Ngân hàng đề — Microsoft Azure AI Fundamentals

🧠 Phân tích câu hỏi trắc nghiệm Azure AI Fundamentals

Chào bạn! 👋 Tôi là Microsoft Azure AI Fundamentals, chuyên gia hướng dẫn về các dịch vụ AI trên nền tảng Azure. Hôm nay, tôi sẽ phân tích kỹ câu hỏi trắc nghiệm liên quan đến việc chọn dịch vụ Azure phù hợp cho hệ thống hỗ trợ khách hàng. Chúng ta sẽ đi sâu từng bước theo yêu cầu của bạn, sử dụng kiến thức cập nhật đến năm 2026 (dựa trên phiên bản mới nhất của Azure Cognitive Services và Azure AI Language, nơi QnA Maker đã được tích hợp/mở rộng vào các tính năng question answering hiện đại).

1. 🧩 Giải thích nội dung câu hỏi một cách chi tiết

Câu hỏi mô tả nhu cầu phát triển một giải pháp AI dựa trên web cho hệ thống hỗ trợ khách hàng (customer support system). Người dùng sẽ tương tác với một web app để được hướng dẫn đến tài nguyên tốt nhất hoặc câu trả lời phù hợp.

• Yêu cầu cốt lõi: Giải pháp phải xử lý câu hỏi tự nhiên từ người dùng (natural language questions), tìm kiếm và trả lời dựa trên kiến thức sẵn có (knowledge base) như FAQ, tài liệu hướng dẫn, hoặc cơ sở dữ liệu nội bộ.
• Bối cảnh Azure: Đây là tình huống điển hình cho question-answering (Q&A) trong Azure Cognitive Services/AI services, nơi AI hiểu ngữ cảnh câu hỏi và trả lời chính xác mà không cần huấn luyện phức tạp. Không liên quan đến hình ảnh, dịch thuật hay nhận diện khuôn mặt.
• Mục tiêu: Chọn dịch vụ Azure hỗ trợ tích hợp web app dễ dàng qua API, phù hợp cho chatbot hoặc hỗ trợ tự động 24/7.

2. ✅ Đáp án đúng và lý do lựa chọn

Đáp án đúng: QnA Maker
Lý do: QnA Maker là dịch vụ chuyên biệt để tạo và quản lý knowledge base từ FAQ, tài liệu URL, hoặc dữ liệu có cấu trúc, sau đó cung cấp API RESTful cho web app truy vấn và trả lời câu hỏi tự nhiên. Nó sử dụng machine learning để khớp câu hỏi người dùng với câu trả lời tốt nhất, hỗ trợ active learning để cải thiện theo thời gian. Hoàn hảo cho customer support vì dễ tích hợp với Bot Framework hoặc web app trực tiếp, giúp hướng dẫn người dùng nhanh chóng.
(Cập nhật 2026: QnA Maker đã được nâng cấp/migrate vào Custom question answering trong Azure AI Language, nhưng tên gốc vẫn được công nhận trong các kỳ thi Fundamentals như AI-900).

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

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

• Custom Vision ❌
  Sai vì: Dịch vụ này chuyên nhận diện và phân loại hình ảnh/tùy chỉnh mô hình computer vision (như nhận biết đối tượng, màu sắc trong ảnh). Không hỗ trợ xử lý văn bản, câu hỏi tự nhiên hoặc knowledge base cho customer support. Phù hợp cho app ảnh/video, không phải web Q&A.

• QnA Maker ✅
  Đúng vì: Như đã giải thích ở trên, đây là lựa chọn lý tưởng cho tạo chatbot Q&A tự động từ dữ liệu sẵn có, tích hợp web app dễ dàng qua endpoint API. Hỗ trợ đa ngôn ngữ, chỉnh sửa knowledge base, và deploy nhanh cho hệ thống hỗ trợ khách hàng.

• Translator Text ❌
  Sai vì: Dịch vụ dịch văn bản giữa các ngôn ngữ (text translation API), sử dụng Neural Machine Translation. Chỉ tập trung vào chuyển đổi ngôn ngữ, không tạo knowledge base hay trả lời câu hỏi thông minh. Không phù hợp cho hướng dẫn tài nguyên customer support.

• Face ❌
  Sai vì: Dịch vụ phân tích khuôn mặt (face detection, recognition, emotion analysis). Dùng cho xác thực sinh trắc học hoặc app ảnh, không liên quan đến xử lý ngôn ngữ tự nhiên hay Q&A cho web support.

4. 📘 Tài liệu tham khảo (dẫn nguồn chính thức)

• QnA Maker Overview: Azure Docs - QnA Maker (Cập nhật 2026: Migrate từ QnA Maker sang Custom question answering).
• Azure AI Fundamentals (AI-900): Microsoft Learn - AI-900 Study Guide – Xác nhận QnA Maker cho customer support scenarios.
• Cognitive Services Comparison: Azure AI Services Matrix – So sánh rõ ràng các dịch vụ.
• Migration Guide: Retirement of QnA Maker (Retire đầy đủ vào 2025, chuyển sang Azure AI Language).

Hy vọng phân tích này giúp bạn ôn tập hiệu quả! 🚀 Nếu cần thêm câu hỏi hoặc ví dụ code tích hợp, hãy hỏi nhé! 😊

🎓 Microsoft Azure AI Fundamentals: Phân Tích Câu Hỏi Trắc Nghiệm

🧩 Giải thích chi tiết nội dung câu hỏi:
Câu hỏi tập trung vào việc lựa chọn dịch vụ AI phù hợp nhất trong hệ sinh thái Azure AI (trước đây là Azure Cognitive Services) để tạo một bot tự động trả lời dựa trên tài liệu câu hỏi thường gặp (FAQ). Đây là tình huống phổ biến trong chatbot, nơi bạn cần trích xuất và ghép đôi câu hỏi từ FAQ với câu trả lời tương ứng một cách nhanh chóng, không cần huấn luyện phức tạp. Câu hỏi nhấn mạnh vào việc xử lý kiến thức tĩnh từ tài liệu FAQ, thường dùng cho hỗ trợ khách hàng, hướng dẫn sử dụng sản phẩm.
(Lưu ý: Mặc dù người dùng đề cập "chủ đề AWS", nhưng các lựa chọn đều là dịch vụ của Azure AI, không phải AWS. Kiến thức dựa trên phiên bản mới nhất Azure AI đến 2026, nơi QnA Maker đã deprecated từ 31/10/2023 và được thay thế bởi Generative Answers hoặc Custom Question Answering trong Azure AI Language – nhưng theo ngữ cảnh câu hỏi gốc, chúng ta phân tích theo dịch vụ cổ điển).

✅ Đáp án đúng: QnA Maker
Lý do lựa chọn: QnA Maker là dịch vụ chuyên biệt để tạo bot Q&A tự động từ FAQ hoặc tài liệu kiến thức, bằng cách tải lên file FAQ (như URL, PDF, DOCX), tự động trích xuất cặp Q&A, và tích hợp dễ dàng vào bot qua SDK (Bot Framework). Nó hỗ trợ chỉnh sửa, thêm knowledge base, và scoring để khớp câu hỏi người dùng với FAQ tốt nhất. Đây là lựa chọn lý tưởng cho FAQ vì đơn giản, không cần ML chuyên sâu.
(Cập nhật 2026: Dịch vụ nay migrate sang Azure AI Language's Custom Question Answering cho hiệu suất tốt hơn với LLM).

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

• ✅ QnA Maker
  Đúng vì: Dịch vụ này được thiết kế chính xác để xây dựng knowledge base từ FAQ, tự động hóa việc tạo bot trả lời câu hỏi dựa trên nội dung tải lên. Nó sử dụng thuật toán matching để tìm câu trả lời gần nhất, phù hợp hoàn hảo cho kịch bản FAQ. 🛠️ Ví dụ: Tải FAQ lên, train model, deploy bot chỉ trong vài phút.

• ❌ Language Understanding (LUIS)
  Sai vì: LUIS chuyên về nhận diện intent và entity trong ngôn ngữ tự nhiên (NLU), dùng để hiểu ý định người dùng (như "book flight") và trích xuất dữ liệu (như ngày bay). Nó không hỗ trợ trực tiếp tạo bot từ FAQ mà cần huấn luyện thủ công intents – không phù hợp cho FAQ tĩnh. 🧠 Phù hợp hơn cho conversational AI phức tạp.

• ❌ Text Analytics
  Sai vì: Text Analytics là công cụ phân tích văn bản như sentiment analysis, key phrase extraction, entity recognition, hoặc PII detection. Nó chỉ xử lý và trích xuất insight từ text, không tạo bot hay knowledge base từ FAQ. 📊 Không có chức năng Q&A matching.

• ❌ Speech
  Sai vì: Speech (Azure Speech Services) tập trung vào chuyển đổi giọng nói thành văn bản (STT), văn bản thành giọng nói (TTS), hoặc dịch thuật giọng nói. Hoàn toàn không liên quan đến tạo bot từ FAQ văn bản. 🔊 Chỉ hỗ trợ audio, không phải text-based Q&A.

📘 Tài liệu tham khảo:

• Microsoft Docs: QnA Maker Overview (deprecated, migrate guide)
• Azure AI Language - Custom Question Answering (thay thế mới nhất 2026)
• Azure Bot Service Integration

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

🧠 Phân tích câu hỏi trắc nghiệm về AWS AI Services

📖 Giải thích nội dung câu hỏi:
Câu hỏi "Which scenario is an example of a webchat bot?" đang kiểm tra kiến thức về một webchat bot trong hệ sinh thái AWS. 🛠️ Webchat bot là một chatbot được tích hợp trực tiếp vào giao diện website (web interface), cho phép người dùng tương tác thời gian thực qua chat để hỏi đáp, trả lời câu hỏi phổ biến mà không cần chuyển hướng đến con người. Trong AWS, dịch vụ chính hỗ trợ điều này là Amazon Lex (với phiên bản mới nhất Lex V2 đến năm 2026), kết hợp với Amazon Connect cho chat web, giúp xây dựng bot trò chuyện tự động trên web. Câu hỏi yêu cầu xác định kịch bản nào mô tả chính xác đặc trưng của webchat bot: giao tiếp trực tiếp qua chat trên website, xử lý câu hỏi tự động. Các kịch bản khác có thể liên quan đến AI nhưng không phải webchat bot thuần túy.

✅ Đáp án đúng:
From a website interface, answer common questions about scheduled events and ticket purchases for a music festival.
Lý do chọn đáp án này: 🏆 Đây là ví dụ điển hình của webchat bot vì bot hoạt động trực tiếp từ giao diện website (website interface), trả lời tự động các câu hỏi phổ biến về sự kiện và mua vé. Điều này khớp hoàn hảo với chức năng cốt lõi của Amazon Lex trên AWS, nơi bot xử lý hội thoại thời gian thực qua chat widget nhúng vào web (như trong tài liệu AWS Lex V2). Không cần can thiệp thủ công, bot cung cấp trải nghiệm tương tác liền mạch cho người dùng cuối.

🔍 Giải thích chi tiết tất cả các phương án:
Dưới đây là phân tích từng lựa chọn, với đánh giá đúng/sai dựa trên định nghĩa webchat bot (tương tác chat thời gian thực trên web interface). Tôi giữ nguyên văn bản gốc tiếng Anh và giải thích bằng tiếng Việt:

• ❌ [SAI] Determine whether reviews entered on a website for a concert are positive or negative, and then add a thumbs up or thumbs down emoji to the reviews.
  Phương án này mô tả phân tích cảm xúc (sentiment analysis) bằng AI, thường dùng Amazon Comprehend để đánh giá đánh giá tích cực/tiêu cực và thêm emoji. ❌ Không phải webchat bot vì không có tương tác chat hai chiều; chỉ là xử lý dữ liệu một chiều (input review → output emoji), không trò chuyện trực tiếp với người dùng trên webchat.

• ❌ [SAI] Translate into English questions entered by customers at a kiosk so that the appropriate person can call the customers back.
  Đây là ví dụ về dịch thuật tự động (translation), sử dụng Amazon Translate để chuyển câu hỏi từ kiosk sang tiếng Anh, sau đó chuyển cho nhân viên gọi lại. ❌ Không liên quan đến webchat bot vì diễn ra trên kiosk vật lý (không phải web interface), không có chat thời gian thực, và kết thúc bằng hành động thủ công (gọi điện).

• ❌ [SAI] Accept questions through email, and then route the email messages to the correct person based on the content of the message.
  Phương án này là phân loại và định tuyến email (email routing), thường dùng Amazon Comprehend hoặc Amazon SES kết hợp ML để đọc nội dung và gửi đến đúng người. ❌ Sai vì sử dụng email (không phải webchat), thiếu tương tác thời gian thực trên website; đây là xử lý batch/asynchronous, không phải bot chat trực tiếp.

• ✅ [ĐÚNG] From a website interface, answer common questions about scheduled events and ticket purchases for a music festival.
  Như đã giải thích ở trên, đây chính là webchat bot lý tưởng với tương tác trực tiếp trên web interface. ✅ Hoàn toàn phù hợp với Amazon Lex, hỗ trợ FAQ bot cho sự kiện như lễ hội âm nhạc.

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

• AWS Documentation: Amazon Lex - Build conversational interfaces (Lex V2 hỗ trợ web UI integration).
• AWS Certified AI Practitioner Exam Guide (2024-2026): Nhấn mạnh webchat bot trong domain "AWS AI/ML Services".
• Blog AWS: Building Web Chatbots with Amazon Lex.

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

🧩 Phân tích nội dung câu hỏi

Câu hỏi trắc nghiệm này thuộc chủ đề Conversational AI Workload trên nền tảng AWS (Amazon Web Services). Nó yêu cầu chọn hai tình huống (scenarios) đại diện cho một workload AI trò chuyện (conversational AI), nơi AI tương tác tự nhiên với người dùng qua văn bản hoặc giọng nói, giống như cuộc trò chuyện thực tế.

📘 Giải thích chi tiết:

• Conversational AI là công nghệ sử dụng Natural Language Processing (NLP), Automatic Speech Recognition (ASR), và Text-to-Speech (TTS) để xử lý và phản hồi tương tác thời gian thực. Trên AWS, các dịch vụ như Amazon Lex (chatbots và voice bots), Amazon Connect (IVR thông minh), và Amazon Transcribe/Polly hỗ trợ xây dựng các workload này (cập nhật đến phiên bản AWS 2026, với Lex V2 hỗ trợ đa kênh và tích hợp GenAI qua Amazon Bedrock).
• Câu hỏi là dạng multi-select (chọn nhiều), mỗi đáp án đúng trị giá 1 điểm, nhấn mạnh các giải pháp hoàn chỉnh (complete solution) minh họa workload thực tế.
• Mục tiêu: Phân biệt giữa tương tác động (conversational) và tĩnh (non-conversational).

✅ Đáp án đúng và lý do lựa chọn

Hai đáp án đúng là:

• a chatbot that provides users with the ability to find answers on a website by themselves
• telephone voice menus to reduce the load on human resources

Lý do chọn 🛠️:

• Cả hai đều thể hiện tương tác trò chuyện động với người dùng: Chatbot xử lý query tự nhiên qua text (sử dụng Lex), voice menus (IVR) xử lý giọng nói qua menu tương tác (sử dụng Lex + Connect). Chúng giảm tải con người bằng AI thông minh, phù hợp định nghĩa conversational AI workload trên AWS (theo AWS Well-Architected Framework for Generative AI, 2026).

📋 Giải thích chi tiết tất cả các phương án

Dưới đây là phân tích từng lựa chọn, giữ nguyên văn bản gốc tiếng Anh. Mỗi phương án được đánh giá đúng/sai dựa trên đặc trưng conversational AI (tương tác hai chiều, xử lý ngôn ngữ tự nhiên).

• ❌ [SAI] a telephone answering service that has a pre-recorder message
  Phương án này không phải conversational AI vì chỉ phát tin nhắn ghi sẵn (pre-recorded), không có tương tác động hay xử lý ngôn ngữ tự nhiên. Đây là hệ thống tĩnh, không sử dụng AI trò chuyện (không liên quan Amazon Lex hay Connect).

• ✅ [ĐÚNG] a chatbot that provides users with the ability to find answers on a website by themselves
  Phương án này hoàn toàn đúng vì chatbot cho phép tương tác tự nhiên (query văn bản, trả lời động), giúp người dùng tự tìm thông tin. Trên AWS, dùng Amazon Lex tích hợp website, hỗ trợ intent recognition và fulfillment (Lex V2 2026 với Bedrock cho GenAI).

• ✅ [ĐÚNG] telephone voice menus to reduce the load on human resources
  Phương án này hoàn toàn đúng vì voice menus (IVR nâng cao) xử lý giọng nói tương tác (nhập lệnh thoại, chuyển menu động), giảm tải nhân viên. AWS dùng Amazon Connect + Lex cho voice bots thông minh (cập nhật 2026: hỗ trợ real-time transcription với Transcribe Medical/Call Analytics).

• ❌ [SAI] a service that creates frequently asked questions (FAQ) documents by crawling public websites
  Phương án này không phải conversational AI vì chỉ thu thập dữ liệu tĩnh (crawling và tạo FAQ), không có tương tác trò chuyện với người dùng. Đây là workload data processing (có thể dùng Amazon Kendra cho search, nhưng không conversational).

📚 Tài liệu tham khảo

• AWS Documentation: Amazon Lex - Build Conversational Interfaces (phiên bản 2026).
• AWS Well-Architected Framework: Generative AI Lens – Phân loại conversational workloads.
• Amazon Connect: Intelligent Contact Center – Ví dụ voice menus.
• Microsoft Learn (liên kết Azure AI Fundamentals): Conversational AI on Azure Bot Service (so sánh với AWS Lex cho góc nhìn hybrid).

Hy vọng phân tích này giúp bạn nắm vững khái niệm! 🚀

🧠 Phân tích câu hỏi trắc nghiệm AWS (Phiên bản cập nhật đến 2026)

📘 Vai trò: Microsoft Azure AI Fundamentals
Tôi sẽ phân tích câu hỏi trắc nghiệm liên quan đến dịch vụ AWS (cụ thể là Amazon Lex hoặc QnABot với Knowledge Base), sử dụng kiến thức AWS mới nhất đến năm 2026. Phân tích dựa trên tài liệu chính thức AWS, nơi bot cơ bản chỉ sử dụng knowledge base (KB) để trả lời câu hỏi, không hỗ trợ hành động phức tạp mà không cần thêm intents, slots, Lambda functions hoặc skills bổ sung.

🧩 Giải thích chi tiết nội dung câu hỏi

Câu hỏi mô tả một tình huống thực tế:

• Bạn sở hữu một knowledge base (KB) chứa các FAQ (câu hỏi thường gặp) – đây là kho dữ liệu tĩnh với câu trả lời sẵn có, thường được tích hợp vào bot qua Amazon Lex, Amazon Bedrock Knowledge Bases hoặc QnABot (mẫu bot serverless trên AWS).
• Bạn tạo một bot sử dụng KB này để trả lời yêu cầu khách hàng (như giải đáp thắc mắc dựa trên nội dung KB).
• Yêu cầu chính: Xác định những gì bot có thể thực hiện NGAY LẬP TỨC mà KHÔNG CẦN thêm skills (skills ở đây ám chỉ các chức năng mở rộng như intents tùy chỉnh, fulfillment với Lambda để xử lý hành động động như đăng ký, cấp số, v.v.).
  Bot cơ bản chỉ "đọc và khớp" câu hỏi với KB để trả lời, hỗ trợ scalability tự động của AWS (serverless), nhưng không thực hiện hành động thay đổi dữ liệu (write operations) trừ khi tích hợp thêm.

✅ Đáp án đúng: Answer questions from multiple users simultaneously

Lý do lựa chọn:
Bot sử dụng knowledge base trên AWS (như Amazon Lex hoặc QnABot) được thiết kế serverless và scalable tự động (từ năm 2023-2026, AWS hỗ trợ concurrency lên đến hàng triệu sessions/giây mà không cần cấu hình thủ công). Bot chỉ cần khớp intent với KB để trả lời câu hỏi – không yêu cầu skills bổ sung. Nó có thể xử lý nhiều người dùng đồng thời nhờ Elastic Load Balancing và auto-scaling, đảm bảo zero-downtime và high availability mà không cần code thêm. Đây là khả năng cốt lõi của bot KB-based.

🔍 Giải thích tất cả các phương án (Đúng/Sai)

Dưới đây là phân tích từng lựa chọn, giữ nguyên văn bản gốc bằng tiếng Anh. Phân tích dựa trên tính năng AWS mới nhất (Lex V2, Bedrock KB 2026 hỗ trợ RAG – Retrieval-Augmented Generation, nhưng vẫn cần skills/Lambda cho actions động).

• Register customer purchases.
  ❌ Sai: Phương án này yêu cầu bot phải ghi dữ liệu vào database (như DynamoDB hoặc RDS), xử lý thanh toán, xác thực user – đây là write operation cần intents tùy chỉnh + Lambda fulfillment (skills bổ sung). Bot KB chỉ đọc/trả lời FAQ, không tự động đăng ký mua hàng.

• Register customer complaints.
  ❌ Sai: Tương tự, việc đăng ký khiếu nại đòi hỏi lưu trữ ticket (ví dụ: tích hợp Amazon Connect hoặc ServiceNow), validate thông tin – phải dùng slots để collect data và skills/Lambda để submit. KB chỉ hỗ trợ trả lời thông tin, không xử lý form submission.

• Answer questions from multiple users simultaneously.
  ✅ Đúng (như đã giải thích ở trên): Khả năng scalability built-in của AWS Lex/QnABot cho phép concurrent sessions (hàng nghìn users/giây, cập nhật 2026 với Bedrock Agents). Không cần skills thêm, chỉ dùng KB để query và respond.

• Provide customers with return materials authorization (RMA) numbers.
  ❌ Sai: Cấp số RMA (authorization cho trả hàng) yêu cầu generate unique ID, check inventory, update hệ thống ERP – cần Lambda integration hoặc API Gateway (skills bổ sung). Bot KB chỉ cung cấp thông tin FAQ chung, không tự tạo số động.

📚 Tài liệu tham khảo (AWS cập nhật 2026)

• 🛠️ Amazon Lex Developer Guide: Knowledge Bases & Intents – Xác nhận bot KB chỉ hỗ trợ Q&A, cần fulfillment cho actions.
• 🛠️ QnABot Documentation: Scalability without Skills – Bot mẫu xử lý multiple users tự động.
• 📘 Amazon Bedrock Knowledge Bases (2026 updates) – RAG cho Q&A scalable, nhưng actions cần Agents/Lambda.
• ✅ Kiểm tra thực tế: AWS Free Tier Lex hỗ trợ 10k speech requests/tháng với concurrency cao.

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

🧩 Phân tích chi tiết nội dung câu hỏi

Câu hỏi tập trung vào Azure Machine Learning pipeline (dòng xử lý học máy trên Azure), cụ thể là module Split Data.

• Bối cảnh: Bạn có một pipeline chứa module Split Data, và output của nó được kết nối đến Train Model module (module huấn luyện mô hình) và Score Model module (module đánh giá mô hình).
• Mục tiêu câu hỏi: Xác định chức năng chính của module Split Data trong quy trình này.
  Module Split Data được sử dụng trong Azure Machine Learning Studio (classic) hoặc Azure ML Designer để chia tập dữ liệu đầu vào thành các tập con, thường dùng cho huấn luyện và kiểm tra/đánh giá mô hình. Điều này giúp tránh overfitting bằng cách sử dụng dữ liệu riêng biệt cho training và validation/testing.
  📘 Kiến thức cập nhật: Theo tài liệu Microsoft Azure Machine Learning mới nhất (phiên bản 2026), chức năng cốt lõi của Split Data không thay đổi, vẫn là công cụ chia dữ liệu tỷ lệ (ví dụ: 70% train, 30% validate) hoặc theo điều kiện cụ thể.

✅ Đáp án đúng và lý do lựa chọn

Đáp án đúng: creating training and validation datasets
🛠️ Lý do: Module Split Data chính xác dùng để tạo ra các tập dữ liệu huấn luyện (training dataset) và kiểm tra/xác thực (validation dataset) từ một tập dữ liệu gốc. Output của nó được nối trực tiếp đến Train Model (dùng training set để huấn luyện) và Score Model (dùng validation set để đánh giá hiệu suất mô hình). Đây là bước chuẩn trong pipeline ML để đảm bảo mô hình được kiểm tra độc lập, tránh bias. Không có module nào khác trong Azure ML thực hiện chức năng này một cách trực tiếp như vậy.

📋 Giải thích tất cả các phương án

Dưới đây là phân tích từng lựa chọn, với giữ nguyên văn bản gốc tiếng Anh và giải thích chi tiết bằng tiếng Việt:

• ❌ scaling numeric variables so that they are within a consistent numeric range
  Phương án này sai vì đây là chức năng của module Normalize Data hoặc Scale and Reduce trong Azure ML, dùng để chuẩn hóa (scaling) dữ liệu số (ví dụ: Min-Max scaling hoặc Z-score) nhằm đưa các biến về cùng thang đo, giúp thuật toán học máy hội tụ nhanh hơn. Split Data không liên quan đến scaling.

• ✅ creating training and validation datasets
  Phương án này đúng như đã giải thích ở trên. Split Data chia dữ liệu ngẫu nhiên hoặc theo tỷ lệ (có thể cấu hình tỷ lệ phần trăm, số lượng hàng, hoặc theo cột điều kiện), tạo output ports riêng cho training và validation, phù hợp với pipeline nối đến Train Model và Score Model.

• ❌ diverting records that have missing data
  Phương án này sai vì xử lý dữ liệu thiếu (missing data) thuộc về module Clean Missing Data hoặc Edit Metadata trong Azure ML. Chúng dùng để loại bỏ, thay thế (impute) hoặc lọc record thiếu giá trị. Split Data chỉ chia dữ liệu mà không kiểm tra hoặc divert (chuyển hướng) dựa trên missing values.

• ❌ selecting columns that must be included in the model
  Phương án này sai vì chọn cột (feature selection) là nhiệm vụ của module Select Columns in Dataset hoặc Filter Based on Values. Chúng dùng để giữ/lọc cột cụ thể dựa trên tên, kiểu dữ liệu hoặc điều kiện. Split Data chỉ chia toàn bộ dataset thành subsets, không chọn cột.

📘 Tài liệu tham khảo

• Microsoft Docs: Split Data module reference (cập nhật 2025-2026).
• Azure ML Designer documentation – Mô tả pipeline với Split Data.
• Azure Machine Learning Studio (classic) modules – Chi tiết chức năng modules.

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

🧠 Phân tích câu hỏi trắc nghiệm: Microsoft Responsible AI Principles

📖 Giải thích nội dung câu hỏi:
🧩 Câu hỏi yêu cầu xác định phát biểu nào là ví dụ về một nguyên tắc AI có trách nhiệm (Responsible AI) của Microsoft. Chủ đề tập trung vào các nguyên tắc cốt lõi mà Microsoft áp dụng để đảm bảo AI được phát triển và sử dụng một cách đạo đức, an toàn, công bằng. Các nguyên tắc Responsible AI của Microsoft bao gồm 6 trụ cột chính: Fairness (Công bằng), Reliability & Safety (Đáng tin cậy & An toàn), Privacy & Security (Bảo mật & Quyền riêng tư), Inclusiveness (Bao hàm), Transparency (Minh bạch), và Accountability (Trách nhiệm). Những nguyên tắc này được cập nhật và áp dụng nhất quán đến năm 2026, nhấn mạnh việc xây dựng AI phục vụ lợi ích xã hội thay vì chỉ lợi ích thương mại. Câu hỏi giúp kiểm tra kiến thức về cách Microsoft thúc đẩy AI đạo đức, tránh các rủi ro như thiên kiến, thiếu minh bạch hoặc vi phạm quyền riêng tư.

✅ Đáp án đúng và lý do lựa chọn:
Đáp án đúng: "AI systems must be transparent and inclusive"
🛠️ Lý do: Phát biểu này trực tiếp phản ánh hai nguyên tắc cốt lõi của Microsoft Responsible AI:

• Transparency (Minh bạch): AI phải giải thích rõ ràng cách hoạt động, quyết định và dữ liệu đầu vào/đầu ra để người dùng hiểu và tin tưởng.
• Inclusiveness (Bao hàm): AI phải đảm bảo tiếp cận cho mọi người, tránh phân biệt đối xử dựa trên giới tính, chủng tộc, văn hóa hoặc khả năng.
  Những nguyên tắc này được Microsoft nhấn mạnh trong tài liệu chính thức, giúp AI trở nên đáng tin cậy và phục vụ đa dạng cộng đồng. Đây là ví dụ điển hình nhất khớp với khung Responsible AI của Microsoft (không thay đổi đến 2026).

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

• ✅ "AI systems must be transparent and inclusive"
  🟢 Đúng: Như đã giải thích ở trên, phát biểu này khớp chính xác với Transparency (AI phải minh bạch về quy trình) và Inclusiveness (AI phải bao hàm mọi nhóm người). Microsoft yêu cầu các hệ thống AI phải dễ hiểu và tiếp cận công bằng, giúp giảm thiểu thiên kiến và tăng lòng tin từ người dùng.

• ❌ "AI systems must use only publicly available data"
  🔴 Sai: Không phải nguyên tắc của Microsoft. Microsoft cho phép sử dụng dữ liệu đa dạng (công khai hoặc riêng tư) miễn là tuân thủ Privacy & Security (bảo vệ dữ liệu cá nhân). Việc giới hạn chỉ dữ liệu công khai có thể hạn chế hiệu quả AI và không phản ánh khung Responsible AI thực tế.

• ❌ "AI systems must keep personal details public"
  🔴 Sai: Hoàn toàn trái ngược với nguyên tắc Privacy & Security của Microsoft, vốn yêu cầu bảo vệ dữ liệu cá nhân nghiêm ngặt (không công khai). Việc làm công khai chi tiết cá nhân sẽ vi phạm GDPR, CCPA và các quy định toàn cầu, dẫn đến rủi ro lớn về quyền riêng tư.

• ❌ "AI systems must protect the interests of the company"
  🔴 Sai: Nguyên tắc Responsible AI của Microsoft ưu tiên lợi ích xã hội và con người (Accountability), không đặt lợi ích công ty lên hàng đầu. Tập trung chỉ vào công ty có thể dẫn đến thiên kiến, thiếu công bằng – điều Microsoft nghiêm cấm để đảm bảo AI phục vụ cộng đồng rộng lớn.

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

• 🌐 Microsoft Responsible AI Principles: www.microsoft.com/en-us/ai/responsible-ai – Tài liệu chính thức liệt kê 6 nguyên tắc.
• 📚 Azure AI Documentation: docs.microsoft.com/en-us/azure/ai-services/concepts/responsible-ai – Hướng dẫn triển khai minh bạch và bao hàm.
• 🔗 Microsoft AI Principles Update 2025-2026: Các nguyên tắc không thay đổi cơ bản, chỉ bổ sung công cụ kiểm tra như Azure AI Content Safety (xem changelog tại Microsoft Learn).

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

🧩 Phân tích chi tiết nội dung câu hỏi

Câu hỏi yêu cầu triển khai một chatbot để giảm tải cho nhân viên tổng đài bằng cách trả lời các câu hỏi đơn giản với câu trả lời được định sẵn trước (predefined answers). Đây là tình huống phổ biến trong hỗ trợ khách hàng, nơi chatbot cần hiểu ý định người dùng và trả về phản hồi cố định mà không cần học máy phức tạp.

Mục tiêu chính: Chọn hai dịch vụ AI của Azure để đạt được điều này. Mỗi lựa chọn đúng chiếm 1 điểm, nghĩa là đây là câu hỏi multi-select với đúng 2 đáp án.

Câu hỏi tập trung vào các dịch vụ Azure hỗ trợ xây dựng bot đối thoại đơn giản, bao gồm xử lý ngôn ngữ tự nhiên (NLU) để nhận diện câu hỏi và nền tảng bot framework để triển khai.

📘 Tài liệu tham khảo:

• Azure Bot Service Documentation (cập nhật 2024-2026).
• Azure AI Language Overview (phiên bản mới nhất, tích hợp QnA Maker cho FAQ).

✅ Đáp án đúng và lý do lựa chọn

Hai đáp án đúng là:

• Azure Bot Service
• Language Service

Lý do chọn:
🛠️ Azure Bot Service là dịch vụ cốt lõi để xây dựng, triển khai và quản lý chatbot trên nhiều kênh (web, Teams, mobile). Nó cung cấp framework để xử lý luồng hội thoại và tích hợp dễ dàng với các dịch vụ AI khác.
🧩 Language Service (trước đây là Azure AI Language hoặc LUIS + QnA Maker) hỗ trợ hiểu ngôn ngữ tự nhiên và QnA (Question & Answer) để khớp câu hỏi người dùng với câu trả lời định sẵn – lý tưởng cho "simple questions with predefined answers". Kết hợp hai dịch vụ này tạo chatbot hoàn chỉnh mà không cần code phức tạp.

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

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

• Azure Machine Learning ❌
  Sai vì đây là dịch vụ dành cho xây dựng, huấn luyện và triển khai mô hình machine learning tùy chỉnh (như regression, classification phức tạp). Nó không phù hợp cho chatbot đơn giản với predefined answers, vì yêu cầu kiến thức ML sâu và không tập trung vào đối thoại. Sử dụng nó sẽ làm phức tạp hóa vấn đề không cần thiết.

• Azure Bot Service ✅
  Đúng vì đây là nền tảng chuyên dụng để tạo và triển khai chatbot. Nó hỗ trợ tích hợp các công cụ AI khác, quản lý trạng thái hội thoại, và deploy nhanh chóng lên các kênh như web, app, hoặc Microsoft Teams. Hoàn hảo cho mục tiêu giảm tải tổng đài.

• Language Service ✅
  Đúng vì dịch vụ này cung cấp Question Answering (QnA) và Conversational Language Understanding (CLU) để phân tích câu hỏi người dùng, khớp với cơ sở kiến thức predefined (FAQ), và trả lời tự động. Đây là "bộ não" NLU cho chatbot xử lý câu hỏi đơn giản. (Cập nhật 2024+: Tích hợp tốt hơn với Bot Framework Composer).

• Translator ❌
  Sai vì đây chỉ là dịch vụ dịch ngôn ngữ (text-to-text, speech-to-text đa ngôn ngữ). Nó không hỗ trợ hiểu ý định hoặc trả lời predefined questions, mà chỉ dùng cho localization – không liên quan trực tiếp đến chatbot trả lời câu hỏi.

🧠 Lưu ý bổ sung: Trong thực tế (Azure 2026), bạn có thể dùng Bot Framework Composer (miễn phí) kết hợp hai dịch vụ trên để no-code/low-code. Tránh các lựa chọn sai để không lạc hướng giải pháp tối ưu!

🧩 Phân tích chi tiết câu hỏi trắc nghiệm về quy trình Machine Learning trên AWS

📖 Giải thích nội dung câu hỏi:
Câu hỏi tập trung vào quy trình Machine Learning (ML) tiêu chuẩn, hỏi về thời điểm nên xem xét (review) các chỉ số đánh giá (evaluation metrics) như accuracy, precision, recall, F1-score, v.v. Quy trình ML trên AWS (ví dụ: AWS SageMaker ML Lifecycle hoặc Amazon Bedrock) thường theo các giai đoạn: chuẩn bị dữ liệu → chọn mô hình → huấn luyện (train) → đánh giá trên dữ liệu validation/test → tinh chỉnh. Việc review metrics nhằm kiểm tra hiệu suất mô hình sau khi đã chạy thử nghiệm, giúp quyết định cải thiện hoặc triển khai. Theo kiến thức cập nhật đến năm 2026 (AWS re:Invent 2025 và SageMaker phiên bản mới nhất), review metrics không phải lúc đầu quy trình mà diễn ra sau khi test mô hình để tránh thiên kiến và đảm bảo tính khách quan. 🛠️

✅ Đáp án đúng: After you test a model on the validation data.
Lý do chọn đáp án này: Trong quy trình ML chuẩn trên AWS, bạn review evaluation metrics sau khi test mô hình trên dữ liệu validation để đo lường hiệu suất thực tế (ví dụ: sử dụng SageMaker Processing Jobs hoặc Clarify để tính metrics). Điều này giúp phát hiện overfitting/underfitting, so sánh các mô hình, và quyết định bước tiếp theo như hyperparameter tuning. Nếu review sớm, bạn thiếu dữ liệu thực tế từ training. 📈

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

• ❌ [SAI] Before you train a model.
  Phương án này sai vì lúc này bạn chưa có mô hình được huấn luyện, nên không có metrics nào để review (chỉ có thể ước lượng lý thuyết). Quy trình AWS yêu cầu train trước rồi mới evaluate.

• ❌ [SAI] After you clean the data.
  Phương án này sai vì sau khi clean data (data preparation phase trong SageMaker Data Wrangler), bạn chỉ sẵn sàng cho feature engineering hoặc chọn model, chưa train nên chưa có metrics. Review lúc này quá sớm, không phản ánh hiệu suất mô hình.

• ❌ [SAI] Before you choose the type of model.
  Phương án này sai vì trước khi chọn loại mô hình (như XGBoost, Linear Learner trong SageMaker Autopilot), bạn chỉ dựa vào đặc trưng dữ liệu, không có metrics từ test. Review metrics phải sau training để hỗ trợ chọn model tối ưu.

• ✅ [ĐÚNG] After you test a model on the validation data.
  (Như đã giải thích ở trên: Đây là thời điểm lý tưởng để review metrics một cách chính xác và có cơ sở dữ liệu thực tế.)

📘 Tài liệu tham khảo:

• AWS SageMaker Documentation: Build, Train, and Deploy ML Models (cập nhật 2025-2026, phần Evaluation Metrics sau Training & Validation).
• AWS ML Lifecycle: Amazon SageMaker Model Evaluation – Nhấn mạnh review metrics post-validation.
• AWS Well-Architected Framework for ML: Phiên bản mới nhất (2026) khuyến nghị evaluate sau test để iterative improvement. 🔗

🧩 Phân tích chi tiết nội dung câu hỏi

Câu hỏi tập trung vào nguyên tắc Responsible AI (AI có trách nhiệm) của Microsoft, cụ thể là xác định nguyên tắc nào bị vi phạm khi một mô hình xử lý ngôn ngữ tự nhiên (NLP) được huấn luyện bằng dữ liệu thu thập không có sự cho phép (data obtained without permission).

📘 Bối cảnh: Microsoft định nghĩa 6 nguyên tắc cốt lõi cho AI có trách nhiệm (cập nhật đến năm 2026, dựa trên tài liệu chính thức từ Microsoft Azure AI):

• Fairness (Công bằng)
• Reliability & Safety (Độ tin cậy & An toàn)
• Privacy & Security (Quyền riêng tư & Bảo mật)
• Inclusiveness (Tính bao quát)
• Transparency (Minh bạch)
• Accountability (Trách nhiệm giải trình)

Việc sử dụng dữ liệu không được phép vi phạm quyền sở hữu và bảo vệ dữ liệu cá nhân, trực tiếp liên quan đến nguyên tắc Privacy & Security. Điều này nhấn mạnh rằng AI phải tôn trọng quyền riêng tư người dùng và tuân thủ luật pháp như GDPR hoặc các quy định bảo mật dữ liệu.

Nguồn tham khảo:

• Microsoft Responsible AI Principles (cập nhật 2024-2026).
• Azure AI Documentation - Responsible AI (phiên bản mới nhất 2026).

✅ Đáp án đúng: privacy and security

Lý do lựa chọn: 🛡️ Nguyên tắc Privacy & Security bị vi phạm vì việc thu thập và sử dụng dữ liệu không có sự cho phép (without permission) trực tiếp xâm phạm quyền riêng tư của cá nhân hoặc tổ chức sở hữu dữ liệu. Microsoft nhấn mạnh rằng AI phải bảo vệ dữ liệu nhạy cảm, tránh sử dụng dữ liệu trái phép để huấn luyện mô hình, nhằm ngăn chặn rủi ro lộ thông tin cá nhân hoặc vi phạm pháp luật. Đây là vi phạm rõ ràng nhất trong 6 nguyên tắc Responsible AI.

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

• reliability and safety ❌
  Sai vì nguyên tắc này tập trung vào độ tin cậy của mô hình (như tránh lỗi, dự đoán chính xác) và an toàn (tránh gây hại vật lý/tâm lý). Việc dùng dữ liệu không phép không liên quan đến độ ổn định hay an toàn hoạt động của mô hình, mà chỉ là vấn đề nguồn dữ liệu.

• privacy and security ✅
  Đúng như đã giải thích ở trên. Đây là nguyên tắc yêu cầu bảo vệ dữ liệu cá nhân, chỉ sử dụng dữ liệu với sự đồng ý rõ ràng, và áp dụng các biện pháp mã hóa/bảo mật. Vi phạm trực tiếp khi "obtained without permission".

• inclusiveness ❌
  Sai vì nguyên tắc này nhấn mạnh tính bao quát, đảm bảo AI phục vụ đa dạng nhóm người (không phân biệt giới tính, dân tộc, văn hóa). Vấn đề dữ liệu không phép không ảnh hưởng đến tính đa dạng người dùng.

• transparency ❌
  Sai vì nguyên tắc này yêu cầu minh bạch về cách mô hình hoạt động (giải thích quyết định, công bố dữ liệu huấn luyện). Dù dữ liệu không phép có thể gián tiếp ảnh hưởng, nhưng vi phạm chính vẫn là privacy chứ không phải minh bạch quy trình.

🧠 Kết luận: Câu hỏi kiểm tra sự hiểu biết sâu về Responsible AI của Microsoft, nhấn mạnh Privacy & Security là nền tảng bảo vệ dữ liệu trong phát triển AI. Hãy luôn ưu tiên tuân thủ để tránh rủi ro pháp lý! 🚀