Ngân hàng đề — Microsoft Azure AI Fundamentals

Tìm thấy 316 câu.

Câu 51
A marketing team wants to use AI to create unique product descriptions for their e-commerce website. They need the AI system to generate original content based on product specifications they provide. Which feature of generative AI makes this scenario possible?
  1. A The ability to detect objects and extract text from product images
  2. B The ability to create new content based on patterns learned from training data
  3. C The ability to predict numerical values for product pricing
  4. D The ability to classify existing product descriptions into predefined categories
Xem giải thích

Đáp án

B — Khả năng TẠO RA nội dung mới dựa trên các quy luật học được từ dữ liệu huấn luyện.

Ghi nhớ về chất lượng câu hỏi

⚠ Câu này TRÙNG NỘI DUNG với #17937 ở lô trước — gần như y nguyên.

Điểm So sánh
⚠ Cùng kịch bản ⚠ đội marketing tạo mô tả sản phẩm cho website thương mại điện tử
⚠ Cùng câu hỏi ⚠ đặc điểm nào của AI sinh ngữ làm được điều này
⚠ Cùng khoá ⚠ tạo nội dung mới từ quy luật đã học
⚠ Chỉ khác ⚠ vài từ trong ba phương án sai
⚠ MD5 không bắt được ⚠ vì diễn đạt hơi khác

Vì sao đúng

⚠ Cơ chế của mô hình sinh ngữ:

⚠ Huấn luyện trên khối lượng văn bản lớn
        ↓
⚠ Học QUY LUẬT ngôn ngữ và cách diễn đạt
        ↓
⚠ Sinh: dự đoán từ tiếp theo theo quy luật
        ↓
⚠ Kết quả là văn bản MỚI, chưa từng có

⚠ Mô hình TỔNG HỢP lại, không sao chép.

Vì sao các phương án khác sai

  • D (phân loại mô tả có sẵn vào danh mục) — ⚠ classification.

  • A (phát hiện đối tượng và trích chữ từ ảnh) — ⚠ computer vision.

  • C (dự đoán giá trị số cho giá sản phẩm) — ⚠ regression.

Ghi nhớ

⚠ Bốn nhóm năng lực AI — phân biệt nhanh: | Năng lực | Đầu ra | |---|---| | ⚠ Sinh ngữ (Generative) | ⚠ nội dung MỚI | | ⚠ Phân loại | ⚠ nhãn từ tập định sẵn | | ⚠ Hồi quy | ⚠ con số | | ⚠ Thị giác | ⚠ thông tin từ ảnh |

Từ khoá nhận diện:

"tạo ra, viết ra nội dung mới" → ⚠ Generative AI "phân vào danh mục" → ⚠ classification "dự đoán số" → ⚠ regression "đọc chữ, nhận vật thể trong ảnh" → ⚠ computer vision

⚠ Điều khiển đầu ra của mô hình sinh ngữ Tham số
⚠ Temperature ⚠ cao = sáng tạo, thấp = ổn định
⚠ Top-p ⚠ giới hạn tập token được chọn
⚠ Max tokens ⚠ giới hạn độ dài
⚠ System message ⚠ định giọng điệu và vai trò
⚠ Few-shot examples ⚠ cách hiệu quả nhất để giữ phong cách
⚠ Sinh mô tả sản phẩm — thiết kế prompt Thiết kế
⚠ System message: giọng điệu thương hiệu
⚠ Đưa 3-5 mô tả mẫu đã được duyệt
⚠ Truyền thông số dạng có cấu trúc
⚠ Yêu cầu CHỈ dùng thông số được cung cấp ⚠ chống bịa tính năng
⚠ Giới hạn độ dài
⚠ Rủi ro pháp lý khi AI viết mô tả thương mại Rủi ro
⚠ Bịa tính năng sản phẩm không có
⚠ Tuyên bố quá mức về công dụng ⚠ nhất là thực phẩm, mỹ phẩm
⚠ Vi phạm quy định quảng cáo
⚠ Bắt buộc ⚠ có người rà soát, ít nhất với ngành có quy định chặt

Ba việc kiểm chứng: | Việc | Cách | |---|---| | Nội dung có bịa thông số không | ⚠ kiểm tra mẫu ngẫu nhiên | | Giọng điệu có nhất quán không | | | Có quy trình duyệt trước khi đăng không | |

Và trách nhiệm không thay đổi dù nội dung do máy viết: doanh nghiệp vẫn chịu trách nhiệm pháp lý cho mọi câu quảng cáo trên website của mình. Mô hình không phải là bên chịu trách nhiệm.

Câu 52
A retail company wants to develop an AI solution to monitor their warehouse inventory. The solution needs to identify multiple products on shelves, determine the exact location of each product in the image, and count how many units of each product are visible. Which Azure AI service capability would be most appropriate for this scenario?
  1. A Face Detection using Azure AI Face service
  2. B Object Detection using Azure AI Custom Vision
  3. C Optical Character Recognition (OCR) using Azure AI Vision
  4. D Image Classification using Azure AI Custom Vision
Xem giải thích

Đáp án

B — Object Detection dùng Azure AI Custom Vision.

Ghi nhớ về chất lượng câu hỏi

⚠ Đây là câu THỨ BA về object detection để đếm hàng trên kệ trong hai lô.

Câu Bối cảnh
⚠ #17930 (lô 161) ⚠ đếm xe đẩy, phát hiện người trong khu vực hạn chế
⚠ #17952 (lô 161) ⚠ nhận diện sản phẩm trên kệ, ước lượng số lượng
⚠ #17966 (câu này) ⚠ kho hàng: nhận diện, ĐỊNH VỊ CHÍNH XÁC, đếm
⚠ Cùng khoá ⚠ object detection
⚠ Câu này nêu rõ hơn ⚠ "Custom Vision" vì sản phẩm là hàng riêng của công ty

Vì sao đúng

⚠ Đề nêu BA yêu cầu, cả ba đều đòi object detection: | Yêu cầu | Vì sao | |---|---| | ⚠ Nhận diện NHIỀU sản phẩm | ⚠ nhiều đối tượng trong một ảnh | | ⚠ Xác định VỊ TRÍ CHÍNH XÁC | ⚠ cần bounding box | | ⚠ ĐẾM số lượng mỗi loại | ⚠ phải tách được từng món |

⚠ Vì sao Custom Vision: ⚠ sản phẩm trong kho là hàng riêng của công ty — ⚠ mô hình dựng sẵn không biết chúng.

Vì sao các phương án khác sai

  • D (image classification bằng Custom Vision) — ⚠ chỉ MỘT nhãn cho cả ảnh: ⚠ không định vị, không đếm.

  • C (OCR) — ⚠ đọc chữ: ⚠ có thể bổ trợ đọc mã sản phẩm, ⚠ không đếm được.

  • A (Face Detection) — ⚠ khuôn mặt người: ⚠ hoàn toàn không liên quan tới hàng trong kho.

Ghi nhớ

⚠ Classification so với Object detection — khi nào chọn cái nào: | Cần | Loại | |---|---| | ⚠ Một nhãn cho cả ảnh | ⚠ classification | | ⚠ Vị trí đối tượng | ⚠ object detection | | ⚠ Đếm số lượng | ⚠ object detection | | ⚠ Nhiều loại trong một ảnh | ⚠ object detection |

Từ khoá nhận diện:

"định vị, đếm, nhiều đối tượng" → ⚠ object detection "ảnh này thuộc loại nào" → ⚠ classification "đối tượng RIÊNG của công ty" → ⚠ Custom Vision "đối tượng thông dụng" → ⚠ AI Vision Image Analysis

⚠ Chi phí gán nhãn cho object detection Chi phí
⚠ Phải VẼ HỘP quanh từng món trong mỗi ảnh
⚠ Ảnh kho có hàng trăm món ⚠ rất tốn công
⚠ Custom Vision có công cụ gán nhãn tích hợp
⚠ Có gợi ý hộp tự động sau vài vòng huấn luyện ⚠ smart labeler
⚠ Mẹo ⚠ gán nhãn vài chục ảnh, huấn luyện, rồi dùng gợi ý cho phần còn lại
⚠ Thách thức thực tế trong kho hàng Thách thức
⚠ Sản phẩm xếp CHỒNG, che nhau ⚠ chỉ đếm được lớp trước
⚠ Nhiều SKU trông giống nhau
⚠ Ánh sáng kho thường yếu và không đều
⚠ Góc camera cố định
⚠ Vì vậy ⚠ kết quả là ƯỚC LƯỢNG, cần đối chiếu với hệ thống kho
⚠ Kiến trúc triển khai Kiến trúc
⚠ Camera chụp định kỳ ⚠ không cần video liên tục
⚠ Xuất mô hình domain COMPACT ⚠ chạy tại chỗ trên thiết bị biên
⚠ Chỉ gửi kết quả đếm lên đám mây
⚠ Cảnh báo khi dưới ngưỡng tồn kho
⚠ Lợi ích chạy ở biên ⚠ không phụ thuộc mạng kho, tiết kiệm băng thông

Ba việc kiểm chứng: | Việc | Cách | |---|---| | Độ chính xác đếm so với kiểm kê tay | | | Sản phẩm che nhau xử lý thế nào | | | Có đủ ảnh gán nhãn cho mỗi SKU không | ⚠ tối thiểu 15, nên 50+ |

Và điều quyết định khối lượng công việc của một dự án phát hiện đối tượng: số lượng SKU cần nhận diện. Mỗi loại sản phẩm mới là hàng chục ảnh phải gán nhãn thủ công, và con số đó tăng nhanh hơn người ta dự tính.

Câu 53
A development team is building a customer service chatbot and needs a centralized environment to manage their AI project from development through deployment. They want to experiment with different models, track their prompt iterations, evaluate responses, and deploy the best-performing version. Which Azure AI Foundry capability should they primarily use?
  1. A Azure Machine Learning studio to train custom machine learning models from scratch using Python notebooks and deploy them as web services.
  2. B Azure OpenAI Service API endpoints directly without any additional management tools to keep the solution simple.
  3. C Azure Cognitive Services containers to download and run the chatbot models on-premises for better control.
  4. D Azure AI Foundry portal to create a project and use the playground for prompt engineering, evaluation tools for testing, and deployment capabilities for publishing the model.
Xem giải thích

Đáp án

D — Dùng Azure AI Foundry portal để tạo project, sử dụng playground cho kỹ thuật prompt, công cụ evaluation để kiểm thử, và khả năng triển khai.

Vì sao đúng

⚠ Đề cần một môi trường TẬP TRUNG cho toàn bộ vòng đời dự án AI: | Nhu cầu | Thành phần Foundry | |---|---| | ⚠ Thử nghiệm nhiều mô hình | ⚠ model catalog | | ⚠ Theo dõi các lần lặp prompt | ⚠ playground + prompt flow | | ⚠ Đánh giá phản hồi | ⚠ evaluation tools | | ⚠ Triển khai bản tốt nhất | ⚠ deployments |

⚠ Azure AI Foundry project
   ├── ⚠ Model catalog — chọn mô hình
   ├── ⚠ Playground — thử prompt
   ├── ⚠ Prompt flow — dựng luồng RAG
   ├── ⚠ Evaluation — chấm điểm có hệ thống
   ├── ⚠ Content filters — kiểm duyệt
   └── ⚠ Deployments — endpoint

⚠ Điểm mạnh: ⚠ một nơi cho toàn bộ vòng đời, ⚠ không phải ghép nhiều công cụ rời rạc.

Vì sao các phương án khác sai

  • B (gọi thẳng API Azure OpenAI, không dùng công cụ quản lý) — ⚠ "đơn giản" nhưng mất hết: ⚠ không theo dõi được lần lặp, ⚠ không đánh giá có hệ thống, ⚠ không so sánh mô hình.

  • A (Azure ML studio huấn luyện mô hình từ đầu bằng Python) — ⚠ quá sức và sai hướng: ⚠ đề dùng mô hình có sẵn, ⚠ không huấn luyện từ đầu.

  • C (container Cognitive Services chạy tại chỗ) — ⚠ không giải quyết nhu cầu quản lý dự án: ⚠ và mô hình ngôn ngữ lớn không có bản container thông thường.

Ghi nhớ

⚠ Azure AI Foundry — vòng đời dự án AI sinh ngữ: | Giai đoạn | Công cụ | |---|---| | ⚠ Khám phá | ⚠ model catalog — so sánh, xem giấy phép | | ⚠ Thử nghiệm | ⚠ playground | | ⚠ Xây dựng | ⚠ prompt flow | | ⚠ Đánh giá | ⚠ evaluation với bộ dữ liệu kiểm thử | | ⚠ Bảo vệ | ⚠ content filters, Prompt Shields | | ⚠ Triển khai | ⚠ deployment thành endpoint | | ⚠ Giám sát | ⚠ theo dõi chất lượng và chi phí |

Từ khoá nhận diện:

"môi trường tập trung cho dự án AI" → ⚠ Azure AI Foundry portal "so sánh mô hình" → ⚠ model catalog "huấn luyện mô hình ML từ đầu" → ⚠ Azure ML "chạy tại chỗ" → ⚠ container

⚠ Vì sao cần công cụ đánh giá có hệ thống Lý do
⚠ "Thấy có vẻ tốt" KHÔNG phải phương pháp
⚠ Cần bộ câu hỏi kiểm thử cố định
⚠ So sánh được giữa các phiên bản prompt
⚠ Phát hiện khi thay đổi làm mọi thứ tệ đi
⚠ Chỉ số đánh giá ⚠ groundedness, relevance, coherence, fluency, similarity
⚠ Quy trình cải tiến prompt có kỷ luật Quy trình
⚠ 1. Lập bộ câu hỏi kiểm thử với đáp án mong đợi
⚠ 2. Đo baseline
⚠ 3. Sửa prompt
⚠ 4. Chạy lại đánh giá, SO SÁNH
⚠ 5. Giữ nếu tốt hơn, bỏ nếu không
⚠ Không có bước 1 ⚠ mọi cải tiến chỉ là cảm giác
⚠ Content filter — bắt buộc với ứng dụng có người dùng Bắt buộc
⚠ Lọc đầu vào của người dùng
⚠ Lọc đầu ra của mô hình
⚠ Cấu hình ngưỡng theo từng hạng mục
⚠ Prompt Shields chống jailbreak

Ba việc kiểm chứng: | Việc | Cách | |---|---| | Có bộ câu hỏi kiểm thử cố định không | | | Content filter đã bật chưa | | | Có theo dõi chi phí theo từng deployment không | |

Và khác biệt giữa một nguyên mẫu AI và một sản phẩm AI: cái thứ hai có cách đo xem thay đổi hôm nay có làm mọi thứ tốt lên không. Không có bộ đánh giá cố định, mỗi lần sửa prompt là một canh bạc.

Câu 54
A software development company wants to build a chatbot that can answer customer questions about their products using natural language. The chatbot needs to generate human-like responses based on the company's product documentation. Which Azure OpenAI capability should they primarily use for this scenario?
  1. A Whisper models for transcribing customer voice queries
  2. B Embeddings models for calculating similarity between documents
  3. C GPT models for natural language generation and conversation
  4. D DALL-E models for generating product images based on text descriptions
Xem giải thích

Đáp án

C — Mô hình GPT cho sinh ngữ tự nhiên và hội thoại.

Vì sao đúng

⚠ Đề cần chatbot SINH RA câu trả lời giống người: | Nhu cầu | Mô hình | |---|---| | ⚠ Trả lời bằng ngôn ngữ tự nhiên | ⚠ GPT — sinh văn bản | | ⚠ Hội thoại nhiều lượt | ⚠ GPT giữ được ngữ cảnh | | ⚠ Dựa trên tài liệu sản phẩm | ⚠ kết hợp RAG với GPT |

⚠ Câu hỏi khách hàng
        ↓ ⚠ (RAG lấy tài liệu liên quan)
⚠ GPT sinh câu trả lời tự nhiên
        ↓
⚠ Trả lời nghe như người viết

Vì sao các phương án khác sai

  • B (embeddings models) — ⚠ thành phần QUAN TRỌNG của RAG nhưng không sinh câu trả lời: ⚠ embeddings dùng để tìm tài liệu liên quan; ⚠ vẫn cần GPT để viết câu trả lời.

  • A (Whisper) — ⚠ chuyển GIỌNG NÓI thành chữ: ⚠ đề là chatbot văn bản.

  • D (DALL·E) — ⚠ sinh ẢNH từ mô tả: ⚠ không sinh văn bản.

Ghi nhớ

⚠ Các họ mô hình trong Azure OpenAI — bảng phải thuộc: | Họ | Việc | |---|---| | ⚠ GPT (GPT-4, GPT-4o…) | ⚠ sinh văn bản, hội thoại, tóm tắt, dịch | | ⚠ Embeddings | ⚠ biến văn bản thành VECTOR để tìm kiếm ngữ nghĩa | | ⚠ DALL·E | ⚠ sinh ẢNH từ mô tả | | ⚠ Whisper | ⚠ giọng nói → văn bản | | ⚠ Text-to-speech | ⚠ văn bản → giọng nói |

Từ khoá nhận diện:

"sinh câu trả lời, hội thoại" → ⚠ GPT "tìm tài liệu tương tự" → ⚠ embeddings "tạo ảnh" → ⚠ DALL·E "phiên âm giọng nói" → ⚠ Whisper

⚠ Embeddings và GPT làm việc CÙNG NHAU trong RAG Vai trò
⚠ Embeddings: biến câu hỏi và tài liệu thành vector
⚠ So sánh vector để tìm đoạn liên quan
⚠ GPT: đọc đoạn đó và VIẾT câu trả lời
⚠ Thiếu embeddings ⚠ không tìm được tài liệu đúng
⚠ Thiếu GPT ⚠ có tài liệu nhưng không diễn đạt thành câu trả lời
⚠ Embedding là gì Khái niệm
⚠ Vector số biểu diễn Ý NGHĨA của văn bản
⚠ Hai văn bản gần nghĩa → hai vector gần nhau
⚠ Tìm kiếm bằng khoảng cách vector ⚠ cosine similarity
⚠ Ưu điểm so với tìm từ khoá ⚠ tìm được cả khi dùng từ khác nghĩa giống
⚠ Chọn mô hình GPT — cân nhắc Cân nhắc
⚠ Mô hình lớn: chất lượng cao, ĐẮT và CHẬM
⚠ Mô hình nhỏ: rẻ, nhanh, đủ cho nhiều tác vụ
⚠ Cửa sổ ngữ cảnh: bao nhiêu token xử lý được
⚠ Nguyên tắc ⚠ bắt đầu từ mô hình NHỎ, chỉ nâng khi đo thấy không đủ

Ba việc kiểm chứng: | Việc | Cách | |---|---| | Có dùng RAG để neo câu trả lời không | ⚠ nếu không thì mô hình sẽ bịa | | Đã thử mô hình nhỏ trước chưa | | | Chi phí mỗi cuộc hội thoại là bao nhiêu | |

Và cặp đôi tạo nên gần như mọi ứng dụng chatbot doanh nghiệp hiện nay: embeddings để tìm, GPT để nói. Thiếu một trong hai thì hoặc trả lời sai chỗ, hoặc trả lời đúng chỗ nhưng không ai đọc nổi.

Câu 55
A retail company wants to implement an AI solution that can automatically monitor their store shelves and send alerts to staff when products are running low or out of stock. The solution needs to analyze images from cameras positioned throughout the store. Which type of computer vision workload would be most appropriate for this scenario?
  1. A Optical character recognition (OCR)
  2. B Image classification
  3. C Facial recognition
  4. D Object detection
Xem giải thích

Đáp án

D — Object detection (phát hiện đối tượng).

Ghi nhớ về chất lượng câu hỏi

⚠ Câu này GẦN TRÙNG với #17952 ở lô trước — gần như y nguyên.

Câu Diễn đạt
⚠ #17952 (lô 161) ⚠ "giám sát kệ, cảnh báo khi hết hàng, phân tích ảnh camera"
⚠ #17969 (câu này) ⚠ cùng kịch bản, cùng bốn phương án
⚠ Cùng khoá ⚠ object detection
⚠ Đây cũng là ⚠ câu thứ TƯ về object detection trong hai lô

Vì sao đúng

⚠ Giám sát tồn kho đòi ĐẾM và ĐỊNH VỊ:

⚠ Image classification
   ⚠ "ảnh này có sản phẩm A" — không đếm được
        ↓ ⚠ không đủ

⚠ Object detection
   ⚠ "có 3 hộp sản phẩm A ở vị trí..."
        ↓
⚠ So với ngưỡng tồn kho → ⚠ cảnh báo

Vì sao các phương án khác sai

  • B (image classification) — ⚠ một nhãn cho cả ảnh: ⚠ không đếm được số lượng.

  • A (OCR) — ⚠ đọc chữ: ⚠ bổ trợ đọc nhãn, không đếm hàng.

  • C (facial recognition) — ⚠ nhận diện người: ⚠ không liên quan tới kệ hàng.

Ghi nhớ

⚠ Bốn tác vụ thị giác — phân biệt bằng ĐẦU RA: | Tác vụ | Đầu ra | |---|---| | ⚠ Classification | ⚠ MỘT nhãn cho ảnh | | ⚠ Object detection | ⚠ nhiều đối tượng + hộp + nhãn | | ⚠ OCR | ⚠ chữ + vị trí | | ⚠ Segmentation | ⚠ nhãn cho từng pixel |

Từ khoá nhận diện:

"đếm, vị trí, nhiều đối tượng" → ⚠ object detection "ảnh này loại gì" → ⚠ classification "đọc chữ" → ⚠ OCR "đường viền chính xác" → ⚠ segmentation

⚠ Hệ thống giám sát kệ hàng — kiến trúc Kiến trúc
⚠ Camera chụp định kỳ ⚠ vài phút một lần là đủ
⚠ Object detection tại BIÊN ⚠ domain compact, chạy trên thiết bị
⚠ So sánh với ngưỡng tồn kho
⚠ Gửi cảnh báo tới ứng dụng nhân viên
⚠ Tổng hợp số liệu lên đám mây
⚠ Vì sao chạy ở biên Lý do
⚠ Không gửi video liên tục lên mạng ⚠ tiết kiệm băng thông rất nhiều
⚠ Phản ứng nhanh, không phụ thuộc kết nối
⚠ Ảnh cửa hàng không rời khỏi cơ sở ⚠ quyền riêng tư
⚠ Đánh đổi ⚠ cập nhật mô hình phải triển khai lại thiết bị
⚠ Giới hạn cần chấp nhận Giới hạn
⚠ Chỉ thấy lớp sản phẩm phía TRƯỚC
⚠ Kết quả là ƯỚC LƯỢNG, không phải kiểm kê chính xác
⚠ Cần đối chiếu với hệ thống bán hàng
⚠ Đặt kỳ vọng đúng ⚠ hệ thống này để CẢNH BÁO sớm, không thay kiểm kê

Ba việc kiểm chứng: | Việc | Cách | |---|---| | Ngưỡng cảnh báo có gây nhiễu không | ⚠ quá nhạy thì nhân viên tắt đi | | Cảnh báo đến đúng người đúng lúc không | | | Có đối chiếu với dữ liệu bán hàng không | |

Và yếu tố quyết định hệ thống cảnh báo tồn kho có được dùng hay không: tỉ lệ cảnh báo giả. Nhân viên bán hàng sẽ bỏ qua thông báo sau lần thứ ba chạy ra kệ và thấy hàng vẫn đầy.

Câu 56
A healthcare organization is implementing an AI system to assist doctors in diagnosing skin conditions from patient photographs. The system uses a deep learning model trained on thousands of medical images. To ensure transparency, what should the organization prioritize when deploying this solution?
  1. A Ensure the AI system is trained on the maximum possible number of images to improve accuracy, regardless of whether the decision-making process can be explained.
  2. B Keep the AI model's internal workings confidential to protect the organization's intellectual property and competitive advantage.
  3. C Allow the AI system to make final diagnostic decisions autonomously without requiring human review to maximize efficiency.
  4. D Provide doctors with information about how the model makes decisions, including confidence scores and which image features influenced the diagnosis recommendation.
Xem giải thích

Đáp án

D — Cung cấp cho bác sĩ thông tin về cách mô hình đưa ra quyết định, bao gồm điểm tin cậy và những đặc trưng nào của ảnh ảnh hưởng tới kết quả chẩn đoán.

Ghi nhớ về chất lượng câu hỏi

⚠ Câu này GẦN TRÙNG với #17950 ở lô trước.

Câu Bối cảnh
⚠ #17950 (lô 161) ⚠ chẩn đoán từ ảnh y tế, hỏi minh bạch
⚠ #17970 (câu này) ⚠ chẩn đoán bệnh da từ ảnh, hỏi minh bạch
⚠ Cùng khoá ⚠ cung cấp tài liệu giải thích cách mô hình quyết định
⚠ Câu này nêu rõ hơn ⚠ điểm tin cậy và đặc trưng ảnh hưởng

Vì sao đúng

⚠ Minh bạch trong AI y tế gồm ba lớp: | Lớp | Nội dung | |---|---| | ⚠ Cách mô hình hoạt động | ⚠ dựa trên gì để đưa gợi ý | | ⚠ Điểm tin cậy | ⚠ mô hình chắc chắn tới đâu | | ⚠ Đặc trưng ảnh hưởng | ⚠ vùng nào của ảnh khiến mô hình kết luận vậy |

⚠ Ảnh tổn thương da
        ↓ ⚠ mô hình
⚠ "Nghi ngờ u hắc tố, tin cậy 0.78"
⚠ + bản đồ nhiệt tô sáng vùng bất thường
        ↓
⚠ Bác sĩ ĐÁNH GIÁ được gợi ý
   ⚠ thay vì tin hoặc bỏ qua mù quáng

Vì sao các phương án khác sai

  • B (giữ bí mật cách mô hình hoạt động để bảo vệ sở hữu trí tuệ) — ⚠ NGƯỢC với minh bạch: ⚠ và trong y tế, ⚠ thường vi phạm quy định.

  • C (để AI tự quyết định, không cần người rà soát) — ⚠ vi phạm cả accountability lẫn safety.

  • A (huấn luyện trên nhiều ảnh nhất có thể, bất kể có giải thích được hay không) — ⚠ đặt độ chính xác trên minh bạch: ⚠ trong y tế, ⚠ mô hình chính xác mà không giải thích được thường không được phép dùng.

Ghi nhớ

⚠ Kỹ thuật giải thích cho mô hình ảnh — bảng phải thuộc: | Kỹ thuật | Nội dung | |---|---| | ⚠ Saliency map / Grad-CAM | ⚠ tô sáng vùng ảnh mô hình chú ý | | ⚠ Confidence score | ⚠ mức độ chắc chắn | | ⚠ Ví dụ tương tự | ⚠ cho xem ca giống trong dữ liệu huấn luyện | | ⚠ Counterfactual | ⚠ "nếu vùng này khác đi thì kết luận sẽ ra sao" | | ⚠ Với bác sĩ | ⚠ saliency map là công cụ trực quan và hữu ích nhất |

Từ khoá nhận diện:

"cho người dùng biết mô hình quyết định thế nào" → ⚠ Transparency "ghi log, ai chịu trách nhiệm" → ⚠ Accountability "dữ liệu đa dạng, giám sát hiệu năng" → ⚠ Reliability & Safety "mã hoá, phân quyền" → ⚠ Privacy & Security

⚠ Vì sao "hộp đen" là vấn đề trong y tế Lý do
⚠ Bác sĩ chịu trách nhiệm pháp lý cuối cùng
⚠ Không hiểu thì không đánh giá được gợi ý
⚠ Không phát hiện được khi mô hình lý luận sai ⚠ dù kết quả tình cờ đúng
⚠ Bệnh nhân có quyền được giải thích
⚠ Hệ quả ⚠ nhiều mô hình chính xác cao không được chấp thuận dùng trong lâm sàng
⚠ Điểm tin cậy — dùng thế nào cho đúng Cách dùng
⚠ Cao → gợi ý đáng cân nhắc
⚠ Trung bình → cần bác sĩ xem kỹ hơn
⚠ Thấp → không nên hiển thị, hoặc ghi rõ là không chắc
⚠ Cẩn thận ⚠ điểm tin cậy KHÔNG phải xác suất bệnh — cần hiệu chỉnh (calibration)
⚠ Mô hình được hiệu chỉnh nghĩa là gì Nghĩa
⚠ Trong 100 ca mô hình báo tin cậy 0.8 ⚠ khoảng 80 ca đúng thật
⚠ Mô hình chưa hiệu chỉnh thường TỰ TIN QUÁ MỨC
⚠ Với y tế ⚠ hiệu chỉnh là bắt buộc, nếu không con số tin cậy gây hiểu nhầm

Ba việc kiểm chứng: | Việc | Cách | |---|---| | Bác sĩ có thấy được vùng ảnh mô hình chú ý không | | | Điểm tin cậy đã được hiệu chỉnh chưa | | | Có tài liệu về giới hạn của mô hình không | |

Và điều khiến một điểm tin cậy trở nên nguy hiểm thay vì hữu ích: nó chưa được hiệu chỉnh. Một mô hình luôn báo 0.95 cho mọi ca, kể cả những ca nó sai, sẽ dạy bác sĩ tin vào một con số vô nghĩa.

Câu 57
A company is developing a customer service chatbot using Azure OpenAI Service. During testing, the team discovers that the chatbot occasionally generates responses that include fabricated product specifications and invented warranty terms that don't exist in the company's documentation. What responsible AI principle is most directly being violated in this scenario?
  1. A Transparency
  2. B Reliability and safety
  3. C Fairness and inclusiveness
  4. D Privacy and security
Xem giải thích

Đáp án

B — Reliability and safety (Độ tin cậy và An toàn).

Ghi nhớ về chất lượng câu hỏi

⚠ Câu này GẦN TRÙNG với #17926 ở lô trước.

Câu Bối cảnh
⚠ #17926 (lô 161) ⚠ chatbot y tế bịa lời khuyên và tên thuốc không tồn tại
⚠ #17971 (câu này) ⚠ chatbot bịa thông số sản phẩm và điều khoản bảo hành không có
⚠ Cùng hiện tượng ⚠ hallucination — mô hình bịa đặt
⚠ Cùng khoá ⚠ Reliability and safety

Vì sao đúng

⚠ Bịa đặt là vấn đề của ĐỘ TIN CẬY: | Hiện tượng | Vấn đề | |---|---| | ⚠ Bịa thông số sản phẩm | ⚠ thông tin SAI — không đáng tin | | ⚠ Bịa điều khoản bảo hành | ⚠ có thể gây HẬU QUẢ PHÁP LÝ thật |

⚠ Mô hình dự đoán từ tiếp theo
   ⚠ KHÔNG kiểm tra tính đúng
        ↓
⚠ Sinh ra "bảo hành 5 năm" nghe rất hợp lý
   ⚠ dù công ty chỉ bảo hành 1 năm
        ↓
⚠ Khách hàng tin và yêu cầu thực hiện

Vì sao các phương án khác sai

  • A (Transparency) — ⚠ về việc người dùng HIỂU hệ thống: ⚠ vấn đề ở đây là nội dung SAI, không phải thiếu giải thích.

  • C (Fairness and inclusiveness) — ⚠ về đối xử công bằng giữa các nhóm.

  • D (Privacy and security) — ⚠ về bảo vệ dữ liệu.

Ghi nhớ

⚠ Cách giảm hallucination — theo thứ tự hiệu quả: | Cách | Nội dung | |---|---| | ⚠ RAG | ⚠ neo câu trả lời vào tài liệu THẬT — hiệu quả nhất | | ⚠ System message giới hạn phạm vi | ⚠ "chỉ trả lời từ thông tin được cung cấp" | | ⚠ Yêu cầu TRÍCH DẪN nguồn | | | ⚠ Giảm temperature | | | ⚠ Groundedness detection | ⚠ phát hiện câu trả lời không có căn cứ | | ⚠ Bắt mô hình nói "tôi không biết" | |

Từ khoá nhận diện:

"bịa đặt, thông tin sai" → ⚠ Reliability & Safety "người dùng không hiểu hệ thống" → ⚠ Transparency "kém với một nhóm" → ⚠ Fairness / Inclusiveness "rò rỉ dữ liệu" → ⚠ Privacy & Security

⚠ Rủi ro pháp lý khi chatbot bịa cam kết Rủi ro
⚠ Đã có án lệ: doanh nghiệp phải thực hiện cam kết do chatbot đưa ra
⚠ Khách hàng có bằng chứng bằng ảnh chụp màn hình
⚠ "Máy nói chứ không phải chúng tôi" KHÔNG phải lý do bào chữa
⚠ Vì vậy ⚠ chatbot nói về giá, bảo hành, chính sách phải được neo chặt vào tài liệu chính thức
⚠ Thiết kế an toàn cho chatbot bán hàng Thiết kế
⚠ RAG với tài liệu chính thức đã duyệt
⚠ Cấm mô hình đưa ra con số không có trong nguồn
⚠ Ghi rõ "thông tin tham khảo, vui lòng xác nhận với nhân viên"
⚠ Ghi log toàn bộ hội thoại
⚠ Cảnh báo khi mô hình trả lời về chủ đề nhạy cảm
⚠ Vì sao hallucination khó phát hiện Lý do
⚠ Câu bịa NGHE Y HỆT câu đúng
⚠ Không có dấu hiệu ngữ pháp hay giọng điệu
⚠ Mô hình cũng "tự tin" như khi nói đúng
⚠ Người dùng ⚠ không có cách nào tự phân biệt

Ba việc kiểm chứng: | Việc | Cách | |---|---| | Chatbot có neo vào tài liệu chính thức không | | | Đã kiểm thử với câu hỏi gài bẫy chưa | ⚠ hỏi về sản phẩm không tồn tại | | Có ghi log để rà soát không | |

Và phép thử đơn giản cho mọi chatbot doanh nghiệp trước khi cho ra công chúng: hỏi nó về một sản phẩm hoặc chính sách không hề tồn tại. Nếu nó mô tả chi tiết một cách trôi chảy, bạn có một vấn đề nghiêm trọng.

Câu 58
A healthcare organization is deploying an AI system to assist doctors in diagnosing skin conditions from patient photographs. The AI system will provide diagnostic suggestions, but final decisions will be made by qualified dermatologists. What is the MOST important accountability consideration the organization should implement?
  1. A Ensure the AI system achieves 100% accuracy before deployment to eliminate all diagnostic errors.
  2. B Establish clear documentation of who is responsible for final diagnostic decisions and maintain audit trails of AI recommendations versus actual diagnoses.
  3. C Replace all human dermatologists with the AI system to ensure consistent decision-making across all cases.
  4. D Allow the AI system to make autonomous decisions without human oversight to improve efficiency and reduce healthcare costs.
Xem giải thích

Đáp án

B — Thiết lập tài liệu rõ ràng về việc AI CHỊU TRÁCH NHIỆM cho quyết định chẩn đoán cuối cùng, và duy trì nhật ký kiểm toán đối chiếu khuyến nghị của AI với chẩn đoán thực tế.

Ghi nhớ về chất lượng câu hỏi

⚠ Câu này GẦN TRÙNG với #17918 ở lô trước.

Câu Bối cảnh
⚠ #17918 (lô 161) ⚠ AI hỗ trợ đọc X-quang, bác sĩ quyết định cuối
⚠ #17972 (câu này) ⚠ AI hỗ trợ chẩn đoán bệnh da, bác sĩ da liễu quyết định cuối
⚠ Cùng nguyên tắc ⚠ Accountability
⚠ Cùng khoá ⚠ tài liệu trách nhiệm + nhật ký đối chiếu

Vì sao đúng

⚠ Accountability gồm hai vế, phương án B có cả hai: | Vế | Nội dung | |---|---| | ⚠ Xác định RÕ ai chịu trách nhiệm | ⚠ bác sĩ da liễu, không phải AI hay nhà cung cấp | | ⚠ Nhật ký ĐỐI CHIẾU | ⚠ AI khuyến nghị gì, bác sĩ kết luận gì |

⚠ Ghi lại từng ca:
   ⚠ AI gợi ý: "nghi u hắc tố, 0.78"
   ⚠ Bác sĩ kết luận: "nốt ruồi lành"
   ⚠ Kết quả sinh thiết: "lành tính"
        ↓
⚠ Ba dữ liệu này ghép lại cho biết:
   ⚠ AI có hay báo động giả không
   ⚠ Bác sĩ có bỏ sót khi AI đúng không
   ⚠ Mô hình có đang xuống cấp không

Vì sao các phương án khác sai

  • A (đạt 100% chính xác trước khi triển khai) — ⚠ BẤT KHẢ THI: ⚠ không mô hình nào, kể cả bác sĩ giỏi nhất, đạt 100%.

  • C (thay toàn bộ bác sĩ da liễu bằng AI để nhất quán) — ⚠ trái với chính mô tả đề và ⚠ vô lý về pháp lý.

  • D (để AI tự quyết định không cần giám sát) — ⚠ cũng trái đề và ⚠ xoá bỏ trách nhiệm giải trình.

Ghi nhớ

⚠ Accountability — bốn thành phần: | Thành phần | Nội dung | |---|---| | ⚠ Con người chịu trách nhiệm cuối | ⚠ được ghi rõ trong tài liệu | | ⚠ Nhật ký truy vết đầy đủ | | | ⚠ Quy trình rà soát định kỳ | | | ⚠ Cơ chế khiếu nại và sửa sai | |

Từ khoá nhận diện:

"ai chịu trách nhiệm, ghi log, rà soát" → ⚠ Accountability "dữ liệu đa dạng, giám sát hiệu năng" → ⚠ Reliability & Safety "giải thích cho người dùng" → ⚠ Transparency "bịa thông tin" → ⚠ Reliability & Safety

⚠ Vì sao ghi cả trường hợp bác sĩ KHÔNG đồng ý Lý do
⚠ Đó là dữ liệu quý nhất để cải thiện mô hình
⚠ Phát hiện automation bias ⚠ tỉ lệ phủ quyết quá thấp là dấu hiệu xấu
⚠ Chứng minh con người thật sự đang giám sát
⚠ Nhiều hệ thống ⚠ chỉ ghi khi bác sĩ ĐỒNG Ý — mất hết thông tin quan trọng
⚠ Automation bias trong y tế Rủi ro
⚠ Bác sĩ dần tin AI mà không kiểm tra kỹ
⚠ AI sai và không ai phát hiện
⚠ "Con người giám sát" chỉ còn trên giấy
⚠ Đo bằng ⚠ tỉ lệ bác sĩ phủ quyết khuyến nghị AI theo thời gian
⚠ Xu hướng giảm dần ⚠ là tín hiệu cảnh báo
⚠ Ai chịu trách nhiệm — làm rõ trước khi triển khai Làm rõ
⚠ Bác sĩ: quyết định lâm sàng
⚠ Tổ chức y tế: quy trình và đào tạo
⚠ Nhà cung cấp AI: chất lượng mô hình theo hợp đồng
⚠ Viết ra trước ⚠ đừng để tới lúc có sự cố mới bàn

Ba việc kiểm chứng: | Việc | Cách | |---|---| | Có ghi cả trường hợp bác sĩ không đồng ý không | | | Tỉ lệ phủ quyết theo thời gian thế nào | ⚠ giảm dần là cảnh báo | | Tài liệu trách nhiệm đã viết ra chưa | |

Và câu hỏi mà một tổ chức y tế nên trả lời được TRƯỚC khi triển khai công cụ AI: nếu có sự cố, ai chịu trách nhiệm và dựa trên bằng chứng nào?. Trả lời sau khi sự cố xảy ra thì đã quá muộn.

Câu 59
You are developing a machine learning model to predict customer churn for a telecommunications company. Your dataset contains the following columns: CustomerID, MonthlyCharges, ContractType, TotalCallMinutes, DataUsageGB, CustomerServiceCalls, and Churned (Yes/No). Which column should be configured as the label when training your model?
  1. A MonthlyCharges
  2. B Churned
  3. C CustomerServiceCalls
  4. D CustomerID
Xem giải thích

Đáp án

B — Churned.

Ghi nhớ về chất lượng câu hỏi

⚠ Câu này GẦN TRÙNG với #17954 ở lô trước.

Câu Bộ dữ liệu
⚠ #17954 (lô 161) ⚠ dự đoán mua hàng, nhãn là ProductPurchased (Yes/No)
⚠ #17973 (câu này) ⚠ dự đoán rời bỏ, nhãn là Churned (Yes/No)
⚠ Cùng mẫu ⚠ cột "Yes/No" liên quan trực tiếp tới điều cần dự đoán = NHÃN

Vì sao đúng

⚠ Phân vai từng cột: | Cột | Vai trò | |---|---| | ⚠ CustomerID | ⚠ ĐỊNH DANH — phải LOẠI | | ⚠ MonthlyCharges, ContractType, TotalCallMinutes, DataUsageGB, CustomerServiceCalls | ⚠ ĐẶC TRƯNG | | ⚠ Churned (Yes/No) | ⚠ NHÃN — thứ cần dự đoán |

⚠ Đề nói rõ: ⚠ dự đoán khách hàng có rời bỏ hay không → ⚠ cột Churned.

Vì sao các phương án khác sai

  • A (MonthlyCharges) và C (CustomerServiceCalls) — ⚠ là ĐẶC TRƯNG: ⚠ thông tin đầu vào; ⚠ CustomerServiceCalls thậm chí là đặc trưng dự báo mạnh — gọi tổng đài nhiều thường báo hiệu sắp rời bỏ.

  • D (CustomerID) — ⚠ định danh, phải LOẠI khỏi mô hình.

Ghi nhớ

⚠ Ba loại cột — bảng phải thuộc: | Loại | Xử lý | |---|---| | ⚠ Nhãn (label) | ⚠ tách ra làm biến mục tiêu | | ⚠ Đặc trưng (features) | ⚠ giữ, tiền xử lý | | ⚠ Định danh (ID) | ⚠ LOẠI BỎ |

Từ khoá nhận diện:

"cột cần dự đoán" → ⚠ nhãn "Yes/No liên quan tới câu hỏi nghiệp vụ" → ⚠ thường là nhãn "mã, ID" → ⚠ loại bỏ "nhãn hai giá trị" → ⚠ binary classification

⚠ Đặc trưng dự báo rời bỏ thường gặp Đặc trưng
⚠ Số lần gọi tổng đài ⚠ tăng đột biến là dấu hiệu mạnh
⚠ Loại hợp đồng ⚠ trả theo tháng dễ rời bỏ hơn hợp đồng dài hạn
⚠ Thay đổi mức sử dụng ⚠ giảm dần là dấu hiệu
⚠ Thời gian gắn bó
⚠ Cước phí so với mặt bằng
⚠ Đặc trưng mạnh nhất ⚠ thường là XU HƯỚNG thay đổi, không phải giá trị tuyệt đối
⚠ Bài toán churn — đặc thù Đặc thù
⚠ Dữ liệu MẤT CÂN BẰNG ⚠ thường chỉ 5-20% khách rời bỏ
⚠ Accuracy vô dụng ⚠ đoán "không rời bỏ" luôn đạt 85%
⚠ Cần precision/recall và AUC-PR
⚠ RECALL thường quan trọng hơn ⚠ bỏ sót khách sắp đi là mất doanh thu
⚠ Nhưng ⚠ precision thấp nghĩa là tốn ưu đãi cho khách vốn không định đi
⚠ Từ dự đoán tới hành động Hành động
⚠ Dự đoán chỉ có giá trị nếu CÓ can thiệp
⚠ Ưu đãi giữ chân, gọi chăm sóc
⚠ Đo hiệu quả bằng A/B test ⚠ nhóm được can thiệp so với nhóm đối chứng
⚠ Sai lầm ⚠ xây mô hình đẹp rồi không ai dùng kết quả

Ba việc kiểm chứng: | Việc | Cách | |---|---| | Đã loại CustomerID chưa | | | Tỉ lệ khách rời bỏ trong dữ liệu là bao nhiêu | ⚠ quyết định cách xử lý mất cân bằng | | Có kế hoạch can thiệp khi mô hình cảnh báo không | |

Và điều biến một mô hình dự đoán rời bỏ thành giá trị kinh doanh thật: kế hoạch hành động khi mô hình cảnh báo. Biết trước ai sắp rời bỏ mà không làm gì thì cũng như không biết.

Câu 60
A healthcare company is developing an application to process patient feedback forms. The application needs to automatically extract and categorize specific information such as patient names, medication names, dates of appointments, and medical facility locations from free-text comments. Which Azure AI service feature would be most appropriate for this requirement?
  1. A Sentiment analysis
  2. B Language detection
  3. C Key phrase extraction
  4. D Entity recognition
Xem giải thích

Đáp án

D — Entity recognition (nhận diện thực thể).

Ghi nhớ về chất lượng câu hỏi

⚠ Câu này GẦN TRÙNG với #17945 ở lô trước.

Câu Thông tin cần trích
⚠ #17945 (lô 161) ⚠ tên bệnh nhân, ngày hẹn, tình trạng bệnh, địa điểm
⚠ #17974 (câu này) ⚠ tên bệnh nhân, tên THUỐC, ngày hẹn, địa điểm cơ sở y tế
⚠ Cùng khoá ⚠ entity recognition

Vì sao đúng

⚠ Đề cần TRÍCH và PHÂN LOẠI từ văn bản TỰ DO: | Thông tin | Loại thực thể | |---|---| | ⚠ Tên bệnh nhân | ⚠ Person | | ⚠ Tên thuốc | ⚠ thực thể Y TẾ | | ⚠ Ngày hẹn | ⚠ DateTime | | ⚠ Cơ sở y tế | ⚠ Location / Organization |

⚠ Chữ "phân loại" (categorize) trong đề là dấu hiệu của NER — ⚠ mỗi thực thể có NHÃN LOẠI.

Vì sao các phương án khác sai

  • C (key phrase extraction) — ⚠ trích cụm từ nhưng KHÔNG phân loại: ⚠ không biết cụm nào là tên thuốc, cụm nào là địa điểm.

  • A (sentiment analysis) — ⚠ đánh giá thái độ.

  • B (language detection) — ⚠ nhận diện ngôn ngữ.

Ghi nhớ

⚠ Text Analytics for Health — nên dùng cho ca này: | Năng lực | Nội dung | |---|---| | ⚠ Thực thể y tế chuyên biệt | ⚠ thuốc, liều lượng, triệu chứng, chẩn đoán, thủ thuật | | ⚠ Quan hệ giữa thực thể | ⚠ "thuốc X, liều Y, cho bệnh Z" | | ⚠ Phát hiện PHỦ ĐỊNH | ⚠ "KHÔNG dùng aspirin" — cực kỳ quan trọng | | ⚠ Liên kết bộ mã y tế chuẩn | ⚠ UMLS, ICD-10 | | ⚠ So với NER thường | ⚠ chính xác hơn NHIỀU với văn bản y tế |

Từ khoá nhận diện:

"trích và PHÂN LOẠI thông tin" → ⚠ NER "văn bản y tế: thuốc, triệu chứng" → ⚠ Text Analytics for Health "trích từ BIỂU MẪU có bố cục" → ⚠ Document Intelligence "chủ đề chung" → ⚠ key phrase extraction

⚠ Vì sao phát hiện phủ định sống còn trong y tế Lý do
⚠ "Bệnh nhân KHÔNG dị ứng penicillin"
⚠ NER thường trích ra "penicillin" và "dị ứng"
⚠ Bỏ qua chữ "không" → ⚠ hiểu NGƯỢC hoàn toàn
⚠ Hậu quả ⚠ có thể nguy hiểm tính mạng
⚠ Vì vậy ⚠ Text Analytics for Health đánh dấu assertion: khẳng định, phủ định, có điều kiện
⚠ NER thường so với NER y tế So sánh
⚠ NER thường: Person, Location, DateTime, Organization
⚠ NER y tế: thêm hàng chục loại chuyên ngành
⚠ NER y tế: có quan hệ và assertion
⚠ Với đề này ⚠ cần cả hai — Person và DateTime từ NER thường, tên thuốc từ NER y tế
⚠ Custom NER — khi nào cần thêm Khi nào
⚠ Mã hồ sơ nội bộ, tên khoa riêng
⚠ Định dạng đặc thù của tổ chức
⚠ Kết hợp ⚠ NER dựng sẵn + custom cho phần riêng

Ba việc kiểm chứng: | Việc | Cách | |---|---| | Có phát hiện phủ định không | ⚠ bắt buộc với văn bản y tế | | Có dùng Text Analytics for Health không | | | Có thực thể đặc thù nào cần custom không | |

Và lỗi có thể gây hậu quả nghiêm trọng nhất khi trích xuất thông tin y tế bằng NER thông thường: bỏ qua từ phủ định. Một hệ thống ghi nhận "dị ứng penicillin" từ câu "không dị ứng penicillin" đã đảo ngược hoàn toàn thông tin y khoa quan trọng nhất trong hồ sơ.