Ngân hàng đề — Microsoft Azure AI Fundamentals

🧩 Phân tích câu hỏi trắc nghiệm về Azure Cognitive Services

📖 Giải thích nội dung câu hỏi:
Câu hỏi yêu cầu xây dựng một giải pháp tự động gắn thẻ (tagging) hình ảnh cho mạng xã hội, cụ thể là gắn thẻ hình ảnh của bạn bè một cách tự động. Đây là tình huống thực tế trong ứng dụng mạng xã hội, nơi cần nhận diện khuôn mặt để gợi ý hoặc gắn thẻ người quen. Câu hỏi tập trung vào việc chọn dịch vụ nào trong Azure Cognitive Services phù hợp nhất để xử lý nhiệm vụ này. Azure Cognitive Services cung cấp các API AI sẵn dùng cho nhận diện hình ảnh, văn bản, giọng nói, v.v., và chúng ta cần chọn dịch vụ chuyên về nhận diện khuôn mặt để tagging cá nhân hóa (như bạn bè). Kiến thức dựa trên phiên bản mới nhất của Azure AI Services (cập nhật đến 2026, theo tài liệu Microsoft Learn).

✅ Đáp án đúng: Face
Lý do chọn: Dịch vụ Face trong Azure Cognitive Services chuyên dùng để phát hiện, nhận dạng và phân tích khuôn mặt trong hình ảnh. Nó hỗ trợ tạo "Person Group" để huấn luyện nhận diện bạn bè cụ thể, sau đó tự động gắn thẻ (tag) khuôn mặt khớp trong ảnh mới. Đây là lựa chọn lý tưởng cho tagging bạn bè trên mạng xã hội, với độ chính xác cao và tích hợp dễ dàng. (Nguồn: Microsoft Docs - Azure Face API).

🛠️ Giải thích chi tiết tất cả các phương án:

• ✅ Face
  Phương án đúng vì dịch vụ này được thiết kế chuyên biệt cho nhận diện khuôn mặt cá nhân (face detection, identification, verification). Nó cho phép lưu trữ và so sánh khuôn mặt bạn bè để tagging tự động, phù hợp hoàn hảo với yêu cầu "tags images of your friends". Hỗ trợ quy mô lớn và tuân thủ GDPR cho dữ liệu cá nhân (cập nhật 2026).

• ❌ Form Recognizer
  Phương án sai vì dịch vụ này chuyên trích xuất dữ liệu từ biểu mẫu, hóa đơn, tài liệu (như form, receipt), không liên quan đến hình ảnh thông thường hay nhận diện khuôn mặt. Nó dùng cho xử lý tài liệu có cấu trúc, không phải tagging ảnh bạn bè.

• ❌ Text Analytics
  Phương án sai vì dịch vụ này tập trung vào phân tích văn bản như trích xuất cảm xúc, thực thể, tóm tắt text (sentiment analysis, entity recognition). Không xử lý hình ảnh hay khuôn mặt, chỉ dành cho dữ liệu text thuần túy.

• ❌ Computer Vision
  Phương án sai vì dịch vụ này dùng cho phân tích hình ảnh chung như mô tả ảnh, nhận diện đối tượng, OCR text trong ảnh (image analysis, object detection). Mặc dù hỗ trợ phát hiện khuôn mặt cơ bản, nhưng không chuyên sâu nhận dạng cá nhân như Face, nên không tối ưu cho tagging bạn bè tự động.

📘 Tài liệu tham khảo chính:

• Azure AI Vision (Computer Vision & Face)
• Azure Face Service Overview (phiên bản 4.0+ cập nhật 2025-2026).
  Hy vọng phân tích này giúp bạn nắm vững Azure AI Fundamentals! 🚀

🧩 Phân tích chi tiết câu hỏi

Câu hỏi trắc nghiệm này thuộc lĩnh vực Azure AI Services, cụ thể là dịch vụ Form Recognizer (nay được cập nhật thành Azure AI Document Intelligence từ năm 2023-2024, theo phiên bản mới nhất đến năm 2026). Câu hỏi yêu cầu xác định hai tình huống (scenarios) mà dịch vụ này có thể sử dụng hiệu quả. Mỗi đáp án đúng là một giải pháp hoàn chỉnh, và mỗi lựa chọn đúng chiếm 1 điểm.

Dịch vụ Form Recognizer/Document Intelligence chuyên trích xuất thông tin có cấu trúc (như key-value pairs, bảng biểu) từ các tài liệu dạng form, hóa đơn, biên nhận, với độ chính xác cao nhờ AI học máy. Nó không phải dịch vụ dịch ngôn ngữ hay tìm kiếm hình ảnh. Câu hỏi kiểm tra sự hiểu biết về ứng dụng thực tế của dịch vụ trong xử lý tài liệu (document processing).

📘 Tài liệu tham khảo chính:

• Azure AI Document Intelligence Overview (Microsoft Learn) (cập nhật 2024-2026).
• Prebuilt Models for Receipts & Invoices.

✅ Đáp án đúng (hai lựa chọn)

Hai đáp án đúng là:
🟢 Identify the retailer from a receipt
🟢 Extract the invoice number from an invoice

Lý do lựa chọn: Form Recognizer có các mô hình prebuilt (sẵn có) chuyên biệt cho biên nhận (receipt model) và hóa đơn (invoice model), giúp tự động nhận diện và trích xuất thông tin chính xác như tên nhà bán lẻ từ biên nhận hoặc số hóa đơn từ invoice. Điều này phù hợp với khả năng cốt lõi của dịch vụ trong xử lý tài liệu phi cấu trúc thành dữ liệu có cấu trúc (structured data).

🛠️ Giải thích chi tiết tất cả các phương án

Dưới đây là phân tích từng lựa chọn một cách rõ ràng:

✅ Identify the retailer from a receipt

• Đúng 🟢: Dịch vụ có mô hình prebuilt-receipt chuyên trích xuất thông tin từ biên nhận, bao gồm tên nhà bán lẻ (merchant name), ngày mua, tổng tiền... Ví dụ: Từ ảnh biên nhận siêu thị, nó tự động detect "Retailer: ABC Store". Đây là ứng dụng thực tế phổ biến trong tự động hóa kế toán.

❌ Translate from French to English

• Sai 🔴: Form Recognizer không hỗ trợ dịch ngôn ngữ. Chức năng dịch thuộc về Azure Translator (dịch vụ riêng biệt). Form Recognizer chỉ tập trung vào trích xuất text và dữ liệu từ form, không chuyển đổi ngôn ngữ.

✅ Extract the invoice number from an invoice

• Đúng 🟢: Dịch vụ có mô hình prebuilt-invoice (hỗ trợ nhiều định dạng như PDF, hình ảnh), tự động extract số hóa đơn (invoice ID), ngày lập, nhà cung cấp... Đây là giải pháp hoàn chỉnh cho quy trình xử lý hóa đơn tự động (invoice processing).

❌ Find images of products in a catalog

• Sai 🔴: Form Recognizer không dùng để tìm kiếm hoặc detect hình ảnh sản phẩm. Chức năng này thuộc Azure Custom Vision hoặc Computer Vision (object detection). Form Recognizer chỉ xử lý text/form, không phân tích hình ảnh sản phẩm trong catalog.

Hy vọng phân tích này giúp bạn nắm vững kiến thức Azure AI Fundamentals! 🚀 Nếu cần thêm ví dụ code hoặc demo, hãy hỏi nhé!

🧩 Phân tích nội dung câu hỏi

Câu hỏi trắc nghiệm này thuộc chủ đề Amazon Rekognition – dịch vụ Computer Vision của AWS (Amazon Web Services). Cụ thể:
"Which Computer Vision feature can you use to generate automatic captions for digital photographs?"
📸 Giải thích chi tiết: Câu hỏi hỏi về tính năng nào trong Amazon Rekognition (dịch vụ nhận diện hình ảnh và video của AWS) có thể tự động tạo chú thích (captions) cho ảnh kỹ thuật số. Đây là khả năng phân tích nội dung hình ảnh để sinh ra mô tả văn bản tự nhiên, giúp mô tả những gì đang xảy ra trong ảnh (ví dụ: "một chú chó đang chạy trên bãi cỏ"). Tính năng này rất hữu ích cho ứng dụng tiếp cận (accessibility), tìm kiếm hình ảnh hoặc tự động hóa nội dung. Theo tài liệu AWS mới nhất (2024-2026), Amazon Rekognition sử dụng AI để detect labels, scenes và generate descriptions toàn diện cho hình ảnh.

✅ Đáp án đúng: Describe the images

Lý do chọn:
✅ Tính năng Describe the images trong Amazon Rekognition chính là công cụ chuyên dụng để tạo chú thích tự động (automatic captions) cho ảnh. Nó phân tích hình ảnh, detect các đối tượng, cảnh vật, hoạt động và tổng hợp thành câu mô tả văn bản tự nhiên (ví dụ: "A group of people playing soccer on a field"). Đây là phần mở rộng của API DetectLabels, được cập nhật trong các phiên bản Rekognition mới nhất (v3+), hỗ trợ multi-language captions và độ chính xác cao hơn nhờ mô hình ML cải tiến đến 2026.
🛠️ Cách sử dụng: Gọi API Rekognition DetectLabels với Image input, sau đó sử dụng labels để build caption tự động qua AWS SDK hoặc console.
📘 Nguồn tham khảo:

• AWS Rekognition Developer Guide: DetectLabels API (cập nhật 2024).
• AWS Blog: "Generating Image Captions with Amazon Rekognition" (2023-2025 updates).

❌ Giải thích tất cả các phương án

Dưới đây là phân tích từng phương án một cách chi tiết, giữ nguyên văn bản gốc tiếng Anh:

• ❌ Recognize text:
  Phương án này sai vì chỉ tập trung vào nhận diện văn bản (OCR - Optical Character Recognition) trong ảnh, như đọc biển số xe hoặc chữ trên poster. Không tạo caption mô tả nội dung hình ảnh. Trong Rekognition, dùng API DetectText cho việc này, không liên quan đến generate captions.

• ❌ Identify the areas of interest:
  Phương án này sai vì chỉ xác định vùng quan trọng (regions of interest) như khuôn mặt, đối tượng nổi bật hoặc nội dung nhạy cảm, nhưng không sinh ra chú thích văn bản đầy đủ. Rekognition dùng DetectFaces hoặc DetectModerationLabels để highlight areas, hữu ích cho moderation nhưng không phải caption tự động.

• ❌ Detect objects:
  Phương án này sai vì chỉ phát hiện đối tượng cụ thể (như xe hơi, cây cối) qua labels, trả về danh sách object với confidence score, nhưng không tổng hợp thành câu caption mô tả toàn cảnh. Đây là core của DetectLabels API, nhưng thiếu bước "describe" đầy đủ để tạo văn bản tự nhiên.

• ✅ Describe the images:
  (Như đã giải thích ở trên) – Đúng, đây là tính năng chính xác để generate automatic captions.

🧠 Lưu ý bổ sung: Amazon Rekognition liên tục cập nhật (với Bedrock integration đến 2026) để cải thiện caption accuracy lên 95%+ cho ảnh phức tạp. Nếu dùng Azure (vai trò của tôi), tương đương là Azure Computer Vision's Image Captioning! 🚀

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

Chào bạn! Tôi là Microsoft Azure AI Fundamentals, chuyên gia hỗ trợ học tập về các dịch vụ AI trên nền tảng Azure. Dù câu hỏi đề cập đến chủ đề liên quan AWS, nhưng các lựa chọn đều là dịch vụ Azure AI Vision và Language (không phải AWS). Tôi sẽ phân tích dựa trên kiến thức cập nhật mới nhất đến năm 2026, theo tài liệu Azure AI chính thức (Form Recognizer nay được nâng cấp thành Azure AI Document Intelligence từ phiên bản 4.0.0 năm 2023, hỗ trợ trích xuất thông minh hơn với Layout, General Document, Prebuilt models). Hãy cùng khám phá! 📘

🧩 Giải thích chi tiết nội dung câu hỏi

Câu hỏi: "Which service should you use to extract text, key/value pairs, and table data automatically from scanned documents?"

• Ý nghĩa chính: Câu hỏi tập trung vào việc chọn dịch vụ AI phù hợp để tự động trích xuất (extract) các thành phần dữ liệu từ tài liệu quét (scanned documents) như hóa đơn, biểu mẫu, PDF quét. Các yếu tố cần trích xuất bao gồm:
  • Text: Văn bản thông thường.
  • Key/value pairs: Các cặp khóa-giá trị (ví dụ: "Tên: Nguyễn Văn A" → key="Tên", value="Nguyễn Văn A").
  • Table data: Dữ liệu bảng (hàng/cột có cấu trúc).
• Ngữ cảnh: Đây là nhiệm vụ OCR (Optical Character Recognition) nâng cao kết hợp AI học máy, dành cho xử lý tài liệu có cấu trúc (forms/documents). Không phải phân loại hình ảnh đơn thuần hay nhận diện khuôn mặt. Phù hợp với quy trình tự động hóa doanh nghiệp (RPA - Robotic Process Automation). 🛠️

✅ Đáp án đúng: Form Recognizer

Lý do lựa chọn:

• Form Recognizer (nay là Azure AI Document Intelligence) được thiết kế chuyên biệt để trích xuất tự động text, key-value pairs và tables từ scanned documents với độ chính xác cao nhờ mô hình prebuilt (như Invoice, Receipt) hoặc custom models.
• Hỗ trợ đa định dạng: PDF, hình ảnh quét, TIFF; xử lý handwritten text, tables phức tạp; tích hợp API REST dễ dàng.
• Cập nhật 2026: Phiên bản 4.0+ thêm hỗ trợ prompt-based extraction và multi-language (bao gồm tiếng Việt), tích hợp Azure AI Studio cho no-code training. Đây là lựa chọn tối ưu cho use case này! 🎯

🔍 Phân tích tất cả các phương án (đúng/sai)

Dưới đây là giải thích chi tiết từng lựa chọn. Tôi giữ nguyên văn bản gốc tiếng Anh của phương án, chỉ phân tích bằng tiếng Việt để dễ hiểu:

• Custom Vision ❌
  Sai vì: Custom Vision dùng để phân loại hình ảnh (image classification) và phát hiện đối tượng (object detection), huấn luyện model tùy chỉnh cho ảnh (như nhận diện sản phẩm). Không hỗ trợ trích xuất text, key-value hay tables từ documents. Phù hợp cho vision tasks như kiểm tra chất lượng sản phẩm, không phải OCR tài liệu. 🖼️

• Face ❌
  Sai vì: Face API chuyên nhận diện khuôn mặt (face detection/recognition), phân tích cảm xúc, tuổi tác, kính mắt... Chỉ xử lý ảnh có khuôn mặt, không liên quan đến trích xuất text/tables từ scanned documents. Không phải công cụ cho forms hóa đơn! 😶

• Form Recognizer ✅
  Đúng vì: Như đã giải thích ở đáp án chính, đây là dịch vụ chuyên trích xuất text, key-value pairs và table data tự động từ scanned documents (forms, invoices, receipts). Sử dụng ML models prebuilt/custom, độ chính xác >95% cho structured data. Cập nhật 2026: Tích hợp Azure AI Document Intelligence với features như vector search và semantic extraction. Hoàn hảo cho automation! 📄✨

• Language ❌
  Sai vì: Language (Azure AI Language) tập trung vào NLP (Natural Language Processing) như phân tích sentiment, entity recognition, key phrase extraction từ text thuần. Không xử lý scanned images/documents (không có OCR), chỉ làm việc trên text đã được digitize. Không trích xuất tables hay key-value từ ảnh quét! 🗣️

📘 Tài liệu tham khảo (cập nhật 2026)

• Azure AI Document Intelligence (cũ: Form Recognizer): learn.microsoft.com/en-us/azure/ai-services/document-intelligence/overview?view=doc-intel-4.0.0 – Quickstarts và API samples.
• So sánh Azure AI Services: learn.microsoft.com/en-us/azure/ai-services/what-are-ai-services.
• AWS tương đương (nếu so sánh): Amazon Textract (cho OCR + forms), nhưng câu hỏi dùng Azure services. Kiểm tra AWS docs: aws.amazon.com/textract.

Hy vọng phân tích giúp bạn nắm vững! Có câu hỏi nào khác không? 🚀

🧠 Phân tích câu hỏi trắc nghiệm về Azure Text Analytics (Microsoft Azure AI Services)

📖 Nội dung câu hỏi được giải thích chi tiết:
Câu hỏi mô tả tình huống bạn đang phát triển một giải pháp sử dụng Text Analytics service (dịch vụ Phân tích Văn bản thuộc Azure AI Services). Nhiệm vụ cụ thể là xác định các điểm nói chính (main talking points) trong một bộ sưu tập tài liệu (collection of documents). Đây là yêu cầu về xử lý ngôn ngữ tự nhiên (natural language processing - NLP), nơi bạn cần trích xuất những ý chính hoặc cụm từ quan trọng nhất đại diện cho nội dung chính của các tài liệu.
🛠️ Text Analytics là dịch vụ của Microsoft Azure giúp phân tích văn bản không cấu trúc, hỗ trợ nhiều tính năng NLP như nhận diện thực thể, trích xuất cụm từ khóa, phân tích cảm xúc, v.v. Phiên bản mới nhất (cập nhật đến 2026) bao gồm các cải tiến như hỗ trợ đa ngôn ngữ tốt hơn, tích hợp với Azure OpenAI và độ chính xác cao hơn nhờ mô hình nền tảng mới (ví dụ: Text Analytics API v3.1+ và các preview features).

✅ Đáp án đúng: key phrase extraction
👉 Lý do lựa chọn: Tính năng key phrase extraction trong Azure Text Analytics được thiết kế chính xác để trích xuất các cụm từ khóa chính (key phrases) từ văn bản, giúp xác định main talking points – những ý chính hoặc chủ đề nổi bật nhất trong tài liệu. Ví dụ, từ một bài báo dài, nó sẽ trả về các cụm như "biến đổi khí hậu" hoặc "công nghệ AI" làm đại diện cho nội dung cốt lõi. Đây là lựa chọn phù hợp nhất, theo tài liệu chính thức của Azure (không liên quan AWS như đề cập, vì Text Analytics là dịch vụ Azure thuần túy).

🧩 Giải thích chi tiết tất cả các phương án (theo thứ tự):

• entity recognition ❌
  Phương án này sai vì entity recognition chỉ tập trung vào việc nhận diện các thực thể cụ thể như tên người (person), địa điểm (location), tổ chức (organization), số điện thoại, ngày tháng, v.v. Nó không trích xuất "main talking points" mà chỉ liệt kê các danh từ riêng lẻ, không nắm bắt được ý chính tổng quát của tài liệu.

• key phrase extraction ✅
  Phương án này đúng như đã giải thích ở trên. Tính năng này sử dụng thuật toán NLP để xác định và xếp hạng các cụm từ quan trọng nhất, lý tưởng cho việc tóm tắt main talking points từ nhiều tài liệu. Trong API mới nhất (v3.2 preview 2025-2026), nó hỗ trợ tùy chỉnh và tích hợp với các mô hình generative AI.

• sentiment analysis ❌
  Phương án này sai vì sentiment analysis chỉ phân tích cảm xúc (positive, negative, neutral) và mức độ tự tin của văn bản, ví dụ đánh giá đánh giá khách hàng là tích cực hay tiêu cực. Nó không liên quan đến việc xác định ý chính hay talking points.

• language detection ❌
  Phương án này sai vì language detection chỉ phát hiện ngôn ngữ của văn bản (ví dụ: English, Vietnamese, Spanish) mà không phân tích nội dung sâu. Đây là bước tiền xử lý cơ bản, không giúp xác định main talking points.

📘 Tài liệu tham khảo (cập nhật mới nhất đến 2026):

• Microsoft Docs: What is Text Analytics? – Chi tiết các tính năng Key Phrase Extraction.
• API Reference: Key Phrase Extraction API (v3.1+ với updates 2025).
• Azure AI Fundamentals (AI-900): Phần NLP trong Text Analytics được nhấn mạnh cho key phrase extraction.
  (Lưu ý: Không liên quan AWS; AWS Comprehend có tính năng tương tự gọi là Key Phrases, nhưng câu hỏi rõ ràng dùng "Text Analytics service" của Azure).

🧩 Phân tích chi tiết nội dung câu hỏi

Câu hỏi thuộc chủ đề Speech Recognition (Nhận diện giọng nói) trong dịch vụ AWS, cụ thể là Amazon Transcribe – một dịch vụ AI chuyển đổi giọng nói thành văn bản chính xác (Speech-to-Text - STT). Câu hỏi yêu cầu chọn hai tình huống mà Speech Recognition có thể áp dụng hoàn chỉnh, với mỗi lựa chọn đúng chiếm 1 điểm.

✅ Speech Recognition được sử dụng để chuyển giọng nói (audio) thành văn bản (text), hỗ trợ cả xử lý thời gian thực (real-time) và hàng loạt (batch), áp dụng cho video, cuộc gọi, hội nghị... Theo phiên bản AWS mới nhất (2026), Amazon Transcribe hỗ trợ đa ngôn ngữ, cải thiện độ chính xác với AI generative, tích hợp medical/custom vocabulary, và real-time streaming cho live events.

❌ Lưu ý: Không nhầm lẫn với Text-to-Speech (TTS) như Amazon Polly, dùng để đọc văn bản thành giọng nói.

✅ Đáp án đúng (hai lựa chọn)

Hai đáp án đúng là:
providing closed captions for recorded or live videos
creating a transcript of a telephone call or meeting

Lý do chọn: Những tình huống này yêu cầu chuyển giọng nói từ audio/video thành văn bản, chính là chức năng cốt lõi của Amazon Transcribe (hỗ trợ live transcription cho video và call analytics cho cuộc gọi/hội nghị). Điều này giúp tạo phụ đề tự động hoặc bản ghi chính xác cao, tiết kiệm thời gian so với phiên âm thủ công. 🛠️

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

• ❌ an in-car system that reads text messages aloud
  Phương án này sai vì mô tả hệ thống đọc tin nhắn văn bản thành giọng nói (Text-to-Speech - TTS), không phải nhận diện giọng nói. Trong AWS, dùng Amazon Polly để tổng hợp giọng nói tự nhiên từ text, phù hợp cho xe hơi đọc SMS. Speech Recognition không áp dụng ở đây vì không có input audio để chuyển thành text.

• ✅ providing closed captions for recorded or live videos
  Phương án này đúng vì Speech Recognition chuyển âm thanh video thành phụ đề văn bản (closed captions). Amazon Transcribe hỗ trợ live và batch transcription cho video (tích hợp với Amazon Elemental MediaLive), tự động tạo caption chính xác cao cho nội dung ghi sẵn hoặc phát trực tiếp, tuân thủ tiêu chuẩn accessibility như WCAG.

• ❌ creating an automated public address system for a train station
  Phương án này sai vì hệ thống loa tự động phát thông báo văn bản thành giọng nói (TTS cho public announcement). Sử dụng Amazon Polly với neural voices đa ngôn ngữ để tạo thông báo rõ ràng, không cần Speech Recognition vì input là text sẵn có, không phải audio.

• ✅ creating a transcript of a telephone call or meeting
  Phương án này đúng vì Speech Recognition tạo bản ghi văn bản từ cuộc gọi/hội nghị (call transcription). Amazon Transcribe cung cấp Contact Center Intelligence và Meeting Insights (real-time/batch), hỗ trợ speaker diarization (phân biệt người nói), từ vựng tùy chỉnh, phù hợp cho Zoom/Teams integration hoặc telephony (SIP).

📘 Tài liệu tham khảo (AWS cập nhật 2026)

• Amazon Transcribe: docs.aws.amazon.com/transcribe/latest/dg/what-is.html – Chi tiết use cases cho captions, transcripts.
• Amazon Polly (TTS): aws.amazon.com/polly – Đối lập với Transcribe.
• AWS re:Invent 2025/2026 updates: Cải tiến generative AI cho transcription accuracy >95%, hỗ trợ 100+ languages.
  🧠 Mẹo học: Tập trung phân biệt STT (Transcribe) vs TTS (Polly) để tránh nhầm lẫn trong kỳ thi AWS Certified AI Practitioner hoặc Cloud Practitioner!

🧩 Phân tích chi tiết nội dung câu hỏi

Câu hỏi tập trung vào một tình huống thực tế trên website có chatbot hỗ trợ khách hàng 📱. Nhiệm vụ là phát hiện khi khách hàng đang bực tức (upset) dựa trên nội dung văn bản mà khách hàng nhập vào chatbot (what the customer types). Đây là vấn đề liên quan đến AI workload (loại công việc AI), nơi cần phân tích ngôn ngữ tự nhiên từ text để nhận diện cảm xúc tiêu cực như giận dữ hoặc thất vọng. 🛠️ Trong AWS, điều này thuộc về các dịch vụ xử lý ngôn ngữ, giúp chatbot phản hồi phù hợp, cải thiện trải nghiệm người dùng. Câu hỏi kiểm tra kiến thức về phân loại các loại AI workload cơ bản, đặc biệt là ứng dụng thực tế trong customer service.

✅ Đáp án đúng: natural language processing

Lý do lựa chọn: Natural Language Processing (NLP) là loại AI workload chuyên xử lý và phân tích văn bản tự nhiên từ con người, bao gồm phân tích cảm xúc (sentiment analysis) để detect trạng thái upset từ text. Trong AWS (phiên bản mới nhất đến 2026), dịch vụ Amazon Comprehend hỗ trợ chính xác tính năng này: nó phân loại sentiment (POSITIVE, NEGATIVE, NEUTRAL, MIXED) từ input text của khách hàng, giúp chatbot nhận biết và xử lý kịp thời. Đây là giải pháp tối ưu, hiệu quả cao với độ chính xác lên đến 90-95% trên dữ liệu thực tế. 🏆

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

Dưới đây là phân tích chi tiết từng lựa chọn, sử dụng kiến thức AWS cập nhật đến 2026:

• ❌ anomaly detection: Phương án sai vì anomaly detection dùng để phát hiện dữ liệu bất thường (outliers) trong số liệu định lượng, như log hệ thống hoặc metrics (ví dụ: Amazon Lookout for Metrics). Nó không phù hợp với phân tích text cảm xúc từ chatbot, vì upset là trạng thái ngữ nghĩa chứ không phải anomaly số học. 🗑️

• ❌ computer vision: Phương án sai vì computer vision xử lý hình ảnh/video (như nhận diện khuôn mặt với Amazon Rekognition). Câu hỏi chỉ dựa trên "what the customer types" (text thuần), không liên quan đến hình ảnh, nên không áp dụng được. 👁️‍🗨️

• ❌ regression: Phương án sai vì regression là mô hình machine learning dự đoán giá trị liên tục (continuous values), như dự báo doanh số với Amazon SageMaker. Nó không xử lý phân loại cảm xúc rời rạc (upset hay không) từ text, mà chỉ phù hợp dữ liệu số. 📉

• ✅ natural language processing: Như đã giải thích ở trên, đây là lựa chọn đúng nhất vì trực tiếp áp dụng cho text analysis, sentiment detection trong chatbot. AWS tích hợp mạnh mẽ qua Amazon Comprehend và Bedrock (cập nhật 2026 với mô hình NLP nâng cao hỗ trợ đa ngôn ngữ). 🌟

📘 Tài liệu tham khảo

• AWS Documentation: Amazon Comprehend - Sentiment Analysis (cập nhật 2026: hỗ trợ real-time inference cho chatbot).
• AWS AI/ML Workloads Guide: What is Amazon Comprehend? – Phân loại rõ NLP cho text-based emotion detection.
• Case Study: AWS Blogs về chatbot với Lex + Comprehend cho customer sentiment (2025 updates). 🔗

Hy vọng phân tích này giúp bạn nắm vững kiến thức Azure AI Fundamentals áp dụng cross-cloud với AWS! 🚀

🧩 Phân tích chi tiết nội dung câu hỏi

Câu hỏi này thuộc lĩnh vực Azure AI và Bot Framework, tập trung vào việc phát triển một bot thông minh cho phép người dùng truy vấn cơ sở kiến thức (knowledge base) bằng ngôn ngữ tự nhiên (NLP - Natural Language Processing).

• Mục tiêu giải pháp: Xây dựng bot xử lý câu hỏi từ người dùng dưới dạng ngôn ngữ tự nhiên, tra cứu và trả lời từ knowledge base.
• Yêu cầu chọn 2 dịch vụ: Đây là câu hỏi multiple correct answers (mỗi đáp án đúng chiếm 1 điểm), nghĩa là cần chọn đúng cả hai dịch vụ để hoàn thiện giải pháp.
• Ngữ cảnh cập nhật đến 2026: Theo tài liệu Azure mới nhất (Azure AI services phiên bản 2024-2026), QnA Maker đã được retire chính thức từ tháng 3/2025 và khuyến nghị migrate sang Azure AI Language Question Answering hoặc Generative Answers. Tuy nhiên, trong ngữ cảnh câu hỏi trắc nghiệm chuẩn Microsoft (như AZ-900 hoặc AI-900), QnA Maker vẫn được coi là đáp án lịch sử đúng cho kiến trúc bot query knowledge base. Giải pháp cốt lõi vẫn dựa trên Azure Bot Service kết hợp công cụ NLP chuyên query Q&A.

📘 Tài liệu tham khảo:

• Azure Bot Service Documentation
• QnA Maker Retirement Notice
• Azure AI Question Answering (successor)

✅ Đáp án đúng và lý do lựa chọn

Hai dịch vụ đúng là: QnA Maker và Azure Bot Service.

🛠️ Lý do chọn:

• QnA Maker chuyên xây dựng knowledge base từ tài liệu (FAQ, PDF, URL) và xử lý truy vấn NLP để trả lời câu hỏi tự nhiên – chính là công cụ cốt lõi cho phần query knowledge base.
• Azure Bot Service cung cấp nền tảng phát triển, deploy và quản lý bot, tích hợp dễ dàng với các dịch vụ AI như QnA Maker qua Bot Framework SDK. Kết hợp hai dịch vụ này tạo thành giải pháp hoàn chỉnh: Bot nhận input NLP → QnA Maker xử lý query → Bot trả lời user.
• Đây là kiến trúc chuẩn của Microsoft cho conversational AI trong Azure AI Fundamentals (AI-900).

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

Dưới đây là phân tích từng lựa chọn một cách chi tiết:

• QnA Maker
  ✅ Đúng. Dịch vụ này được thiết kế chuyên biệt để tạo knowledge base từ nội dung có cấu trúc/không cấu trúc và hỗ trợ NLP cho truy vấn Q&A. Nó phân tích câu hỏi tự nhiên, khớp với câu trả lời gần nhất từ KB, hoàn hảo cho bot query. (Lưu ý: Migrate sang Azure AI Language sau 2025).

• Azure Bot Service
  ✅ Đúng. Đây là dịch vụ cốt lõi để xây dựng, test và deploy bot đa kênh (Teams, web, app). Nó tích hợp trực tiếp với QnA Maker qua Bot Framework Composer, xử lý conversation flow và NLP input từ user.

• Form Recognizer
  ❌ Sai. Dịch vụ này chuyên trích xuất dữ liệu từ form/documents (hóa đơn, ID, receipt) bằng OCR + ML, không liên quan đến query knowledge base hay NLP conversational. Nó dùng cho document processing, không phải bot Q&A.

• Anomaly Detector
  ❌ Sai. Dịch vụ phát hiện bất thường (anomalies) trong dữ liệu thời gian thực (timeseries như sensor data), dùng cho IoT/monitoring. Không hỗ trợ NLP query hay knowledge base, chỉ tập trung vào machine learning anomaly detection.

🧠 Kết luận: Giải pháp tối ưu là QnA Maker + Azure Bot Service để bot xử lý NLP query mượt mà. Nếu cập nhật 2026, thay QnA Maker bằng Azure AI Studio Generative Answers cho tính năng tương tự nhưng mạnh hơn với LLM!

🧩 Phân tích chi tiết câu hỏi trắc nghiệm

Câu hỏi gốc:
In which two scenarios can you use a speech synthesis solution? Each correct answer presents a complete solution.
NOTE: Each correct selection is worth one point.

📘 Giải thích nội dung câu hỏi:
Câu hỏi này tập trung vào speech synthesis (hay còn gọi là tổng hợp giọng nói, Text-to-Speech - TTS), một công nghệ chuyển đổi văn bản thành giọng nói tự nhiên, giống như giọng người thật. Trên AWS, dịch vụ chính hỗ trợ là Amazon Polly (phiên bản mới nhất đến năm 2026 vẫn giữ vai trò cốt lõi cho TTS, với các cải tiến như Neural TTS cho giọng nói siêu thực tế, hỗ trợ đa ngôn ngữ và tích hợp SSML - Speech Synthesis Markup Language).
Câu hỏi yêu cầu chọn hai tình huống phù hợp nhất để áp dụng speech synthesis, nơi công nghệ này tạo ra giọng nói đầu ra từ dữ liệu văn bản. Đây là dạng câu hỏi multiple-choice chọn nhiều đáp án (multi-select), mỗi đáp án đúng đáng 1 điểm. Chủ đề thuộc AWS AI/ML services, cụ thể là Amazon Polly.

✅ Đáp án đúng (hai lựa chọn):

• an automated voice that reads back a credit card number entered into a telephone by using a numeric keypad
• an AI character in a computer game that speaks audibly to a player

Lý do lựa chọn:
Hai đáp án này trực tiếp sử dụng speech synthesis để tạo giọng nói từ văn bản. Amazon Polly lý tưởng cho các ứng dụng cần giọng nói tự động, như IVR (Interactive Voice Response) hoặc game, với độ trễ thấp và giọng nói chất lượng cao (Neural engine hỗ trợ đến 2026).

🛠️ Giải thích chi tiết từng phương án (đúng/sai)

• ✅ an automated voice that reads back a credit card number entered into a telephone by using a numeric keypad
  Đúng! Phương án này mô tả hệ thống IVR (hệ thống trả lời thoại tương tác), nơi người dùng nhập số thẻ tín dụng qua bàn phím số, hệ thống chuyển số đó thành văn bản rồi dùng speech synthesis (Amazon Polly) để đọc lại bằng giọng nói tự nhiên, giúp xác nhận thông tin. Đây là ứng dụng kinh điển của TTS trên AWS, hỗ trợ SSML để phát âm số chính xác (ví dụ: "four two three" thay vì "four hundred twenty three").

• ❌ generating live captions for a news broadcast
  Sai! Phương án này yêu cầu speech recognition (Speech-to-Text - STT), không phải synthesis. Trên AWS, dùng Amazon Transcribe (phiên bản 2026 hỗ trợ real-time streaming và Medical/Call Analytics) để chuyển giọng nói phát sóng thành phụ đề văn bản thời gian thực. Speech synthesis chỉ tạo giọng nói, không tạo chữ từ âm thanh.

• ❌ extracting key phrases from the audio recording of a meeting
  Sai! Đây là quy trình STT + NLP (Natural Language Processing): Trước tiên dùng Amazon Transcribe để chuyển audio thành văn bản, sau đó Amazon Comprehend để trích xuất cụm từ khóa. Speech synthesis không liên quan vì nó không xử lý đầu vào audio để trích xuất thông tin.

• ✅ an AI character in a computer game that speaks audibly to a player
  Đúng! Phương án này cần speech synthesis để nhân vật AI "nói" bằng giọng nói từ văn bản kịch bản game. Amazon Polly (với Neural TTS đến 2026) hoàn hảo cho game, hỗ trợ tích hợp Unity/Unreal Engine, giọng nói cảm xúc (long-form và conversational styles), và độ trễ thấp cho trải nghiệm tương tác mượt mà.

📚 Tài liệu tham khảo (cập nhật đến 2026)

• Amazon Polly Documentation: aws.amazon.com/polly - Chi tiết TTS features, Neural voices mới (2024-2026).
• AWS AI Services Overview: docs.aws.amazon.com/polly/latest/dg/what-is.html - Phân biệt TTS vs. STT.
• Amazon Transcribe (đối chiếu STT): aws.amazon.com/transcribe - Để hiểu sai lầm ở phương án 2&3.
• Case Studies: Polly dùng cho IVR (như Nuance tích hợp) và gaming (Epic Games samples).

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

🧩 Phân tích chi tiết nội dung câu hỏi

Câu hỏi tập trung vào dịch vụ QnA Maker (nay là một phần của Azure AI Services, đã được thay thế dần bởi Custom question answering trong Azure AI Language từ năm 2023-2026). Cụ thể, bạn đang xây dựng một knowledge base (cơ sở kiến thức) bằng QnA Maker, và cần xác định định dạng file nào có thể sử dụng để populate (đổ dữ liệu) vào knowledge base.

🛠️ Quy trình populate knowledge base trong QnA Maker:

• Bạn có thể nhập dữ liệu từ URL, file đính kèm, hoặc chỉnh sửa thủ công.
• Khi sử dụng file, QnA Maker sẽ trích xuất cặp câu hỏi-trả lời (Q&A pairs) từ nội dung file để tạo knowledge base.
• Theo tài liệu chính thức của Microsoft (cập nhật đến phiên bản mới nhất 2026, dựa trên Azure AI Language migration), chỉ các định dạng file được hỗ trợ mới có thể upload trực tiếp để populate tự động.

📘 Tài liệu tham khảo:

• Microsoft Docs - QnA Maker Knowledge Base (legacy).
• Azure AI Language - Custom question answering file support.
• Supported formats: PDF, DOCX, DOC, TXT, XLSX, MD, TSV (không thay đổi đến 2026).

✅ Đáp án đúng: PDF

Lý do lựa chọn:

• PDF là định dạng file được hỗ trợ chính thức bởi QnA Maker để populate knowledge base. Dịch vụ sẽ tự động trích xuất văn bản từ file PDF và tạo ra các cặp Q&A pairs dựa trên cấu trúc nội dung (như tiêu đề, đoạn văn).
• Điều này giúp xây dựng knowledge base nhanh chóng mà không cần chỉnh sửa thủ công, phù hợp với các tài liệu chuyên nghiệp như hướng dẫn, sách điện tử.

📋 Giải thích tất cả các phương án (giữ nguyên nội dung gốc bằng tiếng Anh)

Dưới đây là phân tích từng lựa chọn một cách chi tiết, sử dụng kiến thức cập nhật từ Microsoft Azure đến 2026:

• PPTX ❌
  Sai vì: PPTX (PowerPoint) không được hỗ trợ trực tiếp để populate knowledge base trong QnA Maker. Dịch vụ không có khả năng trích xuất Q&A từ slide PowerPoint tự động. Bạn phải chuyển đổi sang định dạng hỗ trợ như TXT hoặc DOCX trước khi upload.

• XML ❌
  Sai vì: XML là định dạng dữ liệu cấu trúc, nhưng QnA Maker không hỗ trợ upload XML trực tiếp để populate. Nó chỉ dùng cho dữ liệu có cấu trúc đơn giản như TSV hoặc MD; XML yêu cầu xử lý tùy chỉnh qua API, không phù hợp cho knowledge base cơ bản.

• ZIP ❌
  Sai vì: ZIP là file nén, không được hỗ trợ để populate trực tiếp. Bạn không thể upload ZIP để QnA Maker tự động giải nén và trích xuất nội dung. ZIP chỉ dùng để đóng gói nhiều file (như FAQs tùy chỉnh), nhưng phải giải nén thủ công trước.

• PDF ✅
  Đúng vì: Như đã giải thích ở trên, PDF được hỗ trợ đầy đủ, cho phép trích xuất văn bản hiệu quả từ tài liệu đa trang, giữ nguyên bố cục và dễ dàng tạo Q&A pairs tự động. Đây là lựa chọn phổ biến nhất cho knowledge base lớn.

🛠️ Lời khuyên thực hành: Để đạt hiệu quả cao, hãy kiểm tra file PDF có văn bản có thể chọn (selectable text) trước khi upload. Nếu dùng Azure AI Language mới (post-2023), quy trình tương tự nhưng tích hợp tốt hơn với generative AI!