Ngân hàng đề — Microsoft Azure AI Fundamentals

🧩 Phân tích chi tiết câu hỏi trắc nghiệm

Câu hỏi gốc:
In which scenario should you use key phrase extraction?

✅ Giải thích nội dung câu hỏi:
Câu hỏi này tập trung vào việc xác định tình huống phù hợp nhất để sử dụng tính năng Key Phrase Extraction (trích xuất cụm từ chính). Đây là một tính năng cốt lõi trong Amazon Comprehend của AWS (dịch vụ xử lý ngôn ngữ tự nhiên - NLP). Key Phrase Extraction giúp tự động xác định và trích xuất các cụm từ quan trọng, đại diện cho chủ đề chính từ văn bản không có cấu trúc, chẳng hạn như đánh giá khách hàng, bài viết hoặc tài liệu. Tính năng này rất hữu ích để tóm tắt nội dung, phân loại chủ đề hoặc nhóm các tài liệu tương đồng dựa trên các key phrase chung. Theo tài liệu AWS mới nhất (cập nhật đến 2026), Amazon Comprehend hỗ trợ Key Phrase Extraction với độ chính xác cao hơn nhờ mô hình ML cải tiến, hỗ trợ đa ngôn ngữ và tích hợp dễ dàng với các dịch vụ khác như S3, Lambda.

📘 Nguồn tham khảo:

• AWS Documentation: Amazon Comprehend Key Phrases
• AWS Comprehend Developer Guide (2026 edition): Hỗ trợ key phrase với độ dài lên đến 50 từ/phrase và tích hợp GenAI.

✅ Đáp án đúng và lý do lựa chọn

Đáp án đúng: identifying which documents provide information about the same topics

🛠️ Lý do chi tiết:
Phương án này hoàn toàn phù hợp vì Key Phrase Extraction trong Amazon Comprehend chính là công cụ lý tưởng để xác định các tài liệu có thông tin về cùng chủ đề. Bằng cách trích xuất các key phrase (ví dụ: "cloud computing", "machine learning") từ từng tài liệu, bạn có thể so sánh và nhóm chúng lại dựa trên sự tương đồng chủ đề. Điều này giúp trong các kịch bản như phân tích bộ sưu tập tài liệu lớn, recommendation system hoặc document clustering. AWS khuyến nghị sử dụng tính năng này cho các nhiệm vụ topic modeling, với ví dụ thực tế trong console Comprehend.

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

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

• ❌ Phương án SAI: identifying whether reviews of a restaurant are positive or negative
  Giải thích: Phương án này không phù hợp vì đây là nhiệm vụ phân tích cảm xúc (Sentiment Analysis), không phải trích xuất key phrase. Trong AWS, bạn nên dùng Amazon Comprehend Detect Sentiment để phân loại đánh giá thành positive/negative/neutral/mixed. Key phrase chỉ trích xuất cụm từ chính (như "ngon miệng", "dịch vụ kém"), nhưng không đánh giá polarity.

• ❌ Phương án SAI: generating captions for a video based on the audio track
  Giải thích: Đây là nhiệm vụ chuyển đổi giọng nói thành văn bản (Speech-to-Text) và tạo phụ đề, không liên quan đến Key Phrase Extraction. AWS sử dụng Amazon Transcribe để tạo transcript từ audio, sau đó có thể dùng Amazon Polly hoặc Bedrock để sinh caption. Key phrase chỉ áp dụng cho văn bản đã có sẵn, không xử lý audio trực tiếp.

• ✅ Phương án ĐÚNG: identifying which documents provide information about the same topics
  Giải thích: Như đã nêu ở trên, đây là ứng dụng cốt lõi của Key Phrase Extraction. Nó giúp nhóm tài liệu dựa trên key phrase chung (ví dụ: nhiều docs có phrase "AWS EC2" → cùng chủ đề cloud infrastructure). AWS cung cấp API DetectKeyPhrases chính xác cho việc này, với độ tin cậy cao trong các case study thực tế như phân tích báo cáo tài chính hoặc nội dung web.

• ❌ Phương án SAI: translating a set of documents from English to German
  Giải thích: Phương án này dành cho dịch máy (Machine Translation), không phải Key Phrase Extraction. AWS sử dụng Amazon Translate để dịch tài liệu từ English sang German (hỗ trợ hơn 75 ngôn ngữ, bao gồm batch translation cho bộ tài liệu lớn). Key phrase chỉ trích xuất từ văn bản gốc, không dịch hoặc thay đổi ngôn ngữ.

🧠 Lưu ý bổ sung: Trong kỳ thi AWS Certified AI Practitioner hoặc Machine Learning Specialty (cập nhật 2026), câu hỏi kiểu này kiểm tra sự phân biệt rõ ràng giữa các tính năng NLP của Comprehend. Hãy ưu tiên Key Phrase cho topic-based tasks! Nếu cần demo, bạn có thể thử trực tiếp trên AWS Console.

🧩 Phân tích câu hỏi trắc nghiệm: Dịch vụ AI nào dùng để diễn giải ý nghĩa của input người dùng như "Call me back later?"

📘 Giải thích nội dung câu hỏi:
Câu hỏi tập trung vào việc xác định dịch vụ AI phù hợp để hiểu và diễn giải ý định (intent) từ một câu input tự nhiên của người dùng, ví dụ: "Call me back later?" (Nghĩa là "Gọi lại cho tôi sau nhé?"). Đây là nhiệm vụ thuộc về Natural Language Understanding (NLU), nơi AI cần phân tích ngữ cảnh, ý định ẩn sau câu nói thông thường, thay vì chỉ dịch thuật, phân tích cảm xúc hay chuyển đổi giọng nói. Câu hỏi này liên quan đến các dịch vụ AI của Microsoft Azure, giúp xây dựng chatbot hoặc trợ lý ảo thông minh (dựa trên kiến thức cập nhật đến 2026, LUIS đã tích hợp sâu vào Azure AI Language service nhưng vẫn giữ tên gọi cốt lõi).

✅ Đáp án đúng: Language Understanding (LUIS)
Lý do lựa chọn: LUIS (nay là phần của Azure AI Language) chuyên dùng để nhận diện intent và entities từ văn bản tự nhiên. Với input "Call me back later?", LUIS có thể diễn giải intent là "schedule_callback" hoặc tương tự, giúp ứng dụng phản hồi phù hợp như lên lịch gọi lại. Đây là dịch vụ cốt lõi cho conversational AI, hỗ trợ training model tùy chỉnh (cập nhật 2026: hỗ trợ multilingual intents và zero-shot learning).

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

• ❌ Translator
  Phương án này sai vì Translator chỉ chuyên dịch văn bản từ ngôn ngữ này sang ngôn ngữ khác (ví dụ: Anh sang Việt), không diễn giải ý định hay ngữ cảnh. Nó không hiểu "Call me back later?" là yêu cầu hành động cụ thể.

• ❌ Text Analytics
  Phương án này sai vì Text Analytics (phần của Azure AI Language) tập trung vào phân tích cảm xúc (sentiment), trích xuất entities (như tên, địa điểm), key phrases, nhưng không chuyên sâu về nhận diện intent hành động như "gọi lại sau". Nó chỉ mô tả nội dung, không diễn giải mục đích người dùng.

• ❌ Speech
  Phương án này sai vì Speech (Azure AI Speech) dùng cho chuyển giọng nói thành văn bản (Speech-to-Text) hoặc ngược lại (Text-to-Speech), không xử lý việc hiểu ý nghĩa văn bản sau khi chuyển đổi. Nó chỉ lo phần âm thanh, không phải NLU.

• ✅ Language Understanding (LUIS)
  Phương án này đúng vì LUIS được thiết kế chính xác để diễn giải intent từ câu input tự nhiên, hỗ trợ build model với pre-built intents hoặc custom training. Ví dụ: Phân tích "Call me back later?" thành intent "reminder" hoặc "callback_request" với confidence score cao (cập nhật 2026: tích hợp GenAI cho better accuracy).

📚 Tài liệu tham khảo:

• Azure AI Language (LUIS) - Official Docs (cập nhật 2026).
• LUIS Intent Recognition – Ví dụ xử lý user utterances như câu hỏi.
• Azure AI Fundamentals (AI-900) certification guide: Xác nhận LUIS là dịch vụ NLU chuẩn.

🧩 Phân tích chi tiết nội dung câu hỏi

Câu hỏi này thuộc lĩnh vực Azure AI (không phải AWS như đề cập nhầm, vì nội dung rõ ràng liên quan đến các dịch vụ Azure Bot Framework và Cognitive Services). Nội dung câu hỏi: "You are developing a chatbot solution in Azure. Which service should you use to determine a user's intent?"

📝 Giải thích rõ ràng:

• Bạn đang phát triển một giải pháp chatbot trên nền tảng Azure.
• Mục tiêu chính là xác định ý định (intent) của người dùng từ ngôn ngữ tự nhiên (natural language). Ví dụ: Người dùng hỏi "Đặt vé máy bay", chatbot cần nhận diện intent là "book_flight" để xử lý tiếp.
• Đây là câu hỏi trắc nghiệm về dịch vụ Azure phù hợp nhất cho Natural Language Understanding (NLU) trong chatbot, giúp phân tích câu nói/ văn bản để trích xuất intent, entities (thực thể như ngày giờ, địa điểm).
• Dựa trên kiến thức cập nhật đến năm 2026 (Azure AI phiên bản mới nhất): LUIS (hoặc tích hợp vào Azure AI Language với Conversational Language Understanding - CLU) vẫn là lựa chọn chuẩn cho intent recognition trong Bot Framework Composer hoặc Bot Services. Các dịch vụ khác không chuyên về intent detection.

✅ Đáp án đúng: Language Understanding (LUIS)

Lý do lựa chọn:
🛠️ LUIS là dịch vụ Azure Cognitive Services chuyên dụng để hiểu ngôn ngữ tự nhiên (NLU), huấn luyện mô hình nhận diện intent và entities từ câu hỏi người dùng. Trong phát triển chatbot (sử dụng Azure Bot Service), LUIS tích hợp trực tiếp để chatbot "hiểu" ý định người dùng, ví dụ: Phân biệt intent "greeting", "booking", "cancel".
✅ Đây là lựa chọn tối ưu theo tài liệu chính thức Microsoft (cập nhật 2024-2026), đặc biệt khi kết hợp với Bot Framework SDK v4+. LUIS hỗ trợ custom model, active learning, và đang migrate mượt mà sang CLU trong Azure AI Studio.

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

• ❌ Translator:
  Dịch vụ này chỉ dùng để dịch ngôn ngữ (text-to-text hoặc speech-to-text đa ngôn ngữ), không có khả năng phân tích intent hay hiểu ngữ cảnh. Sai vì không liên quan đến NLU.

• ❌ QnA Maker:
  Dịch vụ tạo cơ sở kiến thức FAQ (knowledge base) cho chatbot, trả lời câu hỏi dựa trên matching từ khóa hoặc semantic search. Không chuyên detect intent động từ ngôn ngữ tự nhiên; chỉ phù hợp Q&A tĩnh. Sai vì thiếu khả năng huấn luyện model intent. (QnA Maker đã deprecated từ 2023, migrate sang Azure AI Language).

• ❌ Speech:
  (Azure Speech Services) dùng cho chuyển đổi giọng nói thành văn bản (STT) hoặc văn bản thành giọng nói (TTS). Không xử lý intent detection. Sai vì chỉ là speech recognition, không phải NLU.

• ✅ Language Understanding (LUIS):
  Như đã giải thích, đây là dịch vụ cốt lõi cho intent recognition trong chatbot Azure. Đúng 100%!

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

• Azure Bot Service Documentation 🖥️
• LUIS Overview (với CLU migration guide).
• Bot Framework Composer – Tích hợp LUIS cho intent.
• Microsoft Ignite 2024/2025 updates: LUIS trong Azure AI Language Studio.

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

🧠 Phân tích câu hỏi trắc nghiệm: Microsoft Azure AI Fundamentals (Natural Language Processing)

🧩 Nội dung câu hỏi được giải thích chi tiết:
Câu hỏi mô tả một giải pháp xử lý ngôn ngữ tự nhiên (NLP - Natural Language Processing) đang được phát triển trên nền tảng Azure. Giải pháp này sẽ phân tích các đánh giá của khách hàng (customer reviews) và xác định mức độ tích cực (positive) hoặc tiêu cực (negative) của từng đánh giá. Đây là một nhiệm vụ điển hình trong lĩnh vực NLP, nơi mô hình AI được sử dụng để hiểu và phân loại cảm xúc (sentiment) từ văn bản. Trong Azure, tính năng này thuộc dịch vụ Azure AI Language (trước đây là Azure Cognitive Services for Language), hỗ trợ phân tích sentiment theo thời gian thực với độ chính xác cao, cập nhật đến phiên bản mới nhất năm 2026 (Azure AI Language v3+ với hỗ trợ multilingual và aspect-based sentiment). Câu hỏi yêu cầu xác định loại workload NLP phù hợp nhất cho ví dụ này.

✅ Đáp án đúng: sentiment analysis
Lý do lựa chọn:
Phân tích đánh giá khách hàng để xác định tính tích cực hoặc tiêu cực chính xác là sentiment analysis – một workload NLP chuyên phân loại văn bản thành các mức độ cảm xúc như positive, negative, neutral hoặc mixed. Trong Azure AI Language, tính năng này sử dụng mô hình machine learning để đánh giá toàn bộ văn bản hoặc các khía cạnh cụ thể (aspect-based sentiment), phù hợp hoàn hảo với mô tả câu hỏi. Đây là lựa chọn duy nhất khớp trực tiếp!
📘 Nguồn tham khảo: Azure AI Language - Sentiment Analysis Overview (cập nhật 2026).

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

• ❌ language detection
  Phương án này sai vì language detection chỉ dùng để phát hiện ngôn ngữ của văn bản (ví dụ: tiếng Anh, tiếng Việt, tiếng Pháp), không liên quan đến việc phân tích cảm xúc tích cực/tiêu cực. Trong Azure, đây là tính năng riêng biệt, không xử lý sentiment.

• ✅ sentiment analysis
  Phương án này đúng như đã giải thích ở trên: Nó trực tiếp phân tích mức độ positive/negative của reviews, là workload cốt lõi của Azure AI Language với hỗ trợ opinion mining và multilingual models (cập nhật 2026).

• ❌ key phrase extraction
  Phương án này sai vì key phrase extraction chỉ trích xuất các cụm từ chính (key phrases) quan trọng từ văn bản (ví dụ: "dịch vụ tốt", "giá cao"), không đánh giá sentiment. Trong Azure, tính năng này tách biệt và không xác định positive/negative.

• ❌ entity recognition
  Phương án này sai vì entity recognition (hay named entity recognition - NER) dùng để nhận diện các thực thể cụ thể như tên người, địa điểm, tổ chức (ví dụ: "Apple" là công ty), không phân tích cảm xúc của toàn bộ review. Azure hỗ trợ PII và custom entities, nhưng không phải sentiment.

🛠️ Lời khuyên học tập: Hãy thực hành với Azure AI Studio để thử sentiment analysis trên dữ liệu reviews thực tế – rất hữu ích cho kỳ thi AI-900! 🚀

🧩 Phân tích chi tiết nội dung câu hỏi

Câu hỏi trắc nghiệm này thuộc lĩnh vực Natural Language Processing (NLP) trong Microsoft Azure AI, cụ thể là dịch vụ Azure Text Analytics (trước đây gọi là Azure Cognitive Services for Language). Nội dung mô tả: Bạn xử lý văn bản từ một bài báo tin tức của Microsoft bằng NLP, và nhận được output dưới dạng hình ảnh (exhibit). Hình ảnh này hiển thị văn bản gốc bên trái (một đoạn tin về học trực tuyến trong đại dịch, đề cập sinh viên, giáo viên, Microsoft Teams, v.v.) và kết quả phân tích bên phải với các thực thể (entities) được highlight bằng mũi tên chỉ vào, kèm nhãn loại như:

• PersonType: students, teachers, classmates (chỉ người).
• Skill: distance learning, remote learning, education (kỹ năng hoặc khái niệm liên quan).
• DateTime/DateTimeType: now, Today.
• LocationType: classrooms, countries, school districts, universities.
• Organization: Microsoft.
• Quantity-Number: 175, 183,000 (số lượng).

Mũi tên xanh chỉ rõ ràng vào các thực thể được nhận dạng và phân loại. Loại NLP này chính là Named Entity Recognition (NER), hay còn gọi là Entity Recognition, nơi hệ thống tự động xác định và phân loại các thực thể quan trọng trong văn bản (người, tổ chức, địa điểm, số lượng, thời gian, v.v.). Đây là tính năng cốt lõi của Azure Text Analytics phiên bản mới nhất (2024-2026), hỗ trợ nhận dạng thực thể tùy chỉnh và PII (Personally Identifiable Information).

📘 Tài liệu tham khảo:

• Azure Text Analytics - Entity Recognition (cập nhật 2025).
• Azure AI Language - Named Entity Recognition (hướng dẫn API v3.1+ mới nhất đến 2026).

✅ Đáp án đúng: entity recognition

Lý do chọn đáp án này: Output trong hình ảnh chính xác là kết quả của Entity Recognition. Hệ thống đã quét văn bản, highlight và gắn nhãn các thực thể cụ thể (entities) với loại như PersonType, Skill, LocationType, Organization, Quantity-Number, DateTime. Đây là đặc trưng duy nhất của tính năng Named Entity Recognition (NER) trong Azure Text Analytics, không phải các loại NLP khác. Phiên bản mới nhất (2025-2026) hỗ trợ nhận dạng thực thể mở rộng (custom entities) và tích hợp với Azure AI Studio. ✅

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

Dưới đây là phân tích từng lựa chọn giữ nguyên văn bản gốc tiếng Anh, kèm giải thích chi tiết bằng tiếng Việt tại sao đúng hoặc sai dựa trên output hình ảnh và kiến thức Azure AI mới nhất:

• entity recognition
  ✅ Đúng. Đây là loại NLP được thực hiện vì output hiển thị rõ các thực thể được nhận dạng (entities) với nhãn loại chi tiết (PersonType, Skill, LocationType, v.v.), khớp hoàn hảo với API /entities/recognition/general hoặc /entities/recognition/pii của Azure Text Analytics. Không có phân tích cảm xúc hay cụm từ khóa.

• key phrase extraction
  ❌ Sai. Key Phrase Extraction trích xuất các cụm từ chính (key phrases) như "distance learning routine" hoặc "remote learning environments" dưới dạng danh sách tóm tắt (ví dụ: output JSON với "keyPhrases": ["Microsoft Teams", "distance learning"]). Hình ảnh không hiển thị key phrases mà chỉ liệt kê entities với loại – không khớp!

• sentiment analysis
  ❌ Sai. Sentiment Analysis phân tích cảm xúc (positive/negative/neutral) cho từng câu hoặc tài liệu, output dạng điểm số (ví dụ: "sentiment": {"label": "positive", "confidenceScore": 0.99}). Hình ảnh không có bất kỳ điểm cảm xúc nào, chỉ focus vào entities.

• translation
  ❌ Sai. Translation dịch văn bản sang ngôn ngữ khác (ví dụ: từ tiếng Anh sang tiếng Việt), output là văn bản dịch kèm detected language. Hình ảnh vẫn giữ nguyên văn bản gốc tiếng Anh và chỉ thêm nhãn entities – hoàn toàn không liên quan đến dịch thuật!

🧠 Lưu ý bổ sung: Câu hỏi này thường xuất hiện trong kỳ thi Microsoft Azure AI Fundamentals (AI-900), nhấn mạnh phân biệt các tính năng NLP cơ bản. Nếu dùng AWS (như Amazon Comprehend), output tương tự nhưng nhãn khác (ví dụ: PERSON, ORGANIZATION), nhưng ở đây rõ ràng là Azure với nhãn "Type" như PersonType. Sử dụng API mới nhất để tránh nhầm lẫn! 🚀

🧩 Phân tích nội dung câu hỏi

Câu hỏi này thuộc chủ đề Language Understanding (LUIS) – một dịch vụ của Microsoft Azure AI dùng để xây dựng ứng dụng nhận diện ngôn ngữ tự nhiên (Natural Language Understanding). Trong ngữ cảnh phát triển ứng dụng LUIS cho một lễ hội âm nhạc, câu hỏi tập trung vào việc phân loại một ví dụ cụ thể: "Which act is playing on the main stage?".
✅ Mục tiêu chính: Xác định loại phần tử (element) mà câu hỏi mẫu này đại diện trong mô hình LUIS. Đây là câu hỏi cơ bản giúp hiểu cấu trúc cốt lõi của LUIS, nơi người dùng huấn luyện mô hình bằng các ví dụ thực tế để nhận diện ý định và thực thể.
🛠️ Ngữ cảnh ứng dụng: Ứng dụng hỗ trợ người dùng hỏi về lịch biểu diễn (scheduled shows), nên cần phân biệt các khái niệm như utterance (câu nói mẫu), intent (ý định), entity (thực thể), và domain (lĩnh vực).
📘 Kiến thức cập nhật: Dựa trên tài liệu Azure AI Language (tiếp nối LUIS) phiên bản mới nhất đến 2026 (Azure AI Studio & Language Service v2024+), utterance là dữ liệu đầu vào chính để train mô hình.

✅ Đáp án đúng và lý do lựa chọn

Đáp án đúng: an utterance
🧩 Lý do: Trong LUIS, utterance chính là các câu nói hoặc câu hỏi thực tế mà người dùng có thể nhập vào (user input examples). Câu "Which act is playing on the main stage?" là một utterance mẫu điển hình, dùng để huấn luyện mô hình nhận diện intent (như "query_show_schedule") và extract entity (như "main stage"). Nó không phải là intent trừu tượng hay entity cụ thể, mà là ví dụ ngôn ngữ tự nhiên hoàn chỉnh.
📘 Nguồn tham khảo: Microsoft Docs - LUIS Utterances & Azure AI Language - Authoring concepts.

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

• [ĐÚNG] an utterance
  ✅ Đúng vì: Đây là câu nói mẫu thực tế (end-user example) dùng để train và test mô hình LUIS. Utterance giúp mô hình học cách map ngôn ngữ tự nhiên vào intent và entity. Trong ví dụ lễ hội âm nhạc, nó đại diện cho query về lịch biểu diễn trên sân khấu chính.

• [SAI] an intent
  ❌ Sai vì: Intent là ý định hoặc mục đích của người dùng (ví dụ: "GetShowSchedule"), không phải câu nói cụ thể. Intent là label trừu tượng được gán cho utterance, chứ utterance mới là câu hỏi thực tế như ví dụ này.

• [SAI] a domain
  ❌ Sai vì: Domain trong LUIS là lĩnh vực prebuilt (như Travel, Music) cung cấp intent và entity sẵn có để reuse. Nó không phải là một câu hỏi đơn lẻ, mà là bộ sưu tập mẫu cho chủ đề cụ thể (ví dụ: Music domain có intent như "FindEvent").

• [SAI] an entity
  ❌ Sai vì: Entity là thực thể cụ thể được extract từ utterance (ví dụ: "main stage" là Location entity). Câu hỏi đầy đủ không phải entity, mà chứa entity bên trong để mô hình nhận diện.

🛠️ Lời khuyên học tập: Để master LUIS, hãy thực hành tạo app trên Azure Portal với utterances đa dạng (variations) để tăng độ chính xác mô hình lên 90%+! 🚀

🧩 Phân tích chi tiết nội dung câu hỏi

Câu hỏi tập trung vào việc phát triển một bot QnA Maker (dịch vụ của Microsoft Azure, nay tích hợp trong Azure AI Language dưới dạng Custom Question Answering sau khi QnA Maker bị loại bỏ vào tháng 10/2025). Bạn đã xây dựng bot dựa trên trang FAQ (Frequently Asked Questions) – tức là các câu hỏi thường gặp.
Mục tiêu: Thêm các lời chào chuyên nghiệp (professional greetings) và các phản hồi khác để bot thân thiện hơn với người dùng (user-friendly).
🛠️ Ngữ cảnh: QnA Maker cho phép tạo bot trả lời tự động dựa trên kiến thức FAQ, nhưng để tăng tính tương tác tự nhiên (như chào hỏi "Xin chào!", "Cảm ơn bạn đã hỏi!"), cần tính năng hỗ trợ trò chuyện thông thường mà không cần FAQ cụ thể. Đây là yêu cầu phổ biến trong Azure Bot Framework và Language Service (cập nhật đến 2026).

✅ Đáp án đúng: Add chit-chat

Lý do chọn:
Tính năng Chit-chat trong QnA Maker (và Custom Question Answering sau này) được thiết kế chính xác để thêm các phản hồi trò chuyện tự nhiên, bao gồm lời chào chuyên nghiệp (professional greetings), lời cảm ơn, hoặc các câu hỏi nhỏ lẻ không liên quan đến FAQ chính.

• Khi kích hoạt Chit-chat, bot tự động xử lý các câu như "Hello", "How are you?" bằng các mẫu phản hồi thân thiện, làm bot "user-friendly" hơn.
• Bạn có thể tùy chỉnh giọng điệu (professional, friendly, v.v.) mà không ảnh hưởng đến FAQ cốt lõi.
  📘 Dẫn nguồn: [Azure AI Language - Chit-chat personalities](https://learn.microsoft.com/en-us/azure/ai-services/language-service/question-answering/concepts chit-chat) (cập nhật 2026, sau migration từ QnA Maker).

📋 Giải thích tất cả các phương án

Dưới đây là phân tích từng lựa chọn, đánh dấu đúng/sai và lý do cụ thể dựa trên tài liệu Azure mới nhất (2026):

• ❌ Increase the confidence threshold of responses
  Phương án này sai vì nó chỉ điều chỉnh ngưỡng độ tin cậy (confidence score) để bot chọn phản hồi chính xác hơn từ FAQ, tránh trả lời sai. Không liên quan đến việc thêm lời chào hoặc phản hồi thân thiện – thậm chí có thể làm bot ít trả lời hơn nếu ngưỡng cao.

• ❌ Enable active learning
  Phương án này sai vì Active Learning giúp cải thiện bot bằng cách gợi ý thêm câu hỏi từ người dùng thực tế vào knowledge base. Nó tập trung vào học máy để mở rộng FAQ, không tạo ra greetings hoặc chit-chat tự nhiên.

• ❌ Create multi-turn questions
  Phương án này sai vì Multi-turn cho phép bot xử lý cuộc trò chuyện nhiều lượt (contextual follow-up) dựa trên FAQ, như hỏi thêm chi tiết về một chủ đề. Không phải để thêm lời chào độc lập hoặc phản hồi vui vẻ ngoài FAQ.

• ✅ Add chit-chat
  Như đã giải thích ở trên, đây là lựa chọn đúng vì trực tiếp thêm lớp trò chuyện thân thiện, bao gồm professional greetings, làm bot user-friendly mà không cần chỉnh sửa FAQ. Hoàn hảo cho yêu cầu!

🛠️ Lưu ý cập nhật 2026: Sau khi QnA Maker retire, dùng Azure AI Studio > Custom Question Answering để kích hoạt Chit-chat personalities (professional persona). Tham khảo: Migration guide.

🧩 Phân tích nội dung câu hỏi

Câu hỏi yêu cầu phát triển một chatbot cho website, chatbot này phải trả lời câu hỏi của người dùng dựa trên thông tin từ các tài liệu cụ thể:

• 📄 Hướng dẫn khắc phục sự cố sản phẩm trong tài liệu Microsoft Word.
• 🌐 Danh sách câu hỏi thường gặp (FAQ) trên một trang web.

Nhiệm vụ chính là chọn dịch vụ phù hợp để xử lý (process) các tài liệu này, tức là trích xuất và tổ chức thông tin từ tài liệu để chatbot có thể sử dụng làm cơ sở kiến thức (knowledge base) cho việc trả lời Q&A tự động. Đây là tình huống điển hình trong Azure AI, tập trung vào việc xây dựng hệ thống Q&A dựa trên dữ liệu có cấu trúc và không cấu trúc. ✅

✅ Đáp án đúng và lý do lựa chọn

Đáp án đúng: QnA Maker
🛠️ Lý do: QnA Maker là dịch vụ chuyên dụng của Azure để tạo knowledge base từ các tài liệu đa dạng như file Word (.docx), trang web (URL), PDF, v.v. Nó tự động trích xuất cặp câu hỏi-trả lời (Q&A pairs) từ nội dung, hỗ trợ chỉnh sửa và tích hợp trực tiếp vào chatbot (qua Azure Bot Service). Với yêu cầu xử lý Word document và FAQ webpage, QnA Maker hoàn hảo vì hỗ trợ import trực tiếp hai định dạng này, giúp chatbot trả lời chính xác dựa trên dữ liệu gốc mà không cần huấn luyện phức tạp.

📘 Tài liệu tham khảo:

• Azure QnA Maker documentation (legacy, nhưng vẫn áp dụng cho kiến thức cơ bản đến 2023)
• Lưu ý cập nhật 2026: QnA Maker đã deprecated từ 31/10/2023, khuyến nghị migrate sang Azure AI Language - Custom question answering hoặc Azure AI Bot Service với generative AI (phiên bản mới nhất Azure OpenAI integration). Tuy nhiên, theo ngữ cảnh câu hỏi gốc, QnA Maker là lựa chọn chuẩn xác.

📋 Giải thích chi tiết tất cả các phương án

Dưới đây là phân tích từng lựa chọn, giữ nguyên nội dung gốc bằng tiếng Anh. Mỗi phương án được đánh giá đúng/sai dựa trên chức năng cốt lõi và phù hợp với yêu cầu xử lý tài liệu cho chatbot Q&A:

• [SAI] Azure Bot Service
  ❌ Giải thích sai: Azure Bot Service là nền tảng để xây dựng, kiểm tra và triển khai chatbot (như trên website qua channels như Web Chat), nhưng không trực tiếp xử lý hoặc trích xuất dữ liệu từ tài liệu Word/FAQ. Nó cần tích hợp với dịch vụ khác (như QnA Maker) để có knowledge base. Sử dụng riêng lẻ sẽ không giải quyết được việc "process the documents".

• [SAI] Language Understanding
  ❌ Giải thích sai: Language Understanding (LUIS) chuyên về nhận diện ý định (intent) và trích xuất thực thể (entities) từ ngôn ngữ tự nhiên trong hội thoại. Nó không hỗ trợ import và xử lý tài liệu Word hoặc webpage để tạo knowledge base Q&A. LUIS phù hợp cho bot cần hiểu lệnh người dùng, chứ không phải lưu trữ/trả lời dựa trên tài liệu cụ thể.

• [SAI] Text Analytics
  ❌ Giải thích sai: Text Analytics cung cấp các tính năng phân tích văn bản như phân tích cảm xúc (sentiment), tóm tắt, nhận diện key phrases, entities. Nó có thể xử lý văn bản thô nhưng không tạo knowledge base Q&A từ Word/FAQ, và không tích hợp sẵn cho chatbot trả lời dựa trên dữ liệu tài liệu. Không phù hợp cho việc xây dựng hệ thống hỏi-đáp có cấu trúc.

• [ĐÚNG] QnA Maker
  ✅ Giải thích đúng: Như đã nêu ở trên, QnA Maker chính xác xử lý tài liệu bằng cách import Word và URL FAQ, tự động tạo/alter Q&A pairs, hỗ trợ hierarchical knowledge và tích hợp dễ dàng với bot. Đây là lựa chọn tối ưu cho yêu cầu, dù trong phiên bản Azure 2026 đã được nâng cấp thành tính năng trong Azure AI Language.

🧠 Kết luận: Câu hỏi kiểm tra sự hiểu biết về dịch vụ chuyên biệt cho Q&A từ tài liệu trong Azure AI ecosystem. Để triển khai thực tế năm 2026, kết hợp Azure Bot Service + Azure AI custom question answering là best practice mới nhất! 🚀

🧩 Phân tích nội dung câu hỏi

Câu hỏi tập trung vào việc xây dựng một mô hình Language Understanding (LUIS) – một dịch vụ của Microsoft Azure Cognitive Services – dành cho doanh nghiệp thương mại điện tử (e-commerce).
📌 Yêu cầu chính: Đảm bảo mô hình có khả năng phát hiện các utterance (câu lệnh người dùng) nằm ngoài phạm vi dự định (out of scope) của mô hình.
🛠️ Ngữ cảnh: Trong LUIS, mô hình được huấn luyện để nhận diện các intent (ý định) cụ thể. Những utterance không khớp với bất kỳ intent nào cần được xử lý riêng để tránh mô hình "hiểu lầm" và đưa ra phản hồi sai. Điều này giúp cải thiện độ chính xác và trải nghiệm người dùng.
(Lưu ý: Mặc dù người dùng đề cập "chủ đề liên quan đến AWS", nhưng nội dung câu hỏi rõ ràng thuộc về LUIS của Azure, không phải AWS. Tôi phân tích dựa trên kiến thức Azure cập nhật đến 2026, theo phiên bản LUIS mới nhất với hỗ trợ tích hợp Azure AI Language.)

✅ Đáp án đúng và lý do lựa chọn

Đáp án đúng: Add utterances to the None intent
🧠 Lý do: Trong LUIS, None intent là một intent đặc biệt được thiết kế sẵn để thu thập và xử lý các utterance không thuộc phạm vi mô hình (out-of-scope). Bằng cách thêm các ví dụ utterance tiêu biểu vào None intent, bạn huấn luyện mô hình nhận diện và phân loại chúng một cách chính xác, tránh nhầm lẫn với các intent chính. Điều này là best practice theo tài liệu chính thức của Microsoft, giúp mô hình đạt độ tin cậy cao hơn (threshold prediction score thường >0.3 cho None intent).
📘 Nguồn tham khảo:

• Microsoft Docs: None intent in LUIS (cập nhật 2025).
• LUIS Best Practices (phiên bản mới nhất 2026).

📋 Giải thích tất cả các phương án

Dưới đây là phân tích chi tiết từng lựa chọn, với nội dung phương án giữ nguyên tiếng Anh gốc:

• ❌ Test the model by using new utterances
  Phương án này sai vì chỉ kiểm tra mô hình bằng utterance mới không giải quyết vấn đề phát hiện out-of-scope. Testing là bước đánh giá sau huấn luyện, nhưng không huấn luyện mô hình để "học" cách nhận diện out-of-scope. Nếu không có None intent được train đúng, mô hình vẫn có thể predict sai intent chính.

• ✅ Add utterances to the None intent
  Phương án này đúng như đã giải thích ở trên. Đây là cách trực tiếp và hiệu quả nhất để mô hình detect out-of-scope utterances bằng cách enrich dữ liệu cho None intent (nên thêm ít nhất 20-50 ví dụ đa dạng).

• ❌ Create a prebuilt task entity
  Phương án này sai vì prebuilt task entity (như trong LUIS hoặc Azure AI Language) dùng để extract thông tin cụ thể (ví dụ: task, person), không phải để detect intent out-of-scope. Entities tập trung vào extraction, không thay thế cho intent classification.

• ❌ Create a new model
  Phương án này sai vì tạo mô hình mới không cần thiết và tốn kém. Vấn đề out-of-scope được giải quyết ngay trong mô hình hiện tại bằng None intent, không yêu cầu rebuild toàn bộ model. Chỉ dùng khi schema intent thay đổi lớn.

🆕 Kiến thức cập nhật 2026: LUIS nay tích hợp sâu với Azure AI Studio, hỗ trợ auto-suggest cho None intent qua Prompt Engineering, nhưng nguyên tắc cốt lõi vẫn giữ nguyên.
Hy vọng phân tích này giúp bạn ôn tập hiệu quả cho Azure AI Fundamentals! 🚀

🧩 Phân tích chi tiết nội dung câu hỏi

Câu hỏi này thuộc lĩnh vực xử lý ngôn ngữ tự nhiên (Natural Language Processing - NLP), một phần của trí tuệ nhân tạo (AI). Nó yêu cầu xác định hai tình huống (scenarios) đại diện cho workload NLP, nghĩa là các tác vụ liên quan đến việc máy tính hiểu, xử lý và tạo ra ngôn ngữ con người một cách tự nhiên.

✅ Yêu cầu chọn đúng hai phương án, mỗi phương án đúng chiếm 1 điểm.
🛠️ Khái niệm cốt lõi: NLP bao gồm các nhiệm vụ như nhận diện giọng nói, hiểu câu hỏi, trả lời tương tác, phân tích văn bản... (theo AWS, cập nhật đến 2026 với các dịch vụ như Amazon Lex, Amazon Comprehend, và Amazon Bedrock hỗ trợ mô hình NLP tiên tiến như Claude hoặc Llama). Các workload không phải NLP thường là tự động hóa vật lý hoặc giám sát cảm biến đơn giản, không liên quan ngôn ngữ.

📘 Nguồn tham khảo:

• AWS Documentation: What is Amazon Comprehend? (NLP cho phân tích văn bản).
• AWS Lex Developer Guide (2026): Amazon Lex - Build conversational interfaces.

✅ Đáp án đúng và lý do lựa chọn

Hai đáp án đúng là:

• a smart device in the home that responds to questions such as, "What will the weather be like today?"
• a website that uses a knowledge base to interactively respond to users' questions

Lý do: Cả hai đều là workload NLP điển hình vì chúng yêu cầu hệ thống hiểu câu hỏi ngôn ngữ tự nhiên từ người dùng (như hỏi thời tiết hoặc tra cứu kiến thức) và tạo phản hồi tương tác. Điều này sử dụng các công nghệ NLP như intent recognition (nhận diện ý định) và entity extraction (trích xuất thực thể), phù hợp với AWS Lex hoặc Comprehend (cập nhật 2026 hỗ trợ multilingual NLP).

🧩 Giải thích chi tiết từng phương án

Dưới đây là phân tích tất cả 4 phương án, giữ nguyên văn bản gốc bằng tiếng Anh. Mỗi phương án được đánh giá đúng/sai với lý do cụ thể dựa trên định nghĩa NLP (không phải tự động hóa cơ khí hoặc cảm biến số).

• ❌ monitoring the temperature of machinery to turn on a fan when the temperature reaches a specific threshold
  Sai: Đây là workload IoT giám sát cảm biến (sensor-based automation), chỉ xử lý dữ liệu số (nhiệt độ) và kích hoạt hành động đơn giản dựa trên ngưỡng. Không liên quan xử lý ngôn ngữ tự nhiên. (Liên quan AWS IoT Core, không phải NLP).

• ✅ a smart device in the home that responds to questions such as, "What will the weather be like today?"
  Đúng: Đây là ví dụ cổ điển của voice assistant NLP (như Alexa trên AWS), hệ thống phải phân tích câu hỏi nói/viết, hiểu ý định ("hỏi thời tiết") và trả lời bằng ngôn ngữ tự nhiên. Sử dụng speech-to-text + NLP intent matching (AWS Lex hỗ trợ real-time conversational AI đến 2026).

• ✅ a website that uses a knowledge base to interactively respond to users' questions
  Đúng: Đây là chatbot hoặc virtual agent dựa trên knowledge base (RAG - Retrieval-Augmented Generation), yêu cầu NLP để hiểu query người dùng, tìm kiếm và sinh câu trả lời tương tác. Phù hợp AWS Kendra + Lex (cập nhật 2026 với generative AI integration).

• ❌ assembly line machinery that autonomously inserts headlamps into cars
  Sai: Đây là robotics tự động hóa sản xuất (industrial automation), dựa trên computer vision và cơ khí, không xử lý ngôn ngữ. Chỉ điều khiển vật lý (positioning, insertion). (Liên quan AWS RoboMaker, không phải NLP).

🛠️ Kết luận: Câu hỏi kiểm tra sự phân biệt giữa NLP (ngôn ngữ) và các workload khác như IoT/robotics. Học thêm qua AWS Certified AI Practitioner (2026 syllabus) để nắm vững! 🚀