Ngân hàng đề — Microsoft Azure AI Fundamentals

🧩 Phân tích câu hỏi trắc nghiệm về AI Workload trên AWS

📖 Giải thích nội dung câu hỏi:
Câu hỏi mô tả một thiết bị thông minh (smart device) có khả năng phản hồi câu hỏi ngôn ngữ tự nhiên như “What is the stock price of Contoso. Ltd.?” (Giá cổ phiếu của Contoso Ltd. là bao nhiêu?). Đây là ví dụ điển hình về một workload AI (tác vụ AI) trong hệ sinh thái AWS, nơi AI cần hiểu, xử lý và trả lời truy vấn bằng ngôn ngữ con người. Trong AWS, các workload AI được phân loại rõ ràng theo dịch vụ như Amazon Lex (chatbot), Amazon Comprehend (phân tích ngôn ngữ), giúp tích hợp vào thiết bị IoT hoặc ứng dụng thông minh. Câu hỏi kiểm tra khả năng nhận diện workload phù hợp với xử lý ngôn ngữ tự nhiên, không phải hình ảnh hay phát hiện bất thường. (Kiến thức cập nhật AWS đến 2026: AWS tiếp tục mở rộng AI/ML qua Bedrock và SageMaker, nhấn mạnh NLP cho conversational AI).

✅ Đáp án đúng: natural language processing
Lý do lựa chọn: Phương án này chính xác vì thiết bị phải hiểu và xử lý câu hỏi bằng ngôn ngữ tự nhiên (natural language), sau đó truy xuất thông tin (như giá cổ phiếu từ nguồn dữ liệu thực tế). Trong AWS, natural language processing (NLP) là workload cốt lõi, được hỗ trợ bởi Amazon Lex (xây dựng chatbot), Amazon Comprehend (phân tích sentiment, entity recognition), và Amazon Bedrock (generative AI với mô hình NLP như Claude hoặc Llama). Đây là ví dụ hoàn hảo cho conversational AI, nơi thiết bị "hiểu" ý định người dùng và trả lời chính xác. ✅

🛠️ Giải thích chi tiết tất cả các phương án (theo thứ tự câu hỏi):

• knowledge mining ❌
  Sai vì: Knowledge mining tập trung vào việc khai thác kiến thức từ dữ liệu không cấu trúc (như tài liệu, PDF) để tìm kiếm và trích xuất thông tin, ví dụ sử dụng Amazon Kendra hoặc Amazon Comprehend Medical. Câu hỏi ở đây chỉ là xử lý truy vấn đơn giản, không liên quan đến việc "đào sâu" dữ liệu lớn; nó chỉ cần hiểu ngôn ngữ và trả lời nhanh, không phải mining.

• natural language processing ✅
  Đúng vì: Như đã giải thích ở trên, đây là workload trực tiếp xử lý ngôn ngữ tự nhiên để hiểu câu hỏi và sinh phản hồi. AWS hỗ trợ mạnh mẽ qua Lex, Comprehend, Transcribe (đến 2026 với tích hợp Bedrock Agents cho multi-turn conversations).

• computer vision ❌
  Sai vì: Computer vision xử lý hình ảnh/video để nhận diện đối tượng, khuôn mặt (sử dụng Amazon Rekognition hoặc Lookout for Vision). Câu hỏi thuần túy ngôn ngữ (text/voice), không có yếu tố hình ảnh, nên không liên quan.

• anomaly detection ❌
  Sai vì: Anomaly detection phát hiện dữ liệu bất thường trong thời gian thực, như gian lận tài chính hoặc lỗi thiết bị (qua Amazon Fraud Detector, SageMaker Anomaly Detection, hoặc Lookout for Metrics). Câu hỏi chỉ là truy vấn thông tin bình thường, không phát hiện "bất thường" gì cả.

📘 Tài liệu tham khảo:

• AWS AI/ML Workloads: AWS Machine Learning Services (cập nhật 2026 với Bedrock GenAI).
• Amazon Lex cho NLP: docs.aws.amazon.com/lex.
• Phân loại AI Workloads: AWS Well-Architected Framework for ML (whitepaper 2025-2026).

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

🧩 Phân tích chi tiết nội dung câu hỏi

Câu hỏi này thuộc lĩnh vực Azure AI Vision services, tập trung vào việc xây dựng một công cụ xử lý hình ảnh từ các cửa hàng bán lẻ để nhận diện sản phẩm của đối thủ cạnh tranh. 📸 Yêu cầu chính là giải pháp phải được huấn luyện (trained) trên hình ảnh do công ty bạn cung cấp, nghĩa là cần một dịch vụ hỗ trợ tùy chỉnh mô hình (custom model) dựa trên dữ liệu riêng. Đây là kịch bản điển hình cho image classification hoặc object detection tùy chỉnh, không phải phân tích hình ảnh chung chung.

✅ Đáp án đúng: Custom Vision

Lý do lựa chọn: Custom Vision là dịch vụ Azure AI chuyên dụng để xây dựng và triển khai các mô hình tầm nhìn máy tính tùy chỉnh một cách dễ dàng. 🛠️ Nó cho phép bạn tải lên hình ảnh từ công ty mình, gắn nhãn (label) dữ liệu, huấn luyện mô hình nhanh chóng mà không cần chuyên môn sâu về ML. Phù hợp hoàn hảo cho việc nhận diện sản phẩm cụ thể của đối thủ từ ảnh thực tế cửa hàng. Theo tài liệu Azure cập nhật 2024-2026, Custom Vision hỗ trợ export mô hình sang ONNX hoặc Docker cho tích hợp linh hoạt.
Nguồn tham khảo: Azure Custom Vision documentation (Microsoft Docs, phiên bản mới nhất).

📋 Giải thích tất cả các phương án

Dưới đây là phân tích từng lựa chọn một cách chi tiết, với đánh dấu ✅ đúng hoặc ❌ sai:

• Form Recognizer ❌
  Phương án này sai vì Form Recognizer (nay là Document Intelligence) chuyên trích xuất thông tin từ tài liệu, hóa đơn, biểu mẫu (forms/documents) bằng OCR và layout analysis. 🧾 Nó không hỗ trợ huấn luyện tùy chỉnh cho nhận diện đối tượng hình ảnh như sản phẩm, mà tập trung vào văn bản có cấu trúc. Không phù hợp cho ảnh cửa hàng bán lẻ.

• Custom Vision ✅
  Phương án này đúng như đã giải thích ở trên. 🏆 Dịch vụ lý tưởng cho custom training trên dữ liệu hình ảnh riêng, hỗ trợ classification (phân loại sản phẩm) và detection (phát hiện vị trí sản phẩm). Hiệu suất cao với ít dữ liệu (chỉ cần vài trăm ảnh/lớp).

• Face ❌
  Phương án này sai vì Face API chỉ dành cho nhận diện và phân tích khuôn mặt (face detection, recognition, emotion). 😶 Không liên quan đến sản phẩm vô tri như hàng hóa bán lẻ, và không hỗ trợ custom training cho đối tượng khác khuôn mặt.

• Computer Vision ❌
  Phương án này sai vì Computer Vision cung cấp phân tích hình ảnh tổng quát (như mô tả ảnh, OCR, tag objects) với mô hình pre-trained của Microsoft. 🔍 Không cho phép huấn luyện tùy chỉnh trên dữ liệu riêng của bạn, nên không đáp ứng yêu cầu "trained on images provided by your company". Nếu cần pre-trained, nó có thể dùng, nhưng câu hỏi nhấn mạnh custom training.
  Nguồn tham khảo thêm: Azure AI Vision services overview (so sánh các dịch vụ).

🧩 Phân tích chi tiết câu hỏi trắc nghiệm

📖 Nội dung câu hỏi:
Câu hỏi tập trung vào việc xác định loại mô hình học máy (machine learning model) phù hợp để dự đoán sản lượng nông nghiệp (agricultural yields) dựa trên các yếu tố đầu vào như điều kiện thời tiết (weather conditions) và đo lường chất lượng đất (soil quality measurements). Đây là một bài toán điển hình trong học máy, nơi đầu ra là một giá trị số liên tục (continuous numerical value), chẳng hạn như tấn/hecta hoặc kg/m², thay vì phân loại rời rạc. Chủ đề này liên quan đến các dịch vụ AWS như Amazon SageMaker (phiên bản cập nhật 2025-2026), nơi hỗ trợ xây dựng mô hình regression cho các ứng dụng nông nghiệp thông minh (precision agriculture).

✅ Đáp án đúng: regression

Lý do lựa chọn:
Dự đoán sản lượng nông nghiệp là bài toán hồi quy (regression) vì kết quả đầu ra là giá trị số liên tục (ví dụ: 5.2 tấn/ha), không phải nhãn phân loại. Trong AWS SageMaker (cập nhật 2026), các mô hình như Linear Learner hoặc XGBoost Regression được sử dụng phổ biến cho các dự đoán định lượng như vậy, giúp tối ưu hóa nông nghiệp dựa trên dữ liệu thời tiết và đất đai. ✅ Hoàn hảo phù hợp!

🛠️ Giải thích chi tiết từng phương án trả lời

Dưới đây là phân tích từng lựa chọn, giữ nguyên văn bản gốc tiếng Anh. Mỗi phương án được đánh giá dựa trên kiến thức học máy cơ bản và ứng dụng thực tế trên AWS (theo tài liệu SageMaker ML Models 2026):

• classification ❌ Sai
  Phân loại (classification) dùng để dự đoán nhãn rời rạc (discrete labels), ví dụ: "bệnh hại cây trồng có/không" hoặc "loại cây phù hợp A/B/C". Không phù hợp vì sản lượng là số liên tục, không phải nhóm lớp. Trong AWS, dùng cho Binary/Multi-class classifiers như BlazingText.

• regression ✅ Đúng
  Hồi quy (regression) dự đoán giá trị số liên tục, chính xác khớp với việc ước lượng yields từ dữ liệu thời tiết/đất. AWS SageMaker hỗ trợ các algorithm như XGBoost Regression hoặc DeepAR cho forecasting nông nghiệp (cập nhật tích hợp IoT data từ AWS IoT Greengrass 2026).

• clustering ❌ Sai
  Phân cụm (clustering) dùng để nhóm dữ liệu không giám sát (unsupervised grouping), ví dụ: phân nhóm vùng đất tương đồng mà không có nhãn dự đoán. Không áp dụng vì đây là bài toán giám sát (supervised) với đầu ra cụ thể (yields). AWS dùng K-Means trong SageMaker cho phân tích dữ liệu thô, không phải dự đoán.

📘 Tài liệu tham khảo

• AWS SageMaker Documentation (2026): Amazon SageMaker Built-in Algorithms – Chi tiết regression vs classification/clustering.
• AWS Machine Learning Specialty Guide: Precision Agriculture with ML (cập nhật case study 2025).
• Kiến thức chung ML: Scikit-learn docs (sklearn.linear_model.LinearRegression) xác nhận regression cho continuous targets.

Hy vọng phân tích này giúp bạn nắm vững! 🌾🚀 Nếu cần ví dụ code SageMaker, hãy hỏi thêm nhé!

🧩 Phân tích chi tiết nội dung câu hỏi

Câu hỏi yêu cầu xác định loại computer vision phù hợp để nhận dạng tên đường phố dựa trên biển báo đường trong các bức ảnh.
📸 Tình huống cụ thể: Bạn có ảnh chụp biển báo đường (street signs), và nhiệm vụ là trích xuất/đọc chính xác tên đường (ví dụ: "Main Street") từ văn bản in trên biển báo. Đây không phải là phát hiện vị trí biển báo hay phân loại loại ảnh, mà tập trung vào việc đọc chữ cái và từ ngữ từ hình ảnh.
🛠️ Ngữ cảnh AWS (cập nhật đến 2026): Trong AWS, công nghệ computer vision như Amazon Rekognition hỗ trợ phát hiện vật thể/nhãn, nhưng để đọc văn bản từ ảnh (như biển báo), cần sử dụng Amazon Textract – dịch vụ OCR chuyên dụng cho việc trích xuất text từ tài liệu và hình ảnh thực tế. Phiên bản mới nhất (Textract v2.0+ năm 2025-2026) cải thiện độ chính xác với handwriting và biển báo ngoài trời.

✅ Đáp án đúng: optical character recognition (OCR)

Lý do lựa chọn:
✅ OCR là công nghệ chuyên chuyển đổi văn bản in hoặc viết tay trong hình ảnh thành dữ liệu text có thể chỉnh sửa. Trong trường hợp này, tên đường trên biển báo chính là văn bản cần đọc (không phải phân loại hay phát hiện vật thể).
🛠️ Ứng dụng thực tế trên AWS: Amazon Textract sử dụng OCR để detect và extract text từ ảnh biển báo, trả về tọa độ và nội dung chính xác (ví dụ: {"text": "Main Street", "confidence": 98%}). Đây là lựa chọn tối ưu, hiệu quả cao với ảnh thực tế đến năm 2026.
📘 Nguồn tham khảo:

• AWS Textract Documentation (cập nhật 2026).
• Amazon Rekognition vs. Textract.

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

• ❌ object detection:
  Phương án này sai vì object detection chỉ phát hiện và định vị vật thể (như bounding box quanh biển báo đường), nhưng không đọc được nội dung văn bản bên trong. Ví dụ: Nó có thể xác định "có biển báo ở góc ảnh", nhưng không trích xuất "Elm Street". Trên AWS Rekognition, dùng cho detect-labels, không phải text extraction.

• ✅ optical character recognition (OCR):
  (Như đã giải thích ở trên) – Đúng hoàn toàn, phù hợp nhất để đọc tên đường từ biển báo.

• ❌ image classification:
  Phương án này sai vì image classification chỉ phân loại toàn bộ ảnh vào một hạng mục (ví dụ: "ảnh biển báo đường" vs. "ảnh xe hơi"), không trích xuất chi tiết văn bản. Trên AWS, Rekognition Image Classification dùng cho labeling tổng quát, không xử lý text cụ thể.

• ❌ facial recognition:
  Phương án này sai vì facial recognition chỉ nhận diện khuôn mặt con người (như so sánh ảnh selfie), hoàn toàn không liên quan đến biển báo đường hay văn bản. Trên AWS Rekognition Face Detection, chỉ áp dụng cho face analysis, không đọc chữ.

🧩 Tóm tắt nhanh: OCR là "chìa khóa vàng" cho nhiệm vụ đọc text từ ảnh thực tế như biển báo! Nếu triển khai trên AWS, kết hợp Textract với Lambda để automate quy trình. 🚀

🧠 Phân Tích Câu Hỏi Trắc Nghiệm Azure AI Fundamentals

🧩 Giải thích nội dung câu hỏi:
Câu hỏi mô tả một bot (robot phần mềm) được thiết kế để nhận diện tên thương hiệu (brand names) của các sản phẩm từ hình ảnh kệ hàng siêu thị. Nhiệm vụ chính là xác định dịch vụ Azure nào mà bot này sử dụng để thực hiện chức năng đó. Đây là tình huống thực tế trong Azure AI, nơi cần xử lý hình ảnh để trích xuất thông tin văn bản (như nhãn hiệu trên sản phẩm) từ ảnh chụp. Bot không chỉ phân loại hình ảnh mà tập trung vào việc đọc và nhận diện text trong hình ảnh, đòi hỏi công nghệ phân tích hình ảnh tiên tiến với khả năng OCR (Optical Character Recognition - nhận diện ký tự quang học).

✅ Đáp án đúng: Computer Vision Image Analysis capabilities
Lý do lựa chọn: Dịch vụ Computer Vision Image Analysis (nay là một phần của Azure AI Vision, phiên bản mới nhất 4.0 tính đến 2026) cung cấp các tính năng phân tích hình ảnh mạnh mẽ, đặc biệt là Read API (OCR) để trích xuất văn bản từ hình ảnh với độ chính xác cao, ngay cả trong điều kiện phức tạp như kệ siêu thị (nhãn dán chồng chéo, góc chụp lệch). Điều này hoàn hảo để bot nhận diện tên thương hiệu sản phẩm. Không cần huấn luyện model tùy chỉnh, chỉ cần gọi API là có kết quả ngay. Đây là lựa chọn tối ưu cho nhiệm vụ "identifies the brand names" từ hình ảnh.

📋 Giải thích chi tiết tất cả các phương án:

• ❌ AI enrichment for Azure Search capabilities
  Phương án này sai vì AI enrichment cho Azure AI Search (trước là Azure Cognitive Search, phiên bản 2024+) dùng để tăng cường chỉ mục tìm kiếm (indexing) với AI, như trích xuất entity từ tài liệu văn bản hoặc hình ảnh, nhưng không phải dịch vụ chính để bot xử lý hình ảnh trực tiếp. Nó hỗ trợ tìm kiếm sau khi đã enrich data, không phù hợp cho bot nhận diện brand từ ảnh kệ hàng thời gian thực.

• ✅ Computer Vision Image Analysis capabilities
  Phương án này đúng như đã giải thích ở trên. Với cập nhật mới nhất (Azure AI Vision v4.0+ đến 2026), nó hỗ trợ dense captioning, object detection và OCR đa ngôn ngữ, lý tưởng cho kệ siêu thị đa dạng sản phẩm.

• ❌ Custom Vision Image Classification capabilities
  Phương án này sai vì Custom Vision (Azure AI Custom Vision, phiên bản 3.0+ đến 2026) chuyên dùng để xây dựng model phân loại hình ảnh tùy chỉnh (classification hoặc object detection) sau khi huấn luyện với dữ liệu người dùng. Bot cần huấn luyện dataset lớn về brand names mới dùng được, trong khi câu hỏi ngụ ý dịch vụ sẵn có, không yêu cầu custom training cho việc đọc text.

• ❌ Language Understanding capabilities
  Phương án này sai vì Language Understanding (LUIS, nay tích hợp vào Azure AI Language, phiên bản 2024+) là dịch vụ NLP (Natural Language Processing) để hiểu ý định và entity từ văn bản đầu vào, không xử lý hình ảnh. Nó chỉ hoạt động với text, không thể nhận diện brand từ ảnh kệ hàng.

🛠️ Lưu ý cập nhật kiến thức:
Dựa trên tài liệu Azure chính thức mới nhất đến 2026, Azure AI Vision (tiếp nối Computer Vision) là lựa chọn chuẩn cho OCR trên hình ảnh. Không liên quan AWS như đề cập (có thể nhầm lẫn), đây thuần Azure AI services.

📘 Tài liệu tham khảo:

• Azure AI Vision Documentation (Read API) – Hướng dẫn OCR cho text trong hình ảnh.
• Azure AI Fundamentals Study Guide (AI-900) – Phần Image Analysis.
• Azure AI Vision v4.0 Release Notes (2024-2026) – Cập nhật tính năng mới nhất.

Hy vọng phân tích này giúp bạn nắm vững! 🚀 Nếu cần thêm câu hỏi, hãy hỏi nhé!

🧩 Phân tích chi tiết câu hỏi trắc nghiệm

Nội dung câu hỏi:
Câu hỏi yêu cầu xác định dịch vụ Azure nào phù hợp nhất để phát triển một giải pháp chatbot, cụ thể là để xác định ý định (intent) của người dùng. Trong ngữ cảnh chatbot, "intent" là việc hiểu mục đích hoặc yêu cầu thực sự đằng sau câu nói/nội dung đầu vào của người dùng (ví dụ: người dùng nói "Đặt vé máy bay" thì intent là "book_flight"). Đây là một phần quan trọng của Natural Language Understanding (NLU) trong Azure AI, giúp chatbot phản hồi chính xác và thông minh.
🛠️ Câu hỏi tập trung vào các dịch vụ Azure AI, nhấn mạnh khả năng xử lý ngôn ngữ tự nhiên để phân tích intent trong chatbot.

✅ Đáp án đúng: Language

Lý do chọn đáp án này:
Azure AI Language (trước đây là Language Understanding - LUIS, nay tích hợp trong Azure AI Language service) là dịch vụ chuyên dụng để xác định intent và entity từ văn bản đầu vào. Nó hỗ trợ xây dựng mô hình NLU cho chatbot, cho phép train và deploy các mô hình tùy chỉnh để nhận diện ý định người dùng một cách chính xác. Theo tài liệu Azure cập nhật đến 2026 (Azure AI Language v2024+), đây là lựa chọn chuẩn cho các ứng dụng conversational AI như Bot Framework Composer hoặc Power Virtual Agents.
📘 Nguồn tham khảo:

• Azure AI Language - Conversational language understanding
• Azure Bot Service documentation (cập nhật 2024-2026).

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

• ✅ [ĐÚNG] Language
  Như đã giải thích ở trên, dịch vụ này chuyên xử lý NLU để detect intent và entities trong chatbot. Nó tích hợp trực tiếp với Azure Bot Service, hỗ trợ multi-language và custom models, phù hợp hoàn hảo cho yêu cầu câu hỏi. 🏆

• ❌ [SAI] Translator
  Azure Translator chỉ dùng để dịch văn bản hoặc giọng nói giữa các ngôn ngữ (text/speech translation), không có khả năng phân tích intent hay hiểu ngữ nghĩa sâu. Nó không liên quan đến NLU cho chatbot. 🚫

• ❌ [SAI] Azure Cognitive Search
  Dịch vụ này (nay là Azure AI Search) tập trung vào tìm kiếm full-text, indexing và retrieval dữ liệu từ các nguồn lớn như database hoặc web. Nó hỗ trợ semantic search nhưng không dùng để detect intent của user input trong chatbot. Không phù hợp! 🔍

• ❌ [SAI] Speech
  Azure AI Speech service dùng cho nhận diện giọng nói (speech-to-text), tổng hợp giọng nói (text-to-speech) và dịch giọng nói. Nó xử lý âm thanh nhưng không phân tích intent từ văn bản hoặc ngữ nghĩa. Chỉ là bước tiền xử lý cho input thoại, không phải core cho intent recognition. 🎤