Ngân hàng đề — Microsoft Azure AI Fundamentals

Tìm thấy 316 câu.

Câu 41
A retail company receives thousands of invoices daily from various suppliers in different formats (PDF, images, scanned documents). The company wants to automatically extract key information such as invoice numbers, dates, vendor names, line items, and total amounts to populate their accounting system. Which Azure AI service would be most appropriate for this scenario?
  1. A Azure AI Language
  2. B Azure AI Speech
  3. C Azure AI Vision
  4. D Azure AI Document Intelligence
Xem giải thích

Đáp án

D — Azure AI Document Intelligence.

Ghi nhớ về chất lượng câu hỏi

⚠ Đây là câu THỨ BA về Document Intelligence trong cùng lô.

Câu Tài liệu
⚠ #17920 ⚠ biểu mẫu tiếp nhận bệnh nhân
⚠ #17932 ⚠ hoá đơn lịch sử của nhà bán lẻ
⚠ #17955 (câu này) ⚠ hoá đơn hằng ngày từ nhiều nhà cung cấp
⚠ Cùng khoá ⚠ Document Intelligence
⚠ Mẫu chung ⚠ "trích TRƯỜNG từ tài liệu" ⇒ luôn là Document Intelligence

Vì sao đúng

⚠ Đề nêu ba đặc điểm: | Đặc điểm | Document Intelligence | |---|---| | ⚠ Nhiều định dạng: PDF, ảnh, tài liệu quét | ⚠ xử lý được tất cả | | ⚠ Nhiều mẫu hoá đơn khác nhau | ⚠ mô hình prebuilt-invoice linh hoạt | | ⚠ Trích trường cụ thể | ⚠ số hoá đơn, ngày, nhà cung cấp, dòng hàng, tổng tiền |

Vì sao các phương án khác sai

  • C (Azure AI Vision) — ⚠ OCR trả về CHỮ và vị trí: ⚠ ⚠ không hiểu đâu là "số hoá đơn", đâu là "tổng tiền"; ⚠ bạn phải tự viết logic ghép trường cho từng mẫu hoá đơn.

  • A (Azure AI Language) — ⚠ xử lý VĂN BẢN đã có: ⚠ không đọc được PDF quét hay ảnh.

  • B (Azure AI Speech) — ⚠ xử lý âm thanh.

Ghi nhớ

⚠ Ba dịch vụ dễ lẫn khi xử lý tài liệu: | Dịch vụ | Đầu ra | |---|---| | ⚠ AI Vision (Read OCR) | ⚠ CHỮ + vị trí — không có cấu trúc nghiệp vụ | | ⚠ Document Intelligence | ⚠ CẶP TRƯỜNG-GIÁ TRỊ có nghĩa | | ⚠ AI Language | ⚠ phân tích văn bản đã có: thực thể, cảm xúc |

Từ khoá nhận diện:

"trích trường từ hoá đơn, biểu mẫu" → ⚠ Document Intelligence "chỉ cần lấy chữ ra" → ⚠ Read OCR "phân tích ý nghĩa văn bản" → ⚠ AI Language "biểu mẫu riêng của công ty" → ⚠ custom model

⚠ Mô hình prebuilt-invoice trích gì Trường
⚠ InvoiceId, InvoiceDate, DueDate
⚠ VendorName, VendorAddress
⚠ CustomerName, CustomerAddress
⚠ SubTotal, TotalTax, InvoiceTotal
⚠ Items ⚠ từng DÒNG HÀNG: mô tả, số lượng, đơn giá, thành tiền
⚠ Đề cần ⚠ cả Items — prebuilt model có sẵn
⚠ Xử lý hoá đơn tự động — quy trình Quy trình
⚠ Nhận hoá đơn (email, quét, tải lên)
⚠ Document Intelligence trích trường
⚠ ĐỐI CHIẾU với đơn đặt hàng ⚠ kiểm tra khớp số tiền
⚠ Confidence cao và khớp → tự động duyệt
⚠ Còn lại → người xử lý
⚠ Lợi ích ⚠ tự động hoá phần lớn, người chỉ xử lý ngoại lệ
⚠ Kiểm soát rủi ro trong tự động hoá kế toán Kiểm soát
⚠ Ngưỡng confidence CAO cho trường số tiền
⚠ Đối chiếu với đơn hàng và hợp đồng
⚠ Giới hạn số tiền được tự động duyệt
⚠ Giữ ảnh gốc để đối chiếu
⚠ Nguyên tắc ⚠ tự động hoá phải kèm cơ chế phát hiện sai sót

Ba việc kiểm chứng: | Việc | Cách | |---|---| | Prebuilt model có nhận đúng các mẫu hoá đơn của bạn không | ⚠ thử với mẫu thật | | Ngưỡng confidence cho trường tiền là bao nhiêu | | | Có đối chiếu với đơn hàng không | |

Và nguyên tắc bắt buộc khi tự động hoá quy trình liên quan tới tiền: luôn có một phép đối chiếu độc lập. Trích xuất chính xác 99% nghe rất tốt, cho tới khi 1% còn lại là một hoá đơn có thêm một số 0.

Câu 42
A healthcare company wants to develop a machine learning solution that analyzes patient medical images to determine whether a lung scan shows one of four conditions: healthy tissue, bacterial pneumonia, viral pneumonia, or tuberculosis. Which type of machine learning workload does this scenario represent?
  1. A Multiclass classification
  2. B Binary classification
  3. C Regression
  4. D Clustering
Xem giải thích

Đáp án

A — Multiclass classification (phân loại nhiều lớp).

Vì sao đúng

⚠ Đếm số lớp là ra đáp án: | Lớp | Số lượng | |---|---| | ⚠ Mô lành | | | ⚠ Viêm phổi do vi khuẩn | | | ⚠ Viêm phổi do virus | | | ⚠ Lao phổi | | | ⚠ Tổng | ⚠ BỐN lớp, mỗi ảnh thuộc MỘT lớp |

⚠ Hai lớp → ⚠ binary classification
⚠ Ba lớp trở lên, chọn MỘT → ⚠ multiclass
⚠ Nhiều lớp, chọn NHIỀU → ⚠ multilabel
        ↓
⚠ Đề có bốn lớp, mỗi ảnh một chẩn đoán
        ↓
⚠ MULTICLASS

Vì sao các phương án khác sai

  • B (binary classification) — ⚠ chỉ HAI lớp: ⚠ ví dụ "có bệnh / không bệnh"; ⚠ đề có bốn.

  • C (regression) — ⚠ dự đoán CON SỐ: ⚠ đề dự đoán tình trạng bệnh.

  • D (clustering) — ⚠ KHÔNG có nhãn sẵn: ⚠ đề đã có bốn nhãn xác định.

Ghi nhớ

⚠ Ba biến thể phân loại — bảng phải thuộc: | Loại | Số lớp | Mỗi mẫu | |---|---|---| | ⚠ Binary | ⚠ 2 | ⚠ một trong hai | | ⚠ Multiclass | ⚠ 3+ | ⚠ đúng MỘT lớp — đề này | | ⚠ Multilabel | ⚠ 3+ | ⚠ có thể NHIỀU lớp cùng lúc |

Từ khoá nhận diện:

"một trong N tình trạng" → ⚠ multiclass "có hoặc không" → ⚠ binary "có thể mắc nhiều bệnh cùng lúc" → ⚠ multilabel "tự tìm nhóm" → ⚠ clustering

⚠ Lưu ý y tế: bệnh nhân có thể mắc NHIỀU bệnh Lưu ý
⚠ Đề giả định mỗi ảnh MỘT chẩn đoán
⚠ Thực tế: có thể vừa viêm phổi vừa có tổn thương khác
⚠ Khi đó cần MULTILABEL, không phải multiclass
⚠ Thiết kế bài toán ⚠ phải hỏi bác sĩ trước, không tự giả định
⚠ Chỉ số cho bài toán multiclass y tế Chỉ số
⚠ Ma trận nhầm lẫn ⚠ quan trọng nhất — nhầm lớp nào với lớp nào
⚠ Precision/Recall theo TỪNG lớp
⚠ Macro-average so với weighted-average ⚠ macro coi mọi lớp ngang nhau
⚠ Với y tế ⚠ nhầm "lao" thành "lành" nguy hiểm hơn nhầm hai loại viêm phổi với nhau
⚠ Vì vậy ⚠ cần MA TRẬN CHI PHÍ, không chỉ độ chính xác
⚠ Thách thức dữ liệu ảnh y tế Thách thức
⚠ Dữ liệu có nhãn RẤT HIẾM và đắt ⚠ cần bác sĩ gán nhãn
⚠ Mất cân bằng lớp nặng ⚠ bệnh hiếm có rất ít ảnh
⚠ Nhãn có thể không thống nhất giữa các bác sĩ
⚠ Khác biệt giữa các thiết bị chụp
⚠ Giải pháp ⚠ transfer learning, tăng cường dữ liệu, nhiều bác sĩ gán nhãn
⚠ Nguyên tắc triển khai AI chẩn đoán Nguyên tắc
⚠ AI GỢI Ý, bác sĩ QUYẾT ĐỊNH
⚠ Hiển thị mức độ tin cậy
⚠ Tô sáng vùng ảnh mô hình chú ý
⚠ Ghi log mọi gợi ý và quyết định
⚠ Xem thêm ⚠ #17917 và #17918 cùng lô về an toàn và trách nhiệm

Ba việc kiểm chứng: | Việc | Cách | |---|---| | Bệnh nhân có thể mắc nhiều bệnh cùng lúc không | ⚠ quyết định multiclass hay multilabel | | Ma trận nhầm lẫn cho thấy nhầm lẫn nguy hiểm nào | | | Dữ liệu có đủ cho lớp hiếm không | |

Và điều một ma trận nhầm lẫn nói cho bạn mà độ chính xác tổng thể không bao giờ nói: mô hình đang nhầm lớp nào với lớp nào. Trong y tế, hai nhầm lẫn có cùng tần suất có thể có hậu quả khác nhau một trời một vực.

Câu 43
A customer service manager wants to implement an AI solution that can automatically analyze incoming customer emails to determine whether they contain complaints, product inquiries, or general feedback. The solution should route each email to the appropriate department based on this analysis. Which type of natural language processing workload does this scenario describe?
  1. A Entity recognition
  2. B Key phrase extraction
  3. C Text classification
  4. D Sentiment analysis
Xem giải thích

Đáp án

C — Text classification (phân loại văn bản).

Vì sao đúng

⚠ Đề cần gán mỗi email vào MỘT trong ba loại định sẵn: | Loại | Định tuyến tới | |---|---| | ⚠ Khiếu nại | ⚠ bộ phận chăm sóc khách hàng | | ⚠ Hỏi về sản phẩm | ⚠ bộ phận kinh doanh | | ⚠ Góp ý chung | ⚠ bộ phận phát triển sản phẩm |

⚠ Email đến
        ↓ ⚠ Text classification
⚠ Gán MỘT nhãn trong ba nhãn ĐỊNH SẴN
        ↓
⚠ Định tuyến tự động

⚠ Đây là multiclass classification — ⚠ nhãn đã biết trước, mỗi email một nhãn.

Vì sao các phương án khác sai

  • D (sentiment analysis) — ⚠ cho biết THÁI ĐỘ tích cực hay tiêu cực: ⚠ một email khiếu nại và một email hỏi hàng đều có thể mang giọng trung tính; ⚠ không phân biệt được LOẠI yêu cầu.

  • A (entity recognition) — ⚠ trích tên riêng, ngày, sản phẩm: ⚠ là thông tin bổ trợ, không phân loại email.

  • B (key phrase extraction) — ⚠ tìm chủ đề chung: ⚠ không gán nhãn định sẵn.

Ghi nhớ

⚠ Bốn tính năng NLP cơ bản — phân biệt theo ĐẦU RA: | Tính năng | Đầu ra | |---|---| | ⚠ Text classification | ⚠ NHÃN từ tập định sẵn | | ⚠ Sentiment analysis | ⚠ tích cực / tiêu cực / trung tính | | ⚠ Entity recognition | ⚠ thực thể + loại | | ⚠ Key phrase extraction | ⚠ cụm từ quan trọng |

Từ khoá nhận diện:

"định tuyến, phân loại vào N nhóm định sẵn" → ⚠ text classification "hài lòng hay không" → ⚠ sentiment analysis "trích tên, ngày, số" → ⚠ NER "chủ đề chung là gì" → ⚠ key phrase extraction

⚠ Custom text classification trong Azure AI Language Chi tiết
⚠ Tự định nghĩa nhãn của riêng bạn
⚠ Huấn luyện bằng văn bản đã gán nhãn
⚠ Single-label: mỗi văn bản một nhãn ⚠ đề này
⚠ Multi-label: một văn bản nhiều nhãn
⚠ Cần bao nhiêu dữ liệu ⚠ tối thiểu vài chục mẫu mỗi nhãn, càng nhiều càng tốt
⚠ Thiết kế hệ thống định tuyến email Thiết kế
⚠ Mô hình trả về nhãn kèm ĐIỂM TIN CẬY
⚠ Tin cậy cao → định tuyến tự động
⚠ Tin cậy thấp → hàng chờ chung, người phân loại
⚠ Ghi lại khi người sửa nhãn ⚠ dữ liệu quý để huấn luyện lại
⚠ Sai lầm ⚠ định tuyến mọi email tự động, kể cả khi mô hình không chắc
⚠ Kết hợp nhiều tính năng để tăng giá trị Kết hợp
⚠ Classification: loại yêu cầu
⚠ Sentiment: mức độ bức xúc ⚠ ưu tiên xử lý email giận dữ
⚠ NER: trích mã đơn hàng ⚠ tra cứu sẵn cho nhân viên
⚠ Kết quả ⚠ email tới đúng người, kèm ngữ cảnh, đúng thứ tự ưu tiên

Ba việc kiểm chứng: | Việc | Cách | |---|---| | Độ chính xác phân loại là bao nhiêu | ⚠ đo trên email thật | | Email không chắc chắn đi đâu | | | Có ghi lại khi người sửa nhãn không | |

Và cách một hệ thống định tuyến tự động dần trở nên tốt hơn: ghi lại mọi lần con người sửa lại nhãn của máy. Đó chính là tập dữ liệu huấn luyện quý nhất mà bạn không phải trả tiền để tạo ra.

Câu 44
You are developing a machine learning model to predict customer churn for a telecommunications company. You have a dataset of 10,000 customer records with historical information. After building your initial model using 7,000 records, you notice it achieves 98% accuracy on those same 7,000 records but only 65% accuracy on the remaining 3,000 records. What does this scenario indicate about your model?
  1. A The model is overfitting because it performs significantly better on the training data than on the validation data, indicating it has memorized patterns specific to the training set rather than learning generalizable patterns.
  2. B The model is performing optimally because the 7,000 records used for training should always show higher accuracy than unused data, and this accuracy difference is expected and acceptable.
  3. C The model needs more training data, so you should combine all 10,000 records for training and use the same data for validation to achieve 98% accuracy across the entire dataset.
  4. D The validation dataset of 3,000 records is too small and should be increased to at least 8,000 records to get an accurate assessment of model performance.
Xem giải thích

Đáp án

A — Mô hình đang QUÁ KHỚP, vì nó cho kết quả tốt hơn hẳn trên dữ liệu huấn luyện so với dữ liệu kiểm định, chứng tỏ nó đã học thuộc các mẫu thay vì học quy luật tổng quát.

Ghi nhớ về chất lượng câu hỏi

⚠ Câu này GẦN TRÙNG với #17922 ở lô trước — cùng kịch bản, cùng con số.

Câu Diễn đạt
⚠ #17922 (lô 161) ⚠ 10.000 bản ghi, 7.000 huấn luyện, "tệ hơn hẳn trên dữ liệu mới"
⚠ #17958 (câu này) ⚠ cùng bộ số, nêu rõ 98% và 65%
⚠ Cùng khoá ⚠ quá khớp (overfitting)

Vì sao đúng

⚠ Khoảng cách 98% và 65% là dấu hiệu kinh điển:

⚠ Train: 98%
⚠ Validation: 65%
        ↓ ⚠ chênh 33 điểm
⚠ Mô hình HỌC THUỘC dữ liệu huấn luyện
   ⚠ nhớ cả nhiễu, cả trường hợp cá biệt
        ↓
⚠ Không có quy luật chung để áp dụng

Vì sao các phương án khác sai

  • B (mô hình đang hoạt động tối ưu vì train luôn cao hơn validation) — ⚠ đúng một nửa, kết luận SAI: ⚠ train thường cao hơn một chút, ⚠ nhưng chênh 33 điểm là bất thường.

  • C (gộp cả 10.000 để huấn luyện và dùng chính nó để kiểm định) — ⚠ SAI NGHIÊM TRỌNG: ⚠ kiểm định trên dữ liệu đã huấn luyện là ⚠ tự lừa mình — con số 98% trở nên vô nghĩa.

  • D (tập kiểm định 3.000 quá nhỏ, cần tăng lên 8.000) — ⚠ 3.000 bản ghi là ĐỦ lớn: ⚠ và ⚠ tăng validation nghĩa là giảm training — làm quá khớp tệ hơn.

Ghi nhớ

⚠ Chẩn đoán từ khoảng cách train-validation: | Chênh lệch | Kết luận | |---|---| | ⚠ Nhỏ (dưới 5 điểm), cả hai cao | ⚠ tốt | | ⚠ LỚN, train cao | ⚠ QUÁ KHỚP | | ⚠ Nhỏ, cả hai THẤP | ⚠ CHƯA KHỚP | | ⚠ Validation CAO hơn train | ⚠ bất thường — kiểm tra cách chia dữ liệu |

Từ khoá nhận diện:

"98% train, 65% validation" → ⚠ quá khớp "tệ trên cả hai" → ⚠ chưa khớp "kiểm định trên chính dữ liệu huấn luyện" → ⚠ LUÔN SAI

⚠ Cách chữa quá khớp — theo thứ tự nên thử Thứ tự
⚠ 1. THÊM dữ liệu ⚠ hiệu quả nhất
⚠ 2. Regularization L1/L2
⚠ 3. Early stopping
⚠ 4. Giảm độ phức tạp mô hình
⚠ 5. Bớt đặc trưng thừa
⚠ 6. Cross-validation để đánh giá đáng tin hơn
⚠ Vì sao KHÔNG được kiểm định trên dữ liệu huấn luyện Lý do
⚠ Mô hình đã "thấy" dữ liệu đó
⚠ Con số thu được là trí nhớ, không phải năng lực
⚠ Không phát hiện được quá khớp
⚠ Đây là ⚠ sai lầm cơ bản nhất trong học máy
⚠ Chia dữ liệu chuẩn Chia
⚠ Train ~70% ⚠ huấn luyện
⚠ Validation ~15% ⚠ chỉnh siêu tham số
⚠ Test ~15% ⚠ đánh giá cuối, dùng MỘT LẦN
⚠ Với dữ liệu thời gian ⚠ chia theo THỜI GIAN, không chia ngẫu nhiên

Ba việc kiểm chứng: | Việc | Cách | |---|---| | Khoảng cách train-validation là bao nhiêu | | | Có kiểm định trên dữ liệu đã huấn luyện không | ⚠ tuyệt đối không | | Dữ liệu có yếu tố thời gian không | ⚠ thì phải chia theo thời gian |

Và sai lầm dễ mắc nhất khi dữ liệu có yếu tố thời gian: chia ngẫu nhiên. Mô hình khi đó được học từ tương lai để dự đoán quá khứ, và con số đẹp trên bàn thử nghiệm sẽ không bao giờ lặp lại trong thực tế.

Câu 45
A retail company's data science team needs to train multiple machine learning models to predict customer purchasing patterns. The team requires an environment where they can write Python code, experiment with different algorithms, and collaborate on notebooks. They also need managed compute resources that can scale up for intensive model training and scale down when idle to minimize costs. Which Azure service best meets these requirements?
  1. A Azure SQL Database
  2. B Azure Machine Learning compute instances
  3. C Azure Cognitive Services
  4. D Azure Databricks
Xem giải thích

Đáp án

B — Azure Machine Learning compute instances.

Ghi nhớ về chất lượng câu hỏi

⚠ Câu này gần với #17921 ở lô trước nhưng hỏi cụ thể hơn.

Câu Hỏi gì Khoá
⚠ #17921 (lô 161) ⚠ DỊCH VỤ nào cho nền tảng ML ⚠ Azure Machine Learning
⚠ #17959 (câu này) ⚠ THÀNH PHẦN nào cho notebook và tính toán ⚠ compute instance
⚠ Bổ sung nhau ⚠ một câu hỏi dịch vụ, một câu hỏi thành phần

Vì sao đúng

⚠ Compute instance là máy phát triển được quản trong Azure ML: | Đề cần | Compute instance | |---|---| | ⚠ Viết mã Python | ⚠ Jupyter, JupyterLab, VS Code tích hợp | | ⚠ Thử nghiệm nhiều thuật toán | ⚠ môi trường đầy đủ thư viện ML | | ⚠ Cộng tác trên notebook | ⚠ notebook lưu trong workspace, chia sẻ được | | ⚠ Tài nguyên co giãn cho việc nặng | ⚠ gửi job sang compute CLUSTER |

⚠ Compute INSTANCE
   ⚠ máy CÁ NHÂN để phát triển
   ⚠ notebook, gỡ lỗi, thử nhanh

⚠ Compute CLUSTER
   ⚠ cụm CO GIÃN cho huấn luyện nặng
   ⚠ tự thu về 0 khi rảnh

Vì sao các phương án khác sai

  • D (Azure Databricks) — ⚠ cũng có notebook và cộng tác: ⚠ nhưng ⚠ thiên về Spark và dữ liệu lớn; ⚠ đề nhấn nền tảng ML với thuật toán dựng sẵn.

  • C (Azure Cognitive Services) — ⚠ API AI DỰNG SẴN: ⚠ không phải môi trường tự huấn luyện mô hình.

  • A (Azure SQL Database) — ⚠ cơ sở dữ liệu, không phải môi trường ML.

Ghi nhớ

⚠ Hai loại compute trong Azure ML — bảng phải thuộc: | Loại | Dùng cho | Tự tắt | |---|---|---| | ⚠ Compute instance | ⚠ phát triển, notebook — MỘT người | ⚠ có lịch tắt tự động | | ⚠ Compute cluster | ⚠ huấn luyện, chấm điểm hàng loạt | ⚠ tự thu về 0 node | | ⚠ Inference cluster (AKS) | ⚠ phục vụ dự đoán real-time | | | ⚠ Attached compute | ⚠ gắn Databricks, HDInsight, VM có sẵn | |

Từ khoá nhận diện:

"notebook, phát triển, thử nghiệm" → ⚠ compute instance "huấn luyện nặng, co giãn" → ⚠ compute cluster "phục vụ dự đoán" → ⚠ managed endpoint "Spark, dữ liệu rất lớn" → ⚠ Databricks

⚠ Tiết kiệm chi phí compute Tiết kiệm
⚠ Đặt LỊCH tắt compute instance ⚠ quên tắt là tính tiền cả đêm
⚠ Compute cluster: min node = 0
⚠ Dùng máy nhỏ cho phát triển, máy lớn cho huấn luyện
⚠ Dùng Spot VM cho job chịu được gián đoạn
⚠ Lãng phí phổ biến nhất ⚠ compute instance chạy suốt cuối tuần
⚠ Azure ML so với Databricks So sánh
⚠ Azure ML: vòng đời mô hình, MLOps, registry, endpoint
⚠ Databricks: xử lý dữ liệu lớn bằng Spark, Delta Lake
⚠ Databricks cũng có MLflow
⚠ Thực tế ⚠ nhiều tổ chức dùng cả hai: Databricks chuẩn bị dữ liệu, Azure ML quản mô hình
⚠ Azure ML có thể ⚠ GẮN Databricks làm compute
⚠ Cộng tác trong Azure ML workspace Cộng tác
⚠ Notebook lưu trong workspace, không lưu trên máy cá nhân
⚠ Data asset và model có phiên bản
⚠ Experiment ghi lại mọi lần chạy
⚠ Phân quyền bằng Azure RBAC
⚠ Lợi ích ⚠ người mới vào đội thấy được toàn bộ lịch sử thử nghiệm

Ba việc kiểm chứng: | Việc | Cách | |---|---| | Compute instance có lịch tắt tự động chưa | | | Cluster có min node = 0 không | | | Notebook có lưu trong workspace không | ⚠ hay chỉ trên máy cá nhân |

Và khoản chi phí lãng phí phổ biến nhất trong các dự án học máy trên đám mây: một máy phát triển được bật lên và không ai nhớ tắt. Một lịch tắt tự động lúc 19 giờ giải quyết được toàn bộ vấn đề đó.

Câu 46
A retail company wants to automatically organize their product images stored in Azure Blob Storage. They need to identify whether each image contains clothing, electronics, or furniture, and also extract any text visible on product labels or packaging. Which Azure AI Vision capability should they primarily use to accomplish both tasks?
  1. A Image Analysis with tagging and Optical Character Recognition (OCR)
  2. B Face detection and Custom Vision classification
  3. C Spatial Analysis and Form Recognizer
  4. D Video analysis and Content Moderator
Xem giải thích

Đáp án

A — Image Analysis với tagging và Optical Character Recognition (OCR).

Vì sao đúng

⚠ Đề cần HAI việc, phương án A đáp ứng cả hai: | Việc | Năng lực | |---|---| | ⚠ Nhận ra ảnh chứa quần áo, đồ điện tử hay nội thất | ⚠ Image Analysis — tagging | | ⚠ Trích chữ trên nhãn và bao bì | ⚠ OCR (Read) |

⚠ Ảnh sản phẩm
        ↓ ⚠ Image Analysis
⚠ Tags: ["clothing", "shirt", "blue"]
        ↓ ⚠ OCR
⚠ Text: "100% Cotton, Size M, Made in Vietnam"
        ↓
⚠ Tổ chức và tìm kiếm được ảnh

⚠ Cả hai đều nằm trong Azure AI Vision — ⚠ gọi được trong cùng một lần phân tích.

Vì sao các phương án khác sai

  • B (face detection và Custom Vision classification) — ⚠ face detection lạc đề: ⚠ sản phẩm không có mặt người; ⚠ và Custom Vision đòi tự huấn luyện trong khi tag dựng sẵn đã đủ.

  • C (Spatial Analysis và Form Recognizer) — ⚠ Spatial Analysis phân tích chuyển động người trong không gian: ⚠ dùng cho camera cửa hàng; ⚠ Form Recognizer cho biểu mẫu, không cho ảnh sản phẩm.

  • D (video analysis và Content Moderator) — ⚠ video và kiểm duyệt: ⚠ đề là ảnh tĩnh và phân loại sản phẩm.

Ghi nhớ

⚠ Azure AI Vision — Image Analysis trả về gì: | Tính năng | Nội dung | |---|---| | ⚠ Tags | ⚠ nhãn nội dung: "clothing", "furniture" | | ⚠ Caption / Dense Captions | ⚠ mô tả ảnh bằng câu | | ⚠ Objects | ⚠ đối tượng + bounding box | | ⚠ Read (OCR) | ⚠ chữ in và viết tay | | ⚠ People | ⚠ phát hiện người | | ⚠ Smart Crops | ⚠ thumbnail giữ vùng quan trọng |

Từ khoá nhận diện:

"gắn nhãn nội dung ảnh + đọc chữ" → ⚠ Image Analysis tagging + OCR "nhãn RIÊNG của công ty" → ⚠ Custom Vision "trích trường từ biểu mẫu" → ⚠ Document Intelligence "phân tích người trong không gian" → ⚠ Spatial Analysis

⚠ Dựng sẵn so với Custom Vision So sánh
⚠ Image Analysis (dựng sẵn) ⚠ hàng nghìn tag chung, dùng ngay
⚠ Custom Vision ⚠ nhãn riêng, phải huấn luyện
⚠ Với "quần áo / điện tử / nội thất" ⚠ tag dựng sẵn thường ĐỦ
⚠ Cần Custom Vision khi ⚠ phân loại theo danh mục nội bộ đặc thù
⚠ Nguyên tắc ⚠ THỬ dựng sẵn trước, chỉ huấn luyện riêng khi không đủ
⚠ Ứng dụng thực tế của kết hợp tag + OCR Ứng dụng
⚠ Tự động gắn thẻ ảnh trong thư viện
⚠ Tìm kiếm ảnh bằng từ khoá
⚠ Trích thông số từ bao bì để điền catalog
⚠ Kiểm tra ảnh có đúng sản phẩm không
⚠ Kết hợp với AI Search ⚠ tạo được tìm kiếm ảnh toàn văn
⚠ Lưu ý khi dùng OCR trên ảnh sản phẩm Lưu ý
⚠ Chữ trên bao bì thường cong, nghiêng, nhiều màu
⚠ Read model xử lý tốt hơn OCR cũ
⚠ Ảnh chất lượng thấp giảm độ chính xác nhiều
⚠ Trả về confidence cho từng dòng

Ba việc kiểm chứng: | Việc | Cách | |---|---| | Tag dựng sẵn có đủ chi tiết không | ⚠ thử với ảnh thật | | OCR đọc được chữ trên bao bì không | | | Có cần Custom Vision không | ⚠ chỉ khi dựng sẵn không đủ |

Và thói quen tiết kiệm rất nhiều công sức khi làm việc với thị giác máy tính: luôn thử mô hình dựng sẵn trước. Rất nhiều dự án đầu tư hàng tuần huấn luyện mô hình riêng cho việc mà API có sẵn đã làm tốt.

Câu 47
A multinational company needs to translate their product documentation from English into 15 different languages. The documentation is updated weekly, and the company wants to maintain consistent terminology across all translations, especially for technical product names and specifications. Which Azure AI service feature would best meet these requirements?
  1. A Azure AI Speech service with speech-to-text capabilities
  2. B Azure AI Language service with sentiment analysis
  3. C Azure OpenAI Service with GPT-4 for general text generation
  4. D Azure AI Translator with Custom Translator to create a domain-specific translation model
Xem giải thích

Đáp án

D — Azure AI Translator với Custom Translator để tạo mô hình dịch riêng cho lĩnh vực.

Ghi nhớ về chất lượng câu hỏi

⚠ Câu này GẦN TRÙNG với #17943 ở lô trước nhưng khoá KHÁC.

Câu Yêu cầu Khoá
⚠ #17943 (lô 161) ⚠ giữ nhất quán TÊN SẢN PHẨM và thuật ngữ thương hiệu ⚠ custom glossary
⚠ #17961 (câu này) ⚠ tài liệu KỸ THUẬT, 15 ngôn ngữ, cập nhật hằng tuần ⚠ Custom Translator
⚠ Không mâu thuẫn ⚠ glossary cho MỘT SỐ THUẬT NGỮ; Custom Translator cho CẢ VĂN PHONG chuyên ngành

⚠ Cách nhớ: ⚠ chỉ cần cố định vài từ → glossary; ⚠ cần mô hình hiểu cả lĩnh vực → Custom Translator.

Vì sao đúng

⚠ Custom Translator huấn luyện mô hình dịch riêng: | Đầu vào | Nội dung | |---|---| | ⚠ Cặp câu song ngữ đã dịch trước đây | ⚠ tài liệu cũ của công ty | | ⚠ Từ điển thuật ngữ | | | ⚠ Kết quả | ⚠ mô hình dịch hiểu văn phong và thuật ngữ của NGÀNH bạn |

⚠ Tài liệu kỹ thuật, 15 ngôn ngữ,
   cập nhật HẰNG TUẦN
        ↓
⚠ Cần nhất quán LÂU DÀI, ở quy mô lớn
        ↓
⚠ Custom Translator: đầu tư một lần,
   dùng mãi cho mọi bản cập nhật

Vì sao các phương án khác sai

  • C (Azure OpenAI với GPT-4 để sinh văn bản chung) — ⚠ dịch được nhưng KHÔNG nhất quán: ⚠ mỗi lần gọi có thể ra thuật ngữ khác; ⚠ và đắt hơn nhiều cho 15 ngôn ngữ cập nhật hằng tuần.

  • B (AI Language với sentiment analysis) — ⚠ phân tích cảm xúc, không dịch.

  • A (AI Speech với speech-to-text) — ⚠ xử lý âm thanh, đề là tài liệu văn bản.

Ghi nhớ

⚠ Ba mức tuỳ chỉnh dịch thuật — bảng phải thuộc: | Mức | Nội dung | Công sức | |---|---|---| | ⚠ Không tuỳ chỉnh | ⚠ Translator mặc định | ⚠ không | | ⚠ Glossary / Dictionary | ⚠ cố định một số từ | ⚠ thấp — file danh sách | | ⚠ Custom Translator | ⚠ huấn luyện mô hình riêng | ⚠ cao — cần dữ liệu song ngữ |

Từ khoá nhận diện:

"cố định tên riêng, vài thuật ngữ" → ⚠ glossary "văn phong chuyên ngành, khối lượng lớn, lâu dài" → ⚠ Custom Translator "dịch nhanh, không yêu cầu đặc biệt" → ⚠ Translator mặc định "dịch giọng nói" → ⚠ Speech Translation

⚠ Custom Translator cần gì Cần
⚠ Tối thiểu 10.000 cặp câu song ngữ ⚠ để huấn luyện có ý nghĩa
⚠ Chất lượng bản dịch cũ phải TỐT ⚠ rác vào thì rác ra
⚠ Huấn luyện riêng cho TỪNG cặp ngôn ngữ ⚠ 15 ngôn ngữ = 15 mô hình
⚠ Đánh giá bằng điểm BLEU
⚠ Cân nhắc ⚠ 15 mô hình là khối lượng công việc đáng kể
⚠ Chiến lược thực tế cho 15 ngôn ngữ Chiến lược
⚠ Bắt đầu bằng glossary cho MỌI ngôn ngữ ⚠ rẻ, nhanh, hiệu quả ngay
⚠ Custom Translator cho các ngôn ngữ QUAN TRỌNG NHẤT
⚠ Đo chất lượng, mở rộng dần
⚠ Đừng ⚠ huấn luyện 15 mô hình cùng lúc ngay từ đầu
⚠ Vì sao mô hình sinh ngữ kém nhất quán khi dịch Lý do
⚠ Bản chất là sinh ngẫu nhiên có kiểm soát
⚠ Cùng câu, hai lần gọi có thể ra hai bản dịch
⚠ Không có cơ chế ép thuật ngữ như glossary
⚠ Với tài liệu kỹ thuật ⚠ nhất quán quan trọng hơn "hay"

Ba việc kiểm chứng: | Việc | Cách | |---|---| | Có đủ dữ liệu song ngữ để huấn luyện không | | | Đã thử glossary trước chưa | ⚠ rẻ hơn nhiều | | Có người bản ngữ rà soát mẫu không | |

Và cách tiếp cận thực dụng khi cần dịch chuyên ngành ra nhiều ngôn ngữ: bắt đầu bằng từ điển thuật ngữ cho tất cả, rồi đầu tư mô hình riêng cho vài ngôn ngữ quan trọng nhất. Không cần hoàn hảo ở mọi nơi ngay từ đầu.

Câu 48
A retail company wants to implement an AI solution that can automatically analyze customer product reviews written in multiple languages and determine whether each review expresses a positive, negative, or neutral sentiment about their products. Which Azure AI Language feature should they use?
  1. A Language detection
  2. B Key phrase extraction
  3. C Named entity recognition
  4. D Sentiment analysis
Xem giải thích

Đáp án

D — Sentiment analysis.

Ghi nhớ về chất lượng câu hỏi

⚠ Đây là câu THỨ TƯ về sentiment analysis trong hai lô liên tiếp.

Câu Điểm nhấn
⚠ #17923 (lô 161) ⚠ loại workload nào
⚠ #17938 (lô 161) ⚠ dịch vụ nào cho đánh giá sản phẩm
⚠ #17940 (lô 161) ⚠ đa ngôn ngữ, email hỗ trợ
⚠ #17962 (câu này) ⚠ đa ngôn ngữ, đánh giá sản phẩm
⚠ Cùng khoá ⚠ sentiment analysis

Vì sao đúng

⚠ Đề nêu hai yêu cầu: | Yêu cầu | Sentiment analysis | |---|---| | ⚠ Xác định tích cực, tiêu cực, trung tính | ⚠ đúng ba nhãn chuẩn của tính năng | | ⚠ Đánh giá viết bằng NHIỀU ngôn ngữ | ⚠ mô hình dựng sẵn hỗ trợ đa ngôn ngữ |

Vì sao các phương án khác sai

  • A (language detection) — ⚠ chỉ nhận ra ngôn ngữ: ⚠ là bước bổ trợ hữu ích, ⚠ không đánh giá thái độ.

  • B (key phrase extraction) — ⚠ tìm chủ đề: ⚠ không biết khách hài lòng hay không.

  • C (named entity recognition) — ⚠ trích tên riêng.

Ghi nhớ

⚠ Sentiment analysis — chi tiết cần nhớ: | Chi tiết | Nội dung | |---|---| | ⚠ Trả về ba điểm | ⚠ positive, neutral, negative — tổng bằng 1 | | ⚠ Phân tích ở mức CÂU và mức TÀI LIỆU | | | ⚠ Opinion mining | ⚠ gắn cảm xúc với KHÍA CẠNH | | ⚠ Đa ngôn ngữ sẵn | ⚠ không cần huấn luyện riêng | | ⚠ Nên truyền | ⚠ tham số language nếu đã biết |

Từ khoá nhận diện:

"tích cực, tiêu cực, trung tính" → ⚠ sentiment analysis "khách nói về chủ đề gì" → ⚠ key phrase extraction "khen cái gì, chê cái gì" → ⚠ opinion mining "viết bằng tiếng gì" → ⚠ language detection

⚠ Thiết kế đường ống phân tích đánh giá đa ngôn ngữ Đường ống
⚠ 1. Language detection ⚠ biết ngôn ngữ để truyền tham số
⚠ 2. Sentiment analysis + opinion mining
⚠ 3. Key phrase để nhóm chủ đề
⚠ 4. Tổng hợp theo sản phẩm và ngôn ngữ
⚠ Bước 1 quan trọng ⚠ thiếu thì API mặc định coi là tiếng Anh
⚠ Cảnh giác với chất lượng theo ngôn ngữ Cảnh giác
⚠ Tiếng Anh: chất lượng cao nhất
⚠ Ngôn ngữ ít dữ liệu: kém hơn đáng kể
⚠ Nên đo RIÊNG cho từng thị trường quan trọng
⚠ Sai lầm ⚠ giả định chất lượng đồng đều
⚠ Khi nào cần custom model Khi nào
⚠ Thuật ngữ đặc thù ngành mô hình chung không hiểu
⚠ Nhãn cảm xúc riêng, không phải ba nhãn chuẩn ⚠ ví dụ: bức xúc / thất vọng / hài lòng / phấn khích
⚠ Cái giá ⚠ phải huấn luyện RIÊNG cho từng ngôn ngữ
⚠ Vì vậy ⚠ với yêu cầu đa ngôn ngữ, mô hình dựng sẵn thường là lựa chọn đúng

Ba việc kiểm chứng: | Việc | Cách | |---|---| | Có truyền tham số ngôn ngữ không | | | Đã đo độ chính xác cho từng ngôn ngữ chưa | | | Có dùng opinion mining không | ⚠ giá trị hơn nhiều |

Và điều biến một báo cáo cảm xúc thành công cụ ra quyết định: biết khách không hài lòng VỀ ĐIỀU GÌ. Con số "35% tiêu cực" chỉ gây lo lắng; "35% tiêu cực, phần lớn về thời gian giao hàng" mới dẫn tới hành động.

Câu 49
A healthcare company is developing an AI-powered voice assistant to help patients schedule appointments and access medical information. During testing, the system performs well with younger users but shows significantly lower accuracy when processing speech from elderly patients who speak more slowly or have age-related voice changes. What should the development team prioritize to address this inclusiveness concern?
  1. A Add a disclaimer that the voice assistant works best for users under 65 years of age and recommend elderly patients use alternative booking methods.
  2. B Increase the processing speed of the voice recognition engine to handle slower speech patterns more efficiently.
  3. C Limit the voice assistant functionality to simple yes/no responses to reduce complexity for all users.
  4. D Expand the training dataset to include diverse voice samples from elderly users with various speech patterns, accents, and speaking speeds.
Xem giải thích

Đáp án

D — Mở rộng tập dữ liệu huấn luyện để bao gồm mẫu giọng đa dạng từ người cao tuổi, với nhiều kiểu phát âm, giọng vùng và tốc độ nói khác nhau.

Ghi nhớ về chất lượng câu hỏi

⚠ Câu này GẦN TRÙNG với #17953 ở lô trước.

Câu Nhóm bị ảnh hưởng
⚠ #17953 (lô 161) ⚠ người dùng có giọng ngoài Bắc Mỹ
⚠ #17963 (câu này) ⚠ người CAO TUỔI nói chậm hoặc giọng thay đổi theo tuổi
⚠ Cùng nguyên tắc ⚠ Inclusiveness
⚠ Cùng nguyên nhân gốc ⚠ dữ liệu huấn luyện thiếu đại diện

Vì sao đúng

⚠ Chữa GỐC RỄ chứ không vá triệu chứng:

⚠ Mô hình kém với người cao tuổi
        ↓ ⚠ vì sao
⚠ Dữ liệu huấn luyện thiếu giọng người cao tuổi
        ↓ ⚠ cách chữa
⚠ Bổ sung dữ liệu đa dạng
        ↓
⚠ Huấn luyện lại và ĐO RIÊNG cho nhóm đó

⚠ Trong y tế, người cao tuổi thường là nhóm dùng dịch vụ NHIỀU NHẤT — ⚠ loại trừ họ là loại trừ đúng đối tượng chính.

Vì sao các phương án khác sai

  • A (thêm lưu ý hệ thống hoạt động tốt nhất cho người dưới 65, khuyên người cao tuổi dùng cách khác) — ⚠ CHÍNH THỨC HOÁ sự loại trừ: ⚠ đẩy nhóm yếu thế ra khỏi dịch vụ.

  • B (tăng tốc độ xử lý của bộ nhận diện) — ⚠ hiểu sai vấn đề: ⚠ vấn đề không phải tốc độ xử lý mà là mô hình chưa học được kiểu giọng đó.

  • C (giới hạn chỉ còn trả lời có/không cho mọi người) — ⚠ hạ chất lượng cho TẤT CẢ: ⚠ để né một vấn đề của một nhóm.

Ghi nhớ

⚠ Inclusiveness — cách xử lý đúng: | Bước | Nội dung | |---|---| | ⚠ 1. ĐO riêng cho từng nhóm | ⚠ không thể sửa điều không đo | | ⚠ 2. Tìm nguyên nhân gốc | ⚠ thường là dữ liệu thiếu đại diện | | ⚠ 3. Bổ sung dữ liệu | | | ⚠ 4. Huấn luyện lại và đo lại | | | ⚠ 5. Giám sát liên tục | | | ⚠ KHÔNG BAO GIỜ | ⚠ giải quyết bằng cách loại nhóm đó ra |

Từ khoá nhận diện:

"một nhóm người dùng bị phục vụ kém" → ⚠ Inclusiveness "thêm lưu ý, khuyên dùng cách khác" → ⚠ luôn là phương án SAI "bổ sung dữ liệu đa dạng" → ⚠ thường là phương án ĐÚNG

⚠ Đặc điểm giọng nói người cao tuổi Đặc điểm
⚠ Nói CHẬM hơn
⚠ Ngắt nghỉ nhiều hơn
⚠ Âm lượng và cao độ thay đổi
⚠ Phát âm có thể không rõ ⚠ răng giả, sức khoẻ
⚠ Mô hình huấn luyện trên giọng người trẻ ⚠ không học được các đặc điểm này
⚠ Giải pháp kỹ thuật bổ sung Giải pháp
⚠ Custom Speech với dữ liệu giọng người cao tuổi
⚠ Tăng thời gian chờ im lặng ⚠ không cắt câu khi người nói ngắt nghỉ
⚠ Cho phép nói lại dễ dàng
⚠ LUÔN có đường chuyển sang người thật ⚠ quan trọng nhất trong y tế
⚠ Vì sao đây là vấn đề đạo đức nghiêm túc Lý do
⚠ Người cao tuổi là nhóm cần dịch vụ y tế nhiều nhất
⚠ Họ cũng là nhóm ít có khả năng dùng cách thay thế
⚠ Loại trừ họ là loại trừ đúng đối tượng phục vụ
⚠ Bài học ⚠ kiểm thử phải bao gồm chính nhóm người dùng chủ yếu

Ba việc kiểm chứng: | Việc | Cách | |---|---| | Nhóm thử nghiệm có bao gồm người cao tuổi không | | | Tỉ lệ lỗi có đo riêng theo độ tuổi không | | | Có đường chuyển sang người thật không | |

Và sai sót trong thiết kế sản phẩm mà không công nghệ nào sửa được: đội phát triển chỉ thử nghiệm với chính họ. Một hệ thống y tế được kiểm thử bởi các kỹ sư ba mươi tuổi sẽ hoạt động rất tốt cho các kỹ sư ba mươi tuổi.

Câu 50
A retail company wants to implement a customer analytics solution that can detect when customers enter their store and estimate demographic information to understand their customer base better. They plan to use Azure AI Face service with cameras at the entrance. Which capability of the Azure AI Face service would best meet their requirement to gather demographic insights?
  1. A Face grouping to organize similar faces into clusters based on facial similarity
  2. B Face verification to confirm whether two faces belong to the same person
  3. C Face detection with attribute analysis to return estimated age, gender, and other facial attributes
  4. D Face identification to match detected faces against a database of known customers
Xem giải thích

Đáp án

C — Face detection kèm phân tích thuộc tính để trả về ước lượng tuổi, giới tính và các thuộc tính khuôn mặt khác.

Ghi nhớ về chất lượng câu hỏi

⚠ Các thuộc tính này đã bị Microsoft GỠ BỎ.

Thuộc tính Trạng thái
⚠ Tuổi, giới tính, cảm xúc, tóc, trang điểm ⚠ ĐÃ GỠ từ 2022
⚠ Lý do ⚠ thiên lệch theo chủng tộc; nguy cơ phân biệt đối xử
⚠ Còn lại ⚠ vị trí khuôn mặt, landmark, head pose, blur, occlusion

⚠ KHÔNG sửa khoá — ⚠ vào thời điểm đề soạn, đây là câu trả lời đúng.

⚠ Câu này cũng GẦN TRÙNG với #17929 và #17936 ở lô trước — ⚠ cùng kịch bản cửa hàng bán lẻ dùng camera.

Vì sao đúng (theo bối cảnh đề)

⚠ Phân biệt bốn năng lực của Face: | Năng lực | Việc | Có định danh | |---|---|---| | ⚠ Detection + attributes | ⚠ tìm mặt, trả thuộc tính | ⚠ KHÔNG | | ⚠ Verification | ⚠ hai mặt có cùng người không | ⚠ CÓ | | ⚠ Identification | ⚠ người này là ai | ⚠ CÓ | | ⚠ Grouping | ⚠ gom mặt giống nhau | ⚠ một phần |

⚠ Đề cần ⚠ thông tin nhân khẩu tổng hợp, ⚠ không cần biết từng khách là ai → ⚠ detection.

Vì sao các phương án khác sai

  • D (face identification đối chiếu với CSDL khách hàng đã biết) — ⚠ định danh cá nhân: ⚠ vượt xa nhu cầu "hiểu tệp khách hàng".

  • B (face verification) — ⚠ so hai khuôn mặt: ⚠ không cho thông tin nhân khẩu.

  • A (face grouping) — ⚠ gom nhóm khuôn mặt giống nhau: ⚠ không trả về tuổi hay giới tính.

Ghi nhớ

⚠ Vì sao Microsoft gỡ các thuộc tính suy đoán: | Lý do | Nội dung | |---|---| | ⚠ Ước lượng tuổi và giới tính THIÊN LỆCH theo chủng tộc | | | ⚠ Suy đoán cảm xúc từ khuôn mặt thiếu cơ sở khoa học | | | ⚠ Nguy cơ dùng để phân biệt đối xử | | | ⚠ Nhiều nơi có luật cấm sinh trắc học không đồng thuận | | | ⚠ Bài học chung | ⚠ kỹ thuật làm được không có nghĩa là NÊN làm |

Từ khoá nhận diện:

"thống kê nhân khẩu, không định danh" → ⚠ face detection (nhưng thuộc tính đã bị gỡ) "nhận ra khách quen" → ⚠ identification — cần đăng ký quyền dùng "đếm người vào cửa hàng" → ⚠ object detection — ít xâm phạm hơn nhiều

⚠ Thay thế hợp pháp và ít xâm phạm hơn Thay thế
⚠ Object detection đếm người ⚠ không cần khuôn mặt
⚠ Cảm biến đếm lượt qua cửa
⚠ Khảo sát tự nguyện có thưởng ⚠ dữ liệu chính xác hơn nhiều
⚠ Dữ liệu từ chương trình khách hàng thân thiết ⚠ có đồng thuận rõ ràng
⚠ Với mục tiêu marketing ⚠ các cách này vừa hợp pháp vừa đáng tin hơn
⚠ Nếu vẫn phải dùng camera phân tích khách Nguyên tắc
⚠ Có biển thông báo rõ ràng
⚠ KHÔNG lưu ảnh khuôn mặt
⚠ Chỉ giữ số liệu TỔNG HỢP
⚠ Xử lý tại chỗ nếu được
⚠ Kiểm tra luật địa phương trước
⚠ Azure AI Face — quyền truy cập hạn chế Quyền
⚠ Nhận diện và xác minh cần ĐĂNG KÝ và được duyệt
⚠ Phải mô tả ca dùng cụ thể
⚠ Một số ca dùng bị từ chối
⚠ Đây là ⚠ giới hạn hiếm gặp mà nhà cung cấp tự đặt ra cho sản phẩm của mình

Ba việc kiểm chứng: | Việc | Cách | |---|---| | Tính năng cần dùng còn tồn tại không | ⚠ kiểm tra tài liệu hiện hành | | Có cách nào không cần khuôn mặt không | | | Luật địa phương cho phép không | |

Và tín hiệu đáng chú ý từ việc một hãng lớn tự gỡ bỏ tính năng của mình: ca dùng này cần được cân nhắc lại từ đầu, chứ không chỉ tìm nhà cung cấp khác để thay thế.