Ngân hàng đề — Microsoft Azure AI Fundamentals

🧩 Phân tích chi tiết nội dung câu hỏi

Câu hỏi mô tả một giải pháp AI cho phép người dùng điều khiển thiết bị thông minh bằng lệnh thoại (verbal commands), chẳng hạn như nói "Bật đèn phòng khách" để kích hoạt thiết bị. 🗣️🔧
Mục tiêu chính: Xác định hai loại workload xử lý ngôn ngữ tự nhiên (NLP - Natural Language Processing) mà giải pháp này sử dụng. Đây là câu hỏi trắc nghiệm chọn nhiều đáp án đúng (mỗi đáp án đúng chiếm 1 điểm).
Quy trình cốt lõi của giải pháp:

1. Nhận giọng nói từ người dùng → Chuyển thành văn bản.
2. Phân tích văn bản để hiểu ý định (intent) và thực hiện lệnh (ví dụ: nhận diện "bật đèn" là lệnh điều khiển).
   NLP tập trung vào việc xử lý và hiểu ngôn ngữ tự nhiên (thường từ text), kết hợp với speech processing trong các hệ thống như trợ lý ảo (Alexa trên AWS). Kiến thức cập nhật đến AWS 2026: Sử dụng Amazon Transcribe (speech-to-text), Amazon Lex (language modeling & NLU), và các mô hình LLM mới như Amazon Bedrock cho language modeling nâng cao. 📘

✅ Đáp án đúng và lý do lựa chọn

Hai đáp án đúng là:

• speech-to-text
• language modeling

Lý do:
Giải pháp cần speech-to-text để chuyển lệnh thoại thành văn bản (bước đầu tiên bắt buộc). Sau đó, language modeling giúp mô hình hóa ngôn ngữ tự nhiên, hiểu ngữ cảnh, ý định và tạo phản hồi phù hợp (core NLP cho điều khiển thiết bị). Không có hai bước này, hệ thống không thể xử lý verbal commands hiệu quả. 🛠️
(Tham khảo: AWS Lex Developer Guide 2026 - hỗ trợ real-time speech-to-text + LLM integration; Amazon Transcribe docs: aws.amazon.com/transcribe/)

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

Dưới đây là phân tích từng lựa chọn một cách chi tiết. Tôi giữ nguyên văn bản gốc tiếng Anh của phương án, chỉ giải thích bằng tiếng Việt với emoji nổi bật:

• ❌ text-to-speech
  Sai: Đây là công nghệ chuyển văn bản thành giọng nói (TTS - Text-to-Speech), dùng để phản hồi bằng âm thanh (ví dụ: "Đèn đã bật"). Tuy nhiên, nó không phải workload NLP cốt lõi vì NLP tập trung vào hiểu ngôn ngữ (input text), không phải tổng hợp speech. Trong AWS, đây là Amazon Polly, nhưng không cần thiết cho việc "hiểu lệnh thoại".

• ❌ key phrase extraction
  Sai: Đây là tính năng trích xuất cụm từ chính từ văn bản (như Amazon Comprehend). Nó hữu ích để tóm tắt, nhưng không phải core workload cho điều khiển thiết bị – hệ thống cần hiểu ý định toàn bộ câu (intent recognition), không chỉ trích xuất từ khóa rời rạc.

• ✅ speech-to-text
  Đúng: Đây là workload chuyển giọng nói thành văn bản (STT - Speech-to-Text), bước bắt buộc đầu tiên để xử lý verbal commands. Trong AWS Transcribe (cập nhật 2026 với real-time streaming và custom vocab cho lệnh thiết bị), nó cung cấp text input cho NLP tiếp theo. Không có STT, hệ thống không thể "nghe" lệnh.

• ✅ language modeling
  Đúng: Đây là workload mô hình hóa ngôn ngữ (sử dụng mô hình xác suất để dự đoán, hiểu ngữ cảnh và ý định). Trong AWS Lex/Bedrock (2026 với generative AI), nó xử lý NLU (Natural Language Understanding) để phân tích lệnh như "Tắt quạt" → intent "turn_off" + entity "fan". Core cho conversational AI điều khiển thiết bị.

• ❌ translation
  Sai: Đây là dịch ngôn ngữ (như Amazon Translate). Giải pháp chỉ xử lý lệnh thoại đơn ngữ (không đề cập đa ngôn ngữ), nên không cần. Nó là workload riêng biệt, không liên quan đến điều khiển thiết bị cơ bản.

Tóm tắt nhanh: ✅ Chỉ speech-to-text và language modeling khớp với quy trình NLP cho verbal control. Các sai là phụ trợ hoặc không liên quan! 🚀
(Nguồn chính: AWS AI/ML Services 2026 - docs.aws.amazon.com/lex, docs.aws.amazon.com/transcribe, AWS re:Invent 2025 announcements cho LLM updates).

🧩 Phân tích chi tiết câu hỏi trắc nghiệm AWS

📖 Nội dung câu hỏi:
Câu hỏi yêu cầu chọn dịch vụ AWS phù hợp để làm cho các thông cáo báo chí văn bản (written press releases) của công ty có sẵn bằng nhiều ngôn ngữ khác nhau. Đây là nhu cầu về dịch thuật văn bản tự động, giúp nội dung được tiếp cận rộng rãi hơn trên toàn cầu mà không cần dịch thủ công. Chủ đề thuộc lĩnh vực AWS AI/ML services, cụ thể là các dịch vụ xử lý ngôn ngữ và dịch thuật. Câu hỏi nhấn mạnh "written" (văn bản thuần túy), không liên quan đến giọng nói hay cá nhân hóa.

✅ Đáp án đúng: Translator
Lý do chọn: Amazon Translate (hay còn gọi là Translator) là dịch vụ dịch thuật văn bản neural machine translation (NMT) của AWS, hỗ trợ dịch nhanh chóng, chính xác giữa hơn 75 ngôn ngữ (cập nhật đến 2026 với hỗ trợ thêm ngôn ngữ mới như các biến thể địa phương). Nó lý tưởng cho tài liệu văn bản lớn như thông cáo báo chí, với chi phí theo ký tự, tích hợp dễ dàng qua API, và tùy chỉnh từ điển chuyên ngành. Phù hợp hoàn hảo với yêu cầu "make available in a range of languages" cho nội dung văn bản.
(Nguồn: AWS Translate Documentation - https://aws.amazon.com/translate/ & AWS re:Post updates 2025-2026)

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

• ❌ Speech: Đây là Amazon Transcribe hoặc Amazon Polly (speech-to-text và text-to-speech). Dịch vụ này xử lý âm thanh/giọng nói, không dịch văn bản. Sai vì câu hỏi chỉ về "written press releases" (văn bản thuần), không liên quan đến chuyển đổi giọng nói.
  (Nguồn: AWS Transcribe - https://aws.amazon.com/transcribe/)

• ❌ Language: Đây là Amazon Comprehend, dịch vụ phân tích ngôn ngữ tự nhiên (NLP) như nhận diện thực thể, phân tích cảm xúc, tóm tắt văn bản. Nó không dịch sang ngôn ngữ khác, chỉ hiểu và phân tích nội dung hiện có. Sai vì không đáp ứng nhu cầu dịch đa ngôn ngữ.
  (Nguồn: AWS Comprehend - https://aws.amazon.com/comprehend/)

• ✅ Translator: Như đã giải thích ở trên, chính xác và phù hợp nhất cho dịch văn bản đa ngôn ngữ với độ chính xác cao nhờ công nghệ NMT. Đúng 100%!
  (Nguồn: AWS Translate Features 2026 - https://docs.aws.amazon.com/translate/latest/dg/what-is.html)

• ❌ Personalizer: Đây là Amazon Personalize, dịch vụ khuyến nghị cá nhân hóa (recommendation engine) dựa trên ML cho sản phẩm/dịch vụ. Không liên quan đến dịch ngôn ngữ hay văn bản. Sai hoàn toàn vì tập trung vào hành vi người dùng, không phải dịch thuật.
  (Nguồn: AWS Personalize - https://aws.amazon.com/personalize/)

📘 Lưu ý bổ sung:
Kiến thức dựa trên phiên bản AWS mới nhất (2026): Amazon Translate đã nâng cấp hỗ trợ real-time translation và active custom terminology (hơn 100 ngôn ngữ). Nếu triển khai, khuyến nghị dùng AWS Console hoặc SDK để test nhanh! 🚀

🧩 Phân tích chi tiết nội dung câu hỏi

Câu hỏi này tập trung vào việc chọn loại AI workload (nhiệm vụ AI) phù hợp để xử lý dữ liệu văn bản từ các báo cáo yêu cầu bảo hiểm (insurance claim reports). Cụ thể:

• Dữ liệu đầu vào là text (văn bản thuần túy).
• Nhiệm vụ chính: Extract key terms (trích xuất các thuật ngữ chính) từ báo cáo để generate summaries (tạo tóm tắt).
  Đây là tình huống điển hình trong xử lý ngôn ngữ tự nhiên (NLP), nơi AI phân tích văn bản để rút trích thông tin quan trọng như từ khóa, tóm tắt nội dung.
  📘 Kiến thức cập nhật: Theo tài liệu AWS mới nhất (2026), các dịch vụ như Amazon Comprehend hỗ trợ chính xác các tính năng này trong lĩnh vực AI/ML workloads (xem AWS AI/ML Workloads và Amazon Comprehend Documentation).

✅ Đáp án đúng: natural language processing

Lý do chọn:

• Natural language processing (NLP) là loại AI workload chuyên xử lý văn bản tự nhiên, bao gồm trích xuất key terms (keyphrase extraction), tóm tắt văn bản (summarization), và phân tích ngữ nghĩa.
• Trong ngữ cảnh AWS, Amazon Comprehend sử dụng NLP để tự động phát hiện entities, key phrases và tạo summaries từ text reports – hoàn hảo cho insurance claims.
• Đây là lựa chọn tối ưu vì dữ liệu là text thuần, không liên quan hình ảnh hay dữ liệu số khác.

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

• ❌ anomaly detection:
  Phương án này sai vì anomaly detection dùng để phát hiện dữ liệu bất thường (outliers) trong dữ liệu số hoặc chuỗi thời gian, như phát hiện gian lận tài chính qua số liệu giao dịch. Không phù hợp để extract key terms từ text reports. Trong AWS, dùng Amazon Fraud Detector hoặc SageMaker cho anomaly, không phải tóm tắt văn bản.

• ✅ natural language processing:
  Phương án này đúng như đã giải thích ở trên. NLP trực tiếp giải quyết nhiệm vụ extract key terms và generate summaries từ text.

• ❌ computer vision:
  Phương án này sai vì computer vision xử lý hình ảnh/video (image recognition, object detection), không áp dụng cho dữ liệu text thuần túy. Trong AWS, dùng Amazon Rekognition cho vision tasks, không liên quan insurance reports dạng text.

• ❌ knowledge mining:
  Phương án này sai vì knowledge mining (hay intelligent search) tập trung vào tìm kiếm và khám phá kiến thức từ dữ liệu lớn (documents, unstructured data), thường qua indexing và querying, chứ không chuyên sâu extract key terms để tóm tắt. Trong AWS, gần giống Amazon Kendra (enterprise search), nhưng không phải workload chính cho summarization text. NLP mới là cốt lõi.

Tài liệu tham khảo chính:

• AWS Machine Learning Workloads Overview (2026)
• Amazon Comprehend: Key Phrase Extraction & Summarization
  Hy vọng phân tích này giúp bạn nắm vững kiến thức Azure AI Fundamentals trong ngữ cảnh AWS! 🚀

🧩 Phân tích chi tiết câu hỏi

Câu hỏi yêu cầu xây dựng một ứng dụng đọc to hướng dẫn công thức nấu ăn (recipe instructions) để hỗ trợ người dùng có thị lực kém (reduced vision). Đây là tình huống cần chuyển đổi văn bản thành giọng nói (text-to-speech - TTS) nhằm giúp người dùng nghe nội dung thay vì đọc.
📌 Mục tiêu chính: Xác định dịch vụ Azure AI nào phù hợp nhất để thực hiện chức năng đọc to văn bản, dựa trên các dịch vụ Azure Cognitive Services (nay là Azure AI services theo cập nhật mới nhất đến năm 2026). Lưu ý: Mặc dù người dùng đề cập "chủ đề liên quan đến AWS", nhưng nội dung câu hỏi và các lựa chọn hoàn toàn khớp với các dịch vụ Azure AI (không phải AWS, nơi có Amazon Polly cho TTS). Tôi sẽ phân tích dựa trên Azure theo phiên bản mới nhất (Azure AI Speech v1.40+ năm 2026).

✅ Đáp án đúng: Speech

Lý do lựa chọn:
🛠️ Dịch vụ Azure AI Speech (trước đây là Speech Services) cung cấp tính năng Text-to-Speech (TTS) chính xác, cho phép chuyển đổi văn bản (như hướng dẫn công thức nấu ăn) thành giọng nói tự nhiên, hỗ trợ đa ngôn ngữ và giọng nói tùy chỉnh. Điều này lý tưởng cho ứng dụng hỗ trợ người khuyết tật thị giác, với các cải tiến mới nhất năm 2026 như Neural TTS thế hệ 2 (Orchestrator voices) mang lại giọng nói siêu thực tế, độ trễ thấp (<200ms) và tích hợp dễ dàng qua SDK.
📘 Nguồn tham khảo: Azure AI Speech Documentation (cập nhật 2026).

📋 Giải thích tất cả các phương án

Dưới đây là phân tích từng lựa chọn, đánh dấu đúng/sai và lý do chi tiết dựa trên chức năng thực tế của từng dịch vụ Azure AI (phiên bản mới nhất 2026):

• Language service ❌ SAI
  🧠 Dịch vụ Azure AI Language (trước là Text Analytics/Language Understanding) chuyên xử lý ngôn ngữ tự nhiên như phân tích cảm xúc, trích xuất thực thể, tóm tắt văn bản hoặc nhận diện ý định – không có chức năng chuyển văn bản thành giọng nói. Nó chỉ đọc hiểu văn bản, không phát âm thanh, nên không phù hợp cho việc đọc to hướng dẫn.

• Translator ❌ SAI
  🌐 Azure AI Translator dùng để dịch văn bản hoặc giọng nói giữa các ngôn ngữ (text/speech translation), nhưng không phải là dịch vụ chính để đọc to văn bản gốc. Nó tập trung vào dịch thuật, không thay thế TTS thuần túy; nếu dùng, vẫn cần kết hợp Speech riêng – làm phức tạp hóa không cần thiết.

• Speech ✅ ĐÚNG (Như đã giải thích ở trên)
  🗣️ Hoàn hảo cho yêu cầu, với TTS neural hỗ trợ hơn 400 giọng nói, 110+ ngôn ngữ, và tính năng SSML tùy chỉnh để điều chỉnh tốc độ/giọng điệu phù hợp recipe instructions.

• Personalizer ❌ SAI
  🎯 Azure AI Personalizer là dịch vụ học máy để cá nhân hóa trải nghiệm người dùng (như gợi ý nội dung dựa trên hành vi), không liên quan gì đến âm thanh hoặc đọc văn bản. Nó dùng reinforcement learning cho ranking/actions, không hỗ trợ TTS hay accessibility cho thị lực kém.

🛡️ Lời khuyên học tập: Để ôn thi Azure AI Fundamentals (AI-900), hãy thực hành trên Azure Portal với Speech Studio để test TTS miễn phí. Nếu cần code mẫu, dùng SDK Python/Node.js với key subscription! 🚀

🧩 Phân tích chi tiết nội dung câu hỏi

Câu hỏi này thuộc lĩnh vực Azure Cognitive Services, cụ thể là QnA Maker (nay đã được tích hợp vào Azure AI Language với tính năng Custom Question Answering). Nội dung câu hỏi mô tả một webchat bot sử dụng QnA Maker knowledge base để cung cấp câu trả lời. Yêu cầu chính là đảm bảo bot sử dụng phản hồi từ người dùng (user feedback) để cải thiện độ liên quan của các phản hồi theo thời gian.

🛠️ Mục tiêu cốt lõi: Tìm giải pháp giúp bot học hỏi từ dữ liệu thực tế (như câu hỏi không khớp hoặc phản hồi tiêu cực từ người dùng), từ đó tinh chỉnh knowledge base để trả lời chính xác hơn. Đây là tính năng machine learning tự động trong QnA Maker, không phải lập trình thủ công.

📘 Dẫn nguồn tham khảo:

• Microsoft Docs: Active learning in QnA Maker (cập nhật 2024, áp dụng cho Azure AI Language - Custom Question Answering).
• QnA Maker overview (phiên bản legacy, nhưng active learning vẫn là chuẩn đến 2026).

✅ Đáp án đúng: active learning

Lý do lựa chọn:
Active learning là tính năng chính thức của QnA Maker (và Custom Question Answering) cho phép bot tự động thu thập và gợi ý cải thiện từ user feedback. Khi người dùng chọn "không khớp" hoặc chỉnh sửa câu trả lời, hệ thống sẽ lưu trữ các câu hỏi "chưa rõ ràng" (low-confidence responses). Sau đó, nó gợi ý thêm cặp Q&A mới vào knowledge base để huấn luyện lại mô hình, giúp tăng độ chính xác theo thời gian. Đây là cách tối ưu hóa dựa trên dữ liệu thực tế mà không cần can thiệp thủ công. ✅ Hoàn toàn phù hợp với yêu cầu "sử dụng user feedback để cải thiện relevance".

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

• ❌ key phrase extraction:
  Đây là tính năng trích xuất cụm từ khóa từ văn bản (key phrases) bằng Azure Text Analytics. Nó dùng để phân tích nội dung chứ không liên quan đến việc học từ user feedback hay cải thiện knowledge base. Sai vì chỉ là công cụ phân tích tĩnh, không hỗ trợ học máy động.

• ❌ sentiment analysis:
  Đây là phân tích cảm xúc (sentiment) từ văn bản người dùng (positive/negative/neutral). Nó giúp đo lường cảm xúc nhưng không cải thiện câu trả lời trong QnA Maker. Sai vì chỉ đánh giá phản hồi, không gợi ý chỉnh sửa knowledge base hay huấn luyện lại mô hình.

• ❌ business logic:
  Đây là logic kinh doanh do lập trình viên viết (như if-else rules trong bot). Nó dùng để xử lý luồng hội thoại tùy chỉnh nhưng không tự động học từ feedback. Sai vì yêu cầu là cải thiện tự động qua machine learning, không phải code thủ công.

• ✅ active learning:
  Như đã giải thích ở trên: Thu thập feedback thấp độ tin cậy, gợi ý Q&A mới, huấn luyện lại knowledge base. Đây là giải pháp chuẩn của Microsoft cho yêu cầu này.

🧠 Lưu ý cuối: Trong phiên bản mới nhất (Azure AI Language 2026), active learning được nâng cấp với Generative AI để tự động tạo câu hỏi tương tự, nhưng nguyên tắc cốt lõi không thay đổi. Hãy áp dụng trong kỳ thi AI-900! 🚀

🧩 Phân tích chi tiết nội dung câu hỏi

Câu hỏi tập trung vào việc phát triển một giải pháp AI trò chuyện (conversational AI) có khả năng giao tiếp với người dùng qua nhiều kênh khác nhau, cụ thể bao gồm email, Microsoft Teams và webchat.
📘 Mục tiêu chính: Xác định dịch vụ Azure phù hợp nhất để xây dựng bot hoặc trợ lý ảo hỗ trợ đa kênh, đảm bảo tích hợp mượt mà với các nền tảng giao tiếp phổ biến. Đây là kiến thức cốt lõi trong Azure AI Fundamentals (AI-900), nhấn mạnh vào các dịch vụ Cognitive Services và Bot Framework để tạo trải nghiệm trò chuyện tự nhiên và mở rộng.
🛠️ Bối cảnh cập nhật đến 2026: Theo tài liệu Azure mới nhất (phiên bản Bot Framework 4.20+ và Azure Bot Service tích hợp với Copilot Studio), dịch vụ này hỗ trợ hơn 50 kênh sẵn có, bao gồm email (qua connectors), Teams và webchat, với tích hợp AI nâng cao từ Azure OpenAI.

✅ Đáp án đúng và lý do lựa chọn

Đáp án đúng: Azure Bot Service
🟢 Lý do: Azure Bot Service là dịch vụ chuyên dụng để xây dựng, triển khai và quản lý các bot trò chuyện thông minh, hỗ trợ kết nối trực tiếp với nhiều kênh như email (qua Logic Apps/Connectors), Microsoft Teams và webchat (Direct Line). Nó sử dụng Bot Framework SDK để xử lý ngôn ngữ tự nhiên, tích hợp LUIS/QnA Maker (nay là Language Understanding trong Copilot Studio), giúp bot phản hồi đa kênh một cách liền mạch. Đây là lựa chọn tối ưu cho conversational AI theo hướng dẫn chính thức của Microsoft.

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

Dưới đây là phân tích từng lựa chọn, giữ nguyên văn bản gốc bằng tiếng Anh. Mỗi phương án được đánh giá dựa trên chức năng thực tế của dịch vụ Azure (cập nhật 2026):

• ❌ [SAI] Text Analytics
  🧠 Dịch vụ này thuộc Azure AI Language, chuyên phân tích văn bản như trích xuất thực thể (entities), phân tích cảm xúc (sentiment analysis), nhận diện ngôn ngữ và tóm tắt văn bản. Nó không hỗ trợ xây dựng bot đa kênh hay giao tiếp trò chuyện thời gian thực qua email/Teams/webchat, mà chỉ xử lý dữ liệu văn bản đầu vào. Không phù hợp vì thiếu khả năng kết nối kênh và quản lý hội thoại.

• ✅ [ĐÚNG] Azure Bot Service
  🤖 Như đã giải thích ở trên, đây là dịch vụ cốt lõi cho conversational AI, cho phép phát triển bot sử dụng Bot Framework Composer hoặc SDK, kết nối dễ dàng với Teams (native integration), email (qua channels/plugins) và webchat (Embed widget). Hỗ trợ scale tự động, tích hợp Azure AI cho NLP nâng cao. Hoàn toàn khớp với yêu cầu câu hỏi.

• ❌ [SAI] Translator
  🌐 Azure Translator (trong Azure AI Services) chỉ tập trung vào dịch thuật ngôn ngữ tự động (text/speech translation) giữa hơn 100 ngôn ngữ. Nó không xây dựng bot hay xử lý giao tiếp đa kênh, mà chỉ cung cấp API dịch – có thể dùng như một phần bổ sung trong bot, nhưng không phải dịch vụ chính cho conversational AI.

• ❌ [SAI] Form Recognizer
  📄 Hiện nay là Azure AI Document Intelligence (cập nhật 2024+), chuyên nhận dạng và trích xuất dữ liệu từ biểu mẫu, hóa đơn, giấy tờ (OCR + ML models). Nó xử lý tài liệu tĩnh, không liên quan đến trò chuyện thời gian thực hay kết nối kênh như email/Teams/webchat. Sai vì không hỗ trợ conversational flow.

📚 Tài liệu tham khảo

• Azure Bot Service Documentation: docs.microsoft.com/en-us/azure/bot-service/ (Channels: Teams, Email, Web Chat).
• Azure AI Fundamentals (AI-900) Guide: learn.microsoft.com/en-us/certifications/azure-ai-fundamentals/ – Mô-đun Conversational AI.
• Cập nhật 2026: Tích hợp Copilot Studio cho low-code bot building (azure.microsoft.com/en-us/products/ai-services/bot-framework).

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

🧩 Phân tích chi tiết nội dung câu hỏi

Câu hỏi thuộc chủ đề Azure AI Fundamentals, cụ thể là về dịch vụ QnA Maker (nay đã được tích hợp và nâng cấp trong Azure AI Language với các tính năng Generative Answers và Custom question answering theo cập nhật mới nhất đến năm 2026).

Nội dung câu hỏi:
Bạn cần cung cấp nội dung cho một chatbot kinh doanh để trả lời các câu hỏi đơn giản từ người dùng. Có ba cách nào để tạo câu hỏi và câu trả lời (question and answer text) bằng QnA Maker? Mỗi đáp án đúng là một giải pháp hoàn chỉnh. (Mỗi lựa chọn đúng đáng 1 điểm).

🛠️ Mục tiêu chính: Xác định các phương pháp hợp lệ để xây dựng cơ sở kiến thức (knowledge base) trong QnA Maker, giúp chatbot tự động trả lời câu hỏi dựa trên dữ liệu được cung cấp. QnA Maker cho phép tạo nội dung từ nhiều nguồn để huấn luyện mô hình Q&A, không yêu cầu code phức tạp. Theo tài liệu Microsoft cập nhật 2026, QnA Maker hỗ trợ extract tự động, nhập thủ công và dữ liệu chit-chat sẵn có, phù hợp cho chatbot đơn giản.

📘 Tài liệu tham khảo:

• Microsoft Learn: Create a knowledge base - QnA Maker (cập nhật 2025-2026, sau khi migrate từ QnA Maker cổ điển).
• QnA Maker retirement notice và migration guide (retire 2023, chuyển sang Azure AI Studio).

✅ Đáp án đúng (3 lựa chọn hoàn chỉnh)

Dựa trên tài liệu chính thức, ba cách đúng là:

1. Generate the questions and answers from an existing webpage. ✅ (Tạo Q&A từ trang web hiện có).
2. Manually enter the questions and answers. ✅ (Nhập thủ công câu hỏi và câu trả lời).
3. Import chit-chat content from a predefined data source. ✅ (Nhập nội dung chit-chat từ nguồn dữ liệu định sẵn).

Lý do lựa chọn: Những phương pháp này là các tính năng cốt lõi của QnA Maker/Azure AI Language, cho phép tạo knowledge base nhanh chóng mà không cần huấn luyện mô hình phức tạp. Chúng hoàn chỉnh vì có thể deploy trực tiếp vào chatbot.

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

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

• Generate the questions and answers from an existing webpage.
  ✅ Đúng: QnA Maker hỗ trợ extract tự động câu hỏi-câu trả lời từ URL webpage (FAQ, hỗ trợ). Công cụ sử dụng NLP để phân tích và tạo pairs Q&A chính xác. Ví dụ: Nhập URL trang FAQ, hệ thống tự generate knowledge base. (Hỗ trợ đa ngôn ngữ, cập nhật 2026).

• Use automated machine learning to train a model based on a file that contains the questions.
  ❌ Sai: QnA Maker không sử dụng AutoML để train model từ file câu hỏi. AutoML là tính năng của Azure Machine Learning (khác dịch vụ), không tích hợp trực tiếp vào QnA Maker. Bạn có thể import file (như .docx, .tsv), nhưng không phải train bằng AutoML.

• Manually enter the questions and answers.
  ✅ Đúng: Cho phép nhập thủ công trực tiếp trên portal QnA Maker/Azure AI Studio. Lý tưởng cho dữ liệu tùy chỉnh, nhỏ lẻ. Hỗ trợ chỉnh sửa, thêm alternate questions và metadata. Hoàn chỉnh cho chatbot kinh doanh đơn giản.

• Connect the bot to the Cortana channel and ask questions by using Cortana.
  ❌ Sai: Cortana channel đã bị ngừng hỗ trợ từ 2021 (Microsoft retire Cortana skills). QnA Maker không kết nối qua Cortana để tạo nội dung; đây là kênh deploy bot (Azure Bot Service), không phải cách tạo Q&A. Không liên quan đến việc generate content.

• Import chit-chat content from a predefined data source.
  ✅ Đúng: QnA Maker cung cấp dataset chit-chat sẵn (như lịch sự, hài hước) từ nguồn predefined (portal). Import một lần để thêm tính tương tác tự nhiên cho chatbot, không cần tạo thủ công. (Cập nhật 2026: Tích hợp generative chit-chat).

🧠 Lưu ý cuối: Các đáp án đúng giúp xây dựng knowledge base nhanh, phù hợp cho chatbot kinh doanh. Nếu dùng phiên bản mới (Azure AI Language 2026), khuyến nghị migrate để hỗ trợ generative AI tốt hơn!

🧩 Phân tích chi tiết nội dung câu hỏi

Câu hỏi trắc nghiệm này thuộc lĩnh vực Azure AI Fundamentals (dù đề cập chủ đề liên quan AWS, nhưng các lựa chọn là dịch vụ Azure Cognitive Services). Nội dung mô tả tình huống: Bạn có một file PDF chứa các câu hỏi thường gặp (FAQ), và bạn cần xây dựng một hệ thống hỗ trợ trò chuyện (conversational support system) dựa trên FAQ đó.
📌 Mục tiêu chính: Tìm dịch vụ Azure phù hợp nhất để trích xuất kiến thức từ FAQ (như câu hỏi-câu trả lời) và tạo bot trò chuyện tự động trả lời người dùng dựa trên nội dung PDF.
🛠️ Đây là kịch bản phổ biến trong Azure Bot Service kết hợp AI, nơi cần xử lý ngôn ngữ tự nhiên từ tài liệu cố định như FAQ để hỗ trợ khách hàng 24/7. Kiến thức cập nhật đến 2026: QnA Maker (nay tích hợp vào Azure AI Language) vẫn là lựa chọn chuẩn cho trường hợp này trước khi retire đầy đủ vào 2025, khuyến nghị migrate sang Generative Answers trong Azure AI Language (theo docs Microsoft 2024-2026).

✅ Đáp án đúng: QnA Maker

Lý do lựa chọn:
🟢 QnA Maker là dịch vụ chuyên biệt của Azure Cognitive Services được thiết kế để trích xuất cặp Q&A từ tài liệu FAQ (hỗ trợ PDF), tạo knowledge base, và tích hợp dễ dàng vào bot trò chuyện (như Azure Bot Framework). Nó sử dụng AI để khớp câu hỏi người dùng với FAQ và trả lời tự nhiên, hoàn hảo cho hệ thống hỗ trợ conversational.
📘 Dẫn nguồn: Microsoft Docs - QnA Maker Overview (cập nhật 2024); Khuyến nghị migrate: Retirement notice đến Azure AI Language Generative Answers (2025-2026).

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

Dưới đây là phân tích từng lựa chọn, giữ nguyên văn bản gốc bằng tiếng Anh, với lý do đúng/sai bằng tiếng Việt:

• QnA Maker ✅ ĐÚNG
  🟢 Dịch vụ này chính xác dành cho FAQ, tự động extract Q&A từ PDF/URL, tạo knowledge base, và hỗ trợ conversational AI qua bot. Không cần code phức tạp, tích hợp nhanh với Bot Framework. Phù hợp 100% với yêu cầu xây dựng hệ thống hỗ trợ dựa trên FAQ.

• Text Analytics ❌ SAI
  🔴 Text Analytics chỉ tập trung vào phân tích văn bản như sentiment analysis, key phrase extraction, entity recognition – không tạo bot trò chuyện hay xử lý FAQ. Nó hữu ích cho phân tích dữ liệu lớn nhưng không hỗ trợ conversational system từ PDF FAQ.

• Computer Vision ❌ SAI
  🔴 Computer Vision chuyên xử lý hình ảnh/video (như nhận diện đối tượng, OCR text từ ảnh) – hoàn toàn không liên quan đến FAQ văn bản hay hệ thống trò chuyện. Không thể extract Q&A từ PDF thuần túy.

• Language Understanding (LUIS) ❌ SAI
  🔴 LUIS dùng để hiểu intent và entity trong ngôn ngữ tự nhiên (như phân loại lệnh người dùng), thường kết hợp với bot nhưng không extract FAQ từ PDF. Bạn phải tự định nghĩa intent thủ công, không tự động như QnA Maker – không phù hợp cho FAQ sẵn có.

Tóm tắt nhanh: 🏆 QnA Maker là lựa chọn tối ưu nhất! Nếu áp dụng 2026, hãy migrate sang Azure AI Language để tránh retire. 😊

🧩 Phân tích chi tiết nội dung câu hỏi

Câu hỏi này thuộc chủ đề Microsoft Azure AI Fundamentals (có thể liên quan đến chứng chỉ AI-900), tập trung vào việc triển khai chatbot để giảm tải cho nhân viên hỗ trợ điện thoại bằng cách trả lời các câu hỏi đơn giản với câu trả lời định sẵn (predefined answers).

📌 Mục tiêu chính: Xây dựng một chatbot tự động hóa quy trình trả lời câu hỏi phổ biến, không cần xử lý phức tạp. Đây là câu hỏi trắc nghiệm đa lựa chọn đúng (multiple correct answers), yêu cầu chọn hai dịch vụ AI kết hợp để đạt được mục tiêu. Mỗi lựa chọn đúng chiếm 1 điểm.

🛠️ Bối cảnh thực tế: Trong Azure, chatbot thường được xây dựng bằng cách kết hợp dịch vụ tạo nội dung kiến thức (knowledge base) và dịch vụ triển khai bot. Kiến thức cập nhật đến năm 2026: QnA Maker (nay đã tích hợp vào Azure AI Language sau khi retire vào 31/03/2025, nhưng vẫn được dùng trong các bài thi cũ), và Azure Bot Service vẫn là nền tảng chính để deploy bot đa kênh (web, Teams, telephony).

✅ Đáp án đúng và lý do lựa chọn

Hai đáp án đúng là: QnA Maker và Azure Bot Service.

Lý do chọn:

• QnA Maker 🧠: Dịch vụ chuyên tạo knowledge base từ câu hỏi-đáp định sẵn (pairs of Q&A), cho phép chatbot trả lời chính xác các câu hỏi phổ biến mà không cần huấn luyện ML phức tạp.
• Azure Bot Service 🤖: Nền tảng triển khai và quản lý chatbot, tích hợp dễ dàng với QnA Maker để deploy bot lên các kênh như web, mobile, hoặc telephony (giảm tải operator).
  Kết hợp hai dịch vụ này tạo thành giải pháp hoàn chỉnh: QnA Maker cung cấp nội dung, Bot Service xử lý tương tác người dùng.

Tài liệu tham khảo:
📘 Microsoft Docs - Azure Bot Service (cập nhật 2026).
📘 Microsoft Docs - QnA Maker (Legacy, migrate to Azure AI Language) (retired 2025, nhưng vẫn áp dụng cho bài thi).
📘 Azure AI Fundamentals AI-900 Practice.

🔍 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. Phần giải thích sử dụng tiếng Việt hoàn toàn:

• Text Analytics ❌ SAI
  Dịch vụ này chuyên phân tích văn bản (sentiment analysis, entity recognition, key phrase extraction), không phải để tạo chatbot trả lời định sẵn. Nó hữu ích cho xử lý dữ liệu sau khi nhận câu hỏi, nhưng không giải quyết trực tiếp việc xây dựng knowledge base Q&A. Sử dụng nó sẽ không giảm tải operator hiệu quả cho câu trả lời predefined.

• QnA Maker ✅ ĐÚNG
  Đây là dịch vụ lý tưởng để tạo và quản lý cặp câu hỏi-đáp định sẵn từ tài liệu (FAQ, manual), tự động hóa trả lời chatbot. Nó hỗ trợ extract Q&A từ URL/PDF, chỉnh sửa knowledge base dễ dàng – hoàn hảo cho "simple questions with predefined answers". (Lưu ý: Migrate sang Azure AI Language sau 2025).

• Azure Bot Service ✅ ĐÚNG
  Nền tảng triển khai chatbot đa kênh (web chat, Teams, telephony), tích hợp sẵn với QnA Maker/Language Understanding. Nó xử lý luồng hội thoại (conversation flow), deploy nhanh chóng để thay thế operator – trực tiếp giảm tải như yêu cầu.

• Translator ❌ SAI
  Dịch vụ chỉ chuyên dịch ngôn ngữ (text/speech translation), không liên quan đến tạo chatbot hoặc trả lời Q&A định sẵn. Nó có thể bổ sung cho bot đa ngôn ngữ, nhưng không phải phần cốt lõi của giải pháp này.

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

🧩 Phân tích chi tiết câu hỏi trắc nghiệm

Câu hỏi yêu cầu xác định loại giải pháp AI được minh họa trong sơ đồ (diagram). Sơ đồ mô tả một quy trình tương tác giữa người dùng và hệ thống AI, bao gồm giao diện trò chuyện (chat interface) và luồng dữ liệu request/response.

📸 Phân tích nội dung hình ảnh:

• Bên trái: Giao diện Chat bot với cuộc trò chuyện thực tế:
  • Người dùng hỏi: "How do I programmatically update my Knowledge Base?" (Làm thế nào để cập nhật Knowledge Base một cách lập trình?).
  • Chat bot trả lời: "You can use our REST APIs to manage your Knowledge Base. See here for details: https://aka.ms/kb-info" (Bạn có thể sử dụng REST APIs của chúng tôi để quản lý Knowledge Base. Xem chi tiết tại đây).
  • Có thời gian chat (1:28:00 PM) và ô nhập tin nhắn.
• Mũi tên và luồng dữ liệu: 1️⃣ Request (Yêu cầu): Từ chat bot gửi query của người dùng dưới dạng JSON (ví dụ: {"questions": ["How do I programmatically update my Knowledge Base?"]}). 2️⃣ Response (Phản hồi): Trả về JSON chứa câu trả lời chi tiết, bao gồm "answer", "score" (điểm số 189.0), "source" ("Custom Editorial"), và metadata (danh mục "api"). 3️⃣ Luồng kết nối giữa chat bot và backend service xử lý query qua REST API, liên quan đến quản lý Knowledge Base.
• Tổng quan: Đây là quy trình của một chatbot sử dụng API để truy vấn knowledge base và trả lời người dùng tự nhiên, không phải phân tích cảm xúc, học máy thuần túy hay thị giác máy tính.

Sơ đồ này minh họa giải pháp AI tương tác trò chuyện dựa trên knowledge base, thường thấy trong các dịch vụ như Amazon Lex (chatbot builder) kết hợp Amazon Kendra hoặc AWS Q Business (knowledge base với RAG - Retrieval-Augmented Generation) trên AWS (cập nhật đến 2026, AWS Q hỗ trợ knowledge base programmable qua REST APIs).

✅ Đáp án đúng: a chatbot

Lý do lựa chọn:

• Sơ đồ trực tiếp hiển thị giao diện "Chat bot" với luồng trò chuyện thực tế (user input → request API → response JSON → bot reply). Đây là đặc trưng của chatbot – một giải pháp AI trò chuyện tự động, sử dụng NLP (Natural Language Processing) để xử lý query và trả lời dựa trên knowledge base.
• Trong AWS (phiên bản mới nhất 2026), Amazon Lex V2 và AWS Q in QuickSight/Connect hỗ trợ chính xác quy trình này: tích hợp REST APIs cho knowledge base (như Amazon Bedrock Knowledge Bases hoặc Kendra), với JSON response chứa score, metadata để ranking câu trả lời. Không phải các loại AI khác vì không có yếu tố phân tích cảm xúc, training model hay xử lý hình ảnh.

🛠️ Giải thích tất cả các phương án

• ✅ a chatbot
  Đúng vì sơ đồ minh họa rõ ràng giao diện chat bot với request/response JSON qua REST API cho knowledge base. Đây là giải pháp conversational AI tiêu chuẩn trên AWS (Lex + Kendra/Q), giúp tự động hóa hỗ trợ khách hàng. Không phải các loại khác vì tập trung vào tương tác trò chuyện.

• ❌ a sentiment analysis solution
  Sai vì không có xử lý phân tích cảm xúc (sentiment) như đánh giá tích cực/tiêu cực từ text. Sơ đồ chỉ hiển thị query thông tin và response kiến thức, không có phân loại emotion (ví dụ: AWS Comprehend Sentiment không khớp với luồng chat + knowledge base).

• ❌ a machine learning model
  Sai vì đây không phải mô hình ML thuần túy (như training/inference trên SageMaker). Sơ đồ là ứng dụng end-to-end của chatbot sử dụng ML backend (NLP), nhưng loại giải pháp tổng thể là chatbot, không phải "model" riêng lẻ.

• ❌ a computer vision application
  Sai vì không liên quan đến xử lý hình ảnh/video (như Amazon Rekognition). Sơ đồ chỉ xử lý text query qua chat và JSON API, hoàn toàn không có input hình ảnh hay detection objects.

📘 Tài liệu tham khảo

• AWS Lex Documentation: https://docs.aws.amazon.com/lex/latest/dg/what-is.html (Chatbot builder với API integration, cập nhật 2026).
• AWS Q Business/Kendra: https://docs.aws.amazon.com/kendra/latest/dg/API_Reference.html (REST APIs cho knowledge base, JSON response với score/metadata).
• ExamTopics (nguồn câu hỏi gốc): https://examtopics.com (hình ảnh từ AWS Certified AI Practitioner hoặc Machine Learning exams).
• Kiến thức cập nhật: AWS re:Invent 2025 announcements xác nhận AWS Q hỗ trợ programmable KB qua Bedrock Agents.

Hy vọng phân tích này giúp bạn ôn tập hiệu quả! 🚀 Nếu cần thêm ví dụ AWS, hãy hỏi nhé!