveness.
• 🌐 Azure AI Documentation: Accessibility in AI – Ví dụ thực tế.

Hy vọng phân tích này giúp bạn nắm vững! Nếu cần thêm câu hỏi ôn tập, hãy hỏi nhé. 💪 #AzureAIFundamentals

🧩 Phân tích chi tiết nội dung câu hỏi

Câu hỏi tập trung vào nguyên tắc minh bạch (Transparency principle) trong Responsible AI của Microsoft. Khi xây dựng một hệ thống AI, bạn cần chọn nhiệm vụ phù hợp để đảm bảo dịch vụ tuân thủ nguyên tắc này.
Nguyên tắc Transparency nhấn mạnh rằng hệ thống AI phải dễ hiểu, có thể giải thích và cung cấp thông tin rõ ràng cho người dùng, nhà phát triển, giúp họ theo dõi, kiểm tra và debug hệ thống. Điều này giúp xây dựng lòng tin và trách nhiệm (theo hướng dẫn Responsible AI mới nhất của Microsoft đến năm 2026, tích hợp trong Azure AI services).
📘 Nguồn tham khảo:

• Microsoft Responsible AI Principles (cập nhật 2024-2026).
• Azure AI Transparency Tools (phiên bản mới nhất với Azure OpenAI Service v2).

✅ Đáp án đúng và lý do lựa chọn

Đáp án đúng: Provide documentation to help developers debug code.
Lý do: Nguyên tắc Transparency yêu cầu cung cấp tài liệu chi tiết, công cụ giải thích (interpretability tools) để nhà phát triển có thể hiểu, kiểm tra và sửa lỗi mã nguồn AI. Tài liệu debug giúp minh bạch hóa quy trình hoạt động nội bộ của mô hình AI, phù hợp trực tiếp với nguyên tắc này. Điều này được hỗ trợ qua các công cụ như Azure AI Model Explainability và Prompt Flow (cập nhật 2025-2026). 🛠️

📋 Giải thích tất cả các phương án

• Ensure that all visuals have an associated text that can be read by a screen reader.
  ❌ Sai: Phương án này liên quan đến nguyên tắc Inclusiveness (bao gồm tính tiếp cận cho người khuyết tật), không phải Transparency. Nó tập trung vào accessibility cho visuals, không giúp minh bạch hóa hệ thống AI.

• Enable autoscaling to ensure that a service scales based on demand.
  ❌ Sai: Đây thuộc nguyên tắc Reliability & Safety, đảm bảo hệ thống ổn định và mở rộng theo nhu cầu (như Auto Scaling trong Azure). Không liên quan đến việc làm rõ ràng hoạt động AI cho người dùng hoặc developer.

• Provide documentation to help developers debug code.
  ✅ Đúng: Như đã giải thích ở trên, trực tiếp hỗ trợ Transparency bằng cách cung cấp tài liệu debug, giúp hiểu và kiểm soát mô hình AI. 🧠

• Ensure that a training dataset is representative of the population.
  ❌ Sai: Phương án này thuộc nguyên tắc Fairness, nhằm tránh bias bằng dữ liệu đại diện đa dạng. Không tập trung vào minh bạch mà là công bằng trong dữ liệu huấn luyện. ⚖️

🧩 Phân tích chi tiết câu hỏi trắc nghiệm

📘 Nội dung câu hỏi:
Câu hỏi yêu cầu xác định ba nguyên tắc hướng dẫn của Microsoft dành cho AI có trách nhiệm (Responsible AI). Đây là dạng câu hỏi trắc nghiệm đa lựa chọn đúng (multiple correct answers), trong đó mỗi đáp án đúng là một giải pháp hoàn chỉnh và chiếm 1 điểm. Câu hỏi tập trung vào các nguyên tắc cốt lõi mà Microsoft định nghĩa để đảm bảo AI được phát triển và triển khai một cách đạo đức, công bằng, an toàn. Những nguyên tắc này được Microsoft công bố chính thức từ năm 2019 và vẫn là nền tảng đến năm 2026 (không có thay đổi lớn theo tài liệu mới nhất). Người trả lời cần chọn đúng ba nguyên tắc từ danh sách sáu lựa chọn.

✅ Đáp án đúng (ba lựa chọn):

• inclusiveness
• fairness
• reliability and safety

🛠️ Lý do lựa chọn các đáp án đúng:
Microsoft có sáu nguyên tắc Responsible AI chính thức, bao gồm: Fairness (Công bằng), Reliability & Safety (Độ tin cậy và An toàn), Privacy & Security (Quyền riêng tư và Bảo mật), Inclusiveness (Tính bao hàm), Transparency (Minh bạch), và Accountability (Trách nhiệm). Trong số này, inclusiveness, fairness, và reliability and safety chính xác là ba nguyên tắc được liệt kê trực tiếp từ tài liệu của Microsoft. Chúng đảm bảo AI phục vụ mọi người một cách công bằng, đáng tin cậy và an toàn, phù hợp với cam kết toàn cầu của Microsoft về AI đạo đức.

🔍 Giải thích chi tiết từng phương án trả lời

Dưới đây là phân tích tất cả sáu lựa chọn, giữ nguyên văn bản gốc bằng tiếng Anh. Mỗi phương án được đánh giá đúng/sai với lý do cụ thể dựa trên tài liệu Microsoft Responsible AI (cập nhật đến 2026).

• knowledgeability ❌ SAI
  "Knowledgeability" (kiến thức chuyên môn) không phải là một trong sáu nguyên tắc Responsible AI của Microsoft. Nó có thể liên quan đến khả năng của mô hình AI, nhưng không được định nghĩa là nguyên tắc hướng dẫn đạo đức.

• decisiveness ❌ SAI
  "Decisiveness" (quyết đoán) không nằm trong danh sách nguyên tắc chính thức. Nguyên tắc này có thể ám chỉ hành vi quyết định của AI, nhưng Microsoft không sử dụng nó làm tiêu chí Responsible AI; thay vào đó, họ nhấn mạnh tính minh bạch và trách nhiệm.

• inclusiveness ✅ ĐÚNG
  "Inclusiveness" (tính bao hàm) là nguyên tắc thứ tư trong sáu nguyên tắc của Microsoft. Nó đảm bảo AI được thiết kế để phục vụ mọi người, bất kể nền tảng, giới tính, dân tộc hay khả năng, thúc đẩy sự đa dạng và tiếp cận công bằng.

• fairness ✅ ĐÚNG
  "Fairness" (công bằng) là nguyên tắc đầu tiên và cốt lõi. Nó yêu cầu AI tránh thiên kiến (bias), đối xử bình đẳng với tất cả người dùng, và giảm thiểu sự phân biệt đối xử trong dữ liệu huấn luyện cũng như kết quả đầu ra.

• opinionatedness ❌ SAI
  "Opinionatedness" (có ý kiến chủ quan) hoàn toàn không phải nguyên tắc Responsible AI. Microsoft tránh khuyến khích AI có "ý kiến cá nhân" mạnh mẽ; thay vào đó, họ ưu tiên tính trung lập, minh bạch và dựa trên dữ liệu khách quan.

• reliability and safety ✅ ĐÚNG
  "Reliability and safety" (độ tin cậy và an toàn) là nguyên tắc thứ hai. Nó đảm bảo AI hoạt động nhất quán, đáng tin cậy, tránh lỗi gây hại, và có cơ chế kiểm soát rủi ro như phát hiện lỗ hổng hoặc hành vi không mong muốn.

📚 Tài liệu tham khảo:

• Trang chính thức Microsoft Responsible AI: www.microsoft.com/en-us/ai/responsible-ai (cập nhật 2025-2026).
• Tài liệu chi tiết sáu nguyên tắc: learn.microsoft.com/en-us/azure/ai-services/concepts/responsible-ai (phiên bản mới nhất 2026).
• Báo cáo Microsoft AI Principles (PDF): Tải tại aka.ms/responsibleAI.

Hy vọng phân tích này giúp bạn nắm vững kiến thức về Microsoft Responsible AI! 🚀 Nếu cần thêm câu hỏi, hãy hỏi nhé! 😊