Ứng dụng TTNT trong Kinh doanh University

Đề thi Chương 1: Tổng quan về ứng dụng trí tuệ nhân tạo

20 questions

45 min

Answer key

Exam info

Subject: Ứng dụng TTNT trong Kinh doanh
Exam type: University
Questions: 20
Duration: 45 min
Answers: ✓ With explanations

Questions (20)

Q 1.
Theo nội dung học phần, trí tuệ nhân tạo (AI) được định nghĩa là lĩnh vực khoa học máy tính tạo ra các hệ thống có khả năng mô phỏng trí thông minh của con người, cho phép máy móc thực hiện các hành động nào sau đây?
- A.
  Chỉ thực hiện các phép tính toán học phức tạp theo công thức có sẵn.
- B.
  Suy nghĩ, học hỏi, lập luận, giải quyết vấn đề và tự thích nghi để thực hiện các nhiệm vụ phức tạp đòi hỏi trí tuệ.
- C.
  Thay thế hoàn toàn con người trong mọi hoạt động ra quyết định.
- D.
  Lưu trữ và quản lý dữ liệu trong cơ sở dữ liệu quan hệ.
Q 2.
Các định nghĩa về TTNT được chia thành 4 nhóm quan điểm. Nhóm nào sau đây đánh giá mức độ thông minh theo tiêu chuẩn của sự hợp lý (không phải tiêu chuẩn con người)?
- A.
  Tư duy như con người và Hành vi như con người.
- B.
  Tư duy hợp lý và Hành vi hợp lý.
- C.
  Chỉ có nhóm 'Tư duy như con người'.
- D.
  Chỉ có nhóm 'Hành vi hợp lý'.
Q 3.
Hệ thống AlphaGo của DeepMind đánh dấu bước đột phá lịch sử của AI vào năm 2016 khi đánh bại nhà vô địch thế giới cờ vây Lee Sedol với tỷ số 4–1. Yếu tố nào sau đây KHÔNG phải là công nghệ cốt lõi được sử dụng trong AlphaGo?
- A.
  Học tăng cường sâu (Deep Reinforcement Learning) kết hợp mạng nơ-ron.
- B.
  Monte Carlo Tree Search (MCTS) giúp mô phỏng các nước đi tương lai.
- C.
  Công nghệ GAN (Generative Adversarial Networks) để tạo hình ảnh khuôn mặt nhân tạo.
- D.
  Mạng chính sách và mạng giá trị (Policy Network và Value Network).
Q 4.
Theo McKinsey, tổng giá trị kinh tế mà trí tuệ nhân tạo tạo ra mỗi năm ước tính khoảng bao nhiêu?
- A.
  1.500 tỷ đô la (1,5T).
- B.
  15.000 tỷ đô la (15T).
- C.
  150.000 tỷ đô la (150T).
- D.
  Không có con số cụ thể, chỉ mang tính chất định tính.
Q 5.
Trong phân loại AI, 'Narrow AI' (AI yếu) và 'General AI' (AI mạnh) khác nhau ở điểm nào?
- A.
  Narrow AI có khả năng tự học từ kinh nghiệm, còn General AI thì không.
- B.
  Narrow AI được thiết kế để thực hiện một nhiệm vụ cụ thể, trong khi General AI có khả năng thực hiện nhiều nhiệm vụ phức tạp giống con người.
- C.
  Narrow AI là sản phẩm của Google, còn General AI là của IBM.
- D.
  Hai loại AI này không có sự khác biệt về năng lực.
Q 6.
Theo nội dung học phần, 'Phân tích dữ liệu lớn' (Big Data) đem lại vai trò gì đối với AI?
- A.
  Big Data thay thế hoàn toàn cho AI trong việc phân tích thông tin.
- B.
  Big Data cung cấp dữ liệu để AI học; AI cung cấp công cụ để phân tích và khai thác giá trị của Big Data.
- C.
  Big Data chỉ phục vụ cho việc lưu trữ văn bản và hình ảnh đơn thuần.
- D.
  Big Data chỉ liên quan đến AI trong lĩnh vực tài chính.
Q 7.
Trong các thách thức khi ứng dụng AI, vụ tai nạn xe tự lái Uber tại Arizona (2018) gây chết người được dẫn ra làm ví dụ minh họa cho thách thức nào?
- A.
  Thách thức về chi phí cao khi triển khai hệ thống AI.
- B.
  Thách thức về pháp lý và đạo đức - cụ thể là câu hỏi ai chịu trách nhiệm khi AI gây ra lỗi.
- C.
  Thách thức về thiếu nhân lực chuyên môn AI.
- D.
  Thách thức về chiến tranh AI và vũ khí tự động.
Q 8.
Một trong những 'ngộ nhận' phổ biến về AI là: 'AI chính xác 99,99%'. Thực tế được nhấn mạnh trong tài liệu là gì?
- A.
  AI luôn cho kết quả chính xác tuyệt đối 100%.
- B.
  AI nên coi là ý kiến thứ hai, không phải người ra quyết định duy nhất, vì sai sót có thể xảy ra khi dữ liệu bất thường hoặc chất lượng kém.
- C.
  AI có thể thay thế hoàn toàn bác sĩ trong chẩn đoán y tế.
- D.
  AI chính xác 99,99% là ngộ nhận đúng vì AI hiện đại có độ chính xác rất cao.
Q 9.
Bộ 'Ba định luật về người máy' của Asimov có nội dung chính xác là gì?
- A.
  Robot phải phục tùng mọi mệnh lệnh của con người trong mọi tình huống.
- B.
  Robot phải tự bảo vệ mình là ưu tiên hàng đầu.
- C.
  Robot không được gây hại cho con người; phải tuân lệnh con người trừ khi mâu thuẫn với luật 1; phải tự bảo vệ mình trừ khi mâu thuẫn với luật 1 hoặc luật 2.
- D.
  Robot được phép gây hại cho con người nếu được con người ra lệnh.
Q 10.
Theo Quyết định 127/QĐ-TTg năm 2021 về Chiến lược nghiên cứu phát triển và ứng dụng Trí tuệ nhân tạo đến 2030, mục tiêu đến năm 2030 của Việt Nam bao gồm mục tiêu nào sau đây?
- A.
  Việt Nam nằm trong nhóm 4 nước dẫn đầu ASEAN về nghiên cứu, phát triển và ứng dụng TTNT.
- B.
  Việt Nam phải trở thành nước đứng đầu thế giới về AI.
- C.
  Xây dựng 100 thương hiệu TTNT có uy tín trong khu vực.
- D.
  Ngừng tất cả các dự án AI để tập trung vào lĩnh vực khác.
Q 11.
Trong 9 nguyên tắc nghiên cứu phát triển hệ thống AI có trách nhiệm (theo Quyết định 1290/QĐ-BKHCN), nhóm nguyên tắc nào sau đây yêu cầu nhà phát triển phải có khả năng 'kiểm soát đầu vào/đầu ra' của hệ thống AI?
- A.
  Tính minh bạch.
- B.
  Tính bền vững và thân thiện với môi trường.
- C.
  Khuyến khích phát triển năng lực và đào tạo.
- D.
  Thúc đẩy sự tham gia của cộng đồng.
Q 12.
Theo nghiên cứu của Jobin (2019) và Hagendorff (2020), có 11 giá trị hoặc nguyên tắc đạo đức AI mang tính phổ biến nhất. Nguyên tắc nào dưới đây đề cập đến 'quyền rút lại sự đồng ý (ví dụ như sử dụng dữ liệu cá nhân)'?
- A.
  Tính minh bạch.
- B.
  Công bằng/bình đẳng.
- C.
  Tự do/Tự chủ.
- D.
  Sự tin tưởng.
Q 13.
Đặc trưng 5V của dữ liệu lớn (Big Data) bao gồm: Volume, Velocity, Variety, Veracity và Value. Khẳng định nào sau đây là ĐÚNG về đặc trưng 'Veracity (Độ tin cậy)'?
- A.
  Đặc trưng này thể hiện tốc độ dữ liệu được tạo ra và cần xử lý theo thời gian thực.
- B.
  Dữ liệu có thể chứa sai lệch, thiếu hụt hoặc nhiễu nên cần được kiểm tra và làm sạch.
- C.
  Đặc trưng này đề cập đến giá trị kinh doanh thu được từ việc khai thác dữ liệu.
- D.
  Đặc trưng này thể hiện khối lượng dữ liệu rất lớn được tạo ra và lưu trữ.
Q 14.
Trong công nghệ xử lý dữ liệu lớn, mô hình MapReduce gồm ba giai đoạn chính. Ba giai đoạn đó là gì?
- A.
  Đầu vào - Xử lý - Đầu ra.
- B.
  Ánh xạ (Map) - Hoán đổi (Shuffle) - Rút gọn (Reduce).
- C.
  Thu thập - Lưu trữ - Phân tích.
- D.
  Phân loại - Gom cụm - Dự đoán.
Q 15.
Quy trình phân tích dữ liệu lớn thường được triển khai qua các bước. Đâu là bước ĐẦU TIÊN trong quy trình?
- A.
  Lọc dữ liệu: loại bỏ dữ liệu dư thừa, sai lệch hoặc thiếu thông tin.
- B.
  Đánh giá nghiệp vụ: xác định mục tiêu và câu hỏi cần trả lời.
- C.
  Phân tích dữ liệu: áp dụng các kỹ thuật thống kê, khai phá dữ liệu, AI hoặc học máy.
- D.
  Trực quan hóa dữ liệu: sử dụng biểu đồ, dashboard.
Q 16.
Có 4 loại phân tích dữ liệu lớn chính: Mô tả (Descriptive), Chẩn đoán (Diagnostic), Dự đoán (Predictive) và Đề xuất (Prescriptive). Loại phân tích nào giúp trả lời câu hỏi 'Hành động nào nên được thực hiện để đạt được mục tiêu nhất định?'
- A.
  Phân tích mô tả (Descriptive Analysis).
- B.
  Phân tích chẩn đoán (Diagnostic Analysis).
- C.
  Phân tích dự đoán (Predictive Analysis).
- D.
  Phân tích đề xuất (Prescriptive Analysis).
Q 17.
Theo tài liệu, Quản trị dữ liệu (Data Governance) có những kiểu mô hình nào?
- A.
  Chỉ có một mô hình duy nhất là quản trị tập trung.
- B.
  Quản trị tập trung, quản trị liên kết và quản trị phi tập trung.
- C.
  Quản trị thủ công và quản trị tự động.
- D.
  Quản trị nội bộ và quản trị bên ngoài.
Q 18.
Trong học máy có giám sát (Supervised Learning), dữ liệu huấn luyện có đặc điểm gì?
- A.
  Dữ liệu không có nhãn, mô hình tự tìm cấu trúc ẩn.
- B.
  Dữ liệu được gắn nhãn (đã biết kết quả mong đợi), mô hình học mối quan hệ giữa đặc trưng và kết quả để dự đoán cho dữ liệu mới.
- C.
  Dữ liệu được tạo ra từ các tương tác với môi trường thông qua phần thưởng và hình phạt.
- D.
  Dữ liệu chỉ chứa thông tin về các bệnh nhân trong y tế.
Q 19.
Thuật toán K-means trong học không giám sát (Unsupervised Learning) hoạt động theo các bước nào?
- A.
  Chỉ cần 1 bước: chọn tâm cụm ngẫu nhiên và gán tất cả các điểm dữ liệu vào cụm gần nhất.
- B.
  Chọn số lượng cụm k, đặt tâm cụm ngẫu nhiên, gán từng điểm vào cụm gần nhất, tính lại tâm cụm, lặp lại cho đến khi hội tụ.
- C.
  Chỉ cần dán nhãn cho từng điểm dữ liệu trước khi chạy thuật toán.
- D.
  Yêu cầu xác định trước kết quả đầu ra mong muốn.
Q 20.
Trong các kỹ thuật của Ensemble Learning, kỹ thuật nào 'học tuần tự các mô hình, với mỗi mô hình mới được huấn luyện để cải thiện các lỗi từ mô hình trước'?
- A.
  Bagging (Bootstrap Aggregating) - ví dụ: Random Forest.
- B.
  Boosting - ví dụ: AdaBoost, Gradient Boosting.
- C.
  Stacking - kết hợp nhiều mô hình và học mô hình thứ hai để tổng hợp.
- D.
  Cross-validation.

Answers and explanations are in mode.