What is a token in the context of a large language model (LLM)? (Token là gì trong ngữ cảnh của một mô hình ngôn ngữ lớn (LLM)?)

A word or part of a word in either the input prompt or LLM output. (Một từ hoặc một phần của từ trong lời nhắc đầu vào hoặc đầu ra của LLM.)

A physical device or digital code to authenticate a user's identity. (Một thiết bị vật lý hoặc mã kỹ thuật số để xác thực danh tính của người dùng.)

The part of the LLM output that has primarily symbolic rather than substantive value (as in, “the court issued a token fine”, or “the LLM generated a token output”). (Phần đầu ra của LLM chủ yếu mang giá trị tượng trưng hơn là thực chất (ví dụ: "tòa án đưa ra một khoản tiền phạt tượng trưng" hoặc "LLM tạo ra một đầu ra tượng trưng").)

A unit of cryptocurrency (like bitcoin or other “crypto tokens”) that you can use to pay for LLM services. (Một đơn vị tiền điện tử (như bitcoin hoặc các "token tiền điện tử" khác) mà bạn có thể sử dụng để thanh toán cho các dịch vụ LLM.)

A friend writes the following prompt to a web-based LLM: “Write a description of our new dog food product.” Which of these are reasonable suggestions for how to improve this prompt? (Một người bạn viết lời nhắc sau cho một LLM dựa trên web: "Hãy viết mô tả về sản phẩm thức ăn cho chó mới của chúng tôi." Đâu là những gợi ý hợp lý để cải thiện lời nhắc này?)

All other answers. (Tất cả các câu trả lời khác.)

Give the LLM more context about what’s interesting or unique about the product to help it craft a better description. (Cung cấp cho LLM thêm ngữ cảnh về những điều thú vị hoặc độc đáo của sản phẩm để giúp nó tạo ra một mô tả tốt hơn.)

Give it guidance on the purpose of the description (is it to go in an internal company memo, a website, a press release?) to help it use the right tone. (Hướng dẫn về mục đích của mô tả (để dùng trong một bản ghi nhớ nội bộ của công ty, một trang web, một thông cáo báo chí?) để giúp nó sử dụng giọng điệu phù hợp.)

Specify the desired length of the description. (Chỉ định độ dài mong muốn của mô tả.)

You are building a customer service chatbot. Why is it important to monitor the performance of the system after it is deployed? (Bạn đang xây dựng một chatbot dịch vụ khách hàng. Tại sao việc giám sát hiệu suất của hệ thống sau khi triển khai lại quan trọng?)

In case customers say something that causes the chatbot to respond in an unexpected way, monitoring lets you discover problems and fix them. (Trong trường hợp khách hàng nói điều gì đó khiến chatbot phản hồi theo cách không mong muốn, việc giám sát cho phép bạn phát hiện sự cố và khắc phục chúng.)

Every product should be monitored to track customer satisfaction -- this is good practice for all software. (Mọi sản phẩm đều nên được giám sát để theo dõi sự hài lòng của khách hàng -- đây là một thông lệ tốt cho tất cả phần mềm.)

Because of the LLM’s knowledge cutoff, we must continuously monitor the knowledge cutoff and update its knowledge frequently. (Do giới hạn kiến thức của LLM, chúng ta phải liên tục giám sát giới hạn kiến thức và cập nhật kiến thức của nó thường xuyên.)

This is false. So long as internal evaluation is done well, further monitoring is not necessary. (Điều này là sai. Miễn là việc đánh giá nội bộ được thực hiện tốt thì không cần giám sát thêm.)

You want to build an application to answer questions based on information found in your emails. Which of the following is the most appropriate technique? (Bạn muốn xây dựng một ứng dụng để trả lời các câu hỏi dựa trên thông tin tìm thấy trong email của mình. Kỹ thuật nào sau đây là phù hợp nhất?)

RAG, where the LLM is provided additional context based on retrieving emails relevant to your question. (RAG, trong đó LLM được cung cấp ngữ cảnh bổ sung dựa trên việc truy xuất các email liên quan đến câu hỏi của bạn.)

Fine-tuning an LLM on your emails, whereby we take a pre-trained LLM and further train it on your emails. (Tinh chỉnh một mô hình LLM trên email của bạn, theo đó chúng tôi lấy một mô hình LLM đã được đào tạo trước và đào tạo thêm trên email của bạn.)

Prompting (without RAG), where we iteratively refine the prompt until the LLM gets the answers right. (Nhắc lệnh (không có RAG), trong đó chúng tôi tinh chỉnh lặp đi lặp lại lời nhắc cho đến khi LLM đưa ra câu trả lời đúng.)

Pretraining an LLM on your emails. (Đào tạo trước một LLM trên email của bạn.)

You’re preparing a presentation about technology, and ask an LLM to help you find an inspirational quote. It comes up with this: "And that’s what a computer is to me. What a computer is to me is it’s the most remarkable tool that we’ve ever come up with, and it’s the equivalent of a bicycle for our minds. -Steve Jobs" How should you proceed? (Bạn đang chuẩn bị một bài thuyết trình về công nghệ và nhờ một LLM giúp bạn tìm một câu trích dẫn truyền cảm hứng. Nó đưa ra câu này: "Và đó là ý nghĩa của máy tính đối với tôi. Máy tính đối với tôi là công cụ đáng chú ý nhất mà chúng ta từng phát minh ra, và nó tương đương với một chiếc xe đạp cho trí óc của chúng ta. -Steve Jobs" Bạn nên tiến hành làm gì sau đây?)

Because LLMs hallucinate, double-check this quote by searching other sources (such as the web) to verify if Steve Jobs really said this. (Bởi vì LLM tạo ra thông tin sai lệch, hãy kiểm tra lại câu trích dẫn này bằng cách tìm kiếm các nguồn khác (chẳng hạn như web) để xác minh xem Steve Jobs có thực sự nói điều này không.)

Because LLMs can hallucinate, double-check this quote by prompting the LLM to ask if it is really sure Steve Jobs said this. (Bởi vì LLM có thể tạo ra thông tin sai lệch, hãy kiểm tra lại câu trích dẫn này bằng cách nhắc LLM hỏi xem nó có thực sự chắc chắn Steve Jobs đã nói điều này không.)

Do not use this quote because an LLM can generate toxic output. (Không sử dụng câu trích dẫn này vì LLM có thể tạo ra kết quả độc hại.)

LLMs have learned from text on the internet; so you can safely trust that this quote is found on multiple webpages, and use it in your presentation. (LLM đã học từ văn bản trên internet; vì vậy bạn có thể tin tưởng một cách an toàn rằng câu trích dẫn này được tìm thấy trên nhiều trang web và sử dụng nó trong bài thuyết trình của bạn.)

In the videos, we described using either supervised learning or a prompt-based development process to build a restaurant review sentiment classifier. Which of the following statements about prompt-based development is correct? (Trong ví dụ của Coursera, chúng tôi đã mô tả việc sử dụng học có giám sát hoặc quy trình phát triển dựa trên lời nhắc để xây dựng một trình phân loại cảm xúc đánh giá nhà hàng. Phát biểu nào sau đây về phát triển dựa trên lời nhắc là đúng?)

Prompt-based development is generally much faster than supervised learning. (Phát triển dựa trên lời nhắc nói chung nhanh hơn nhiều so với học có giám sát.)

Prompt-based development requires that you collect hundreds or thousands of labeled examples. (Phát triển dựa trên lời nhắc yêu cầu bạn thu thập hàng trăm hoặc hàng nghìn ví dụ được gắn nhãn.)

Prompt-based development requires that you collect hundreds or thousands of unlabeled examples (meaning reviews without a label B to say if it is positive or negative sentiment). (Phát triển dựa trên lời nhắc yêu cầu bạn thu thập hàng trăm hoặc hàng nghìn ví dụ không được gắn nhãn (nghĩa là các bài đánh giá không có nhãn B để cho biết đó là cảm xúc tích cực hay tiêu cực).)

If you want to classify reviews as positive, neutral, or negative (3 possible outputs) there is no way to write a prompt to do so: An LLM can generate only 2 outputs. (Nếu bạn muốn phân loại các bài đánh giá là tích cực, trung tính hoặc tiêu cực (3 kết quả đầu ra có thể có) thì không có cách nào để viết lời nhắc để làm như vậy: Một LLM chỉ có thể tạo ra 2 kết quả đầu ra.)

You are working on using an LLM to summarize research reports. Suppose an average report contains roughly 6,000 words. Approximately how many tokens would it take an LLM to process 6,000 input words? (Assume 1 token = 3/4 words, or equivalently, 1 word ≈ 1.333 tokens). (Bạn đang làm việc với việc sử dụng LLM để tóm tắt các báo cáo nghiên cứu. Giả sử một báo cáo trung bình chứa khoảng 6.000 từ. Một LLM sẽ cần khoảng bao nhiêu token để xử lý 6.000 từ đầu vào? (Giả sử 1 token = 3/4 từ, hoặc tương đương, 1 từ ≈ 1.333 token).)

8,000 tokens (about 6000 * 1.333) (8.000 token (khoảng 6000 * 1.333))

4,500 tokens (6000 * 3/4) (4.500 token (6000 * 3/4))

14,000 tokens (about 6000 * 1.333 + the original 6000 words) (14.000 token (khoảng 6000 * 1.333 + 6000 từ ban đầu))

What does the idea of using an LLM as a reasoning engine refer to? (Ý tưởng sử dụng LLM làm công cụ suy luận đề cập đến điều gì?)

**This refers to the idea of using an LLM not as a source of information, but to process information (wherein we provide it the context it needs, through techniques like RAG). (Điều này đề cập đến ý tưởng sử dụng LLM không phải như một nguồn thông tin, mà để xử lý thông tin (trong đó chúng tôi cung cấp cho nó ngữ cảnh cần thiết, thông qua các kỹ thuật như RAG).)

The idea of using an LLM to play games (like chess) that require complex reasoning, but having its output moves in the game. (Ý tưởng sử dụng LLM để chơi các trò chơi (như cờ vua) đòi hỏi suy luận phức tạp, nhưng kết quả đầu ra của nó là các nước đi trong trò chơi.)

Reasoning engine is another term for RAG. (Công cụ suy luận là một thuật ngữ khác của RAG.)

This refers to pretraining an LLM on a lot of text so that it acquires general reasoning capabilities. (Điều này đề cập đến việc đào tạo trước một LLM trên rất nhiều văn bản để nó có được khả năng suy luận chung.)

By making trusted sources of information available to an LLM via RAG, we can reduce the risk of hallucination ? (Bằng cách cung cấp các nguồn thông tin đáng tin cậy cho LLM thông qua RAG, chúng ta có thể giảm nguy cơ tạo ra thông tin sai lệch không?)

True, because RAG allows the LLM to reason through accurate information retrieved from a trusted source to arrive at the correct answer. (Đúng, bởi vì RAG cho phép LLM suy luận thông qua thông tin chính xác được truy xuất từ một nguồn đáng tin cậy để đi đến câu trả lời đúng.)

True, because the LLM is now restricted to outputting paragraphs of text exactly as written in the provided document, which we trust. (Đúng, bởi vì LLM hiện bị giới hạn trong việc xuất ra các đoạn văn bản chính xác như được viết trong tài liệu được cung cấp mà chúng tôi tin cậy.)

False, because giving the LLM more information only confuses the LLM more and causes it to be more likely to hallucinate. (Sai, bởi vì việc cung cấp thêm thông tin cho LLM chỉ khiến LLM bối rối hơn và khiến nó có nhiều khả năng tạo ra thông tin sai lệch hơn.)

False, because the LLM has learned from a lot of text from the internet (perhaps >100 billion words) to hallucinate, so adding one more short piece of text to the prompt as in RAG won’t make any meaningful difference. (Sai, bởi vì LLM đã học từ rất nhiều văn bản trên internet (có thể >100 tỷ từ) để tạo ra thông tin sai lệch, vì vậy việc thêm một đoạn văn bản ngắn nữa vào lời nhắc như trong RAG sẽ không tạo ra sự khác biệt có ý nghĩa nào.)

An ecommerce company is building a software application to route emails to the right department (Apparel, Electronics, Home Appliances, etc.) It wants to do so with a small, 1 billion parameter model, and needs high accuracy. Which of these is an appropriate technique? (Một công ty thương mại điện tử đang xây dựng một ứng dụng phần mềm để chuyển email đến đúng bộ phận (May mặc, Điện tử, Thiết bị gia dụng, v.v.). Họ muốn thực hiện điều này với một mô hình nhỏ, 1 tỷ tham số và cần độ chính xác cao. Kỹ thuật nào sau đây là phù hợp?)

Fine-tune a 1 billion parameter model on around 1,000 examples of emails and the appropriate department. (Tinh chỉnh một mô hình 1 tỷ tham số trên khoảng 1.000 ví dụ về email và bộ phận thích hợp.)

Pretrain a 1 billion parameter model on around 1 billion examples of emails and the appropriate department. (Đào tạo trước một mô hình 1 tỷ tham số trên khoảng 1 tỷ ví dụ về email và bộ phận thích hợp.)

Pretrain a 1 billion parameter model on around 1,000 examples of emails and the appropriate department. (Đào tạo trước một mô hình 1 tỷ tham số trên khoảng 1.000 ví dụ về email và bộ phận thích hợp.)

Fine-tune a 1 billion parameter model on around 1 billion examples of emails and the appropriate department. (Tinh chỉnh một mô hình 1 tỷ tham số trên khoảng 1 tỷ ví dụ về email và bộ phận thích hợp.)

What is the relation between AI, tasks, and jobs? (Mối quan hệ giữa AI, tác vụ và công việc là gì?)

Jobs are comprised of many tasks. AI automates tasks, rather than jobs. (Công việc bao gồm nhiều tác vụ. AI tự động hóa các tác vụ chứ không phải công việc.)

Tasks are comprised of many jobs. AI automates tasks, rather than jobs. (Tác vụ bao gồm nhiều công việc. AI tự động hóa các tác vụ chứ không phải công việc.)

Jobs are comprised of many tasks. AI automates jobs, rather than tasks. (Công việc bao gồm nhiều tác vụ. AI tự động hóa công việc chứ không phải tác vụ.)

Tasks are comprised of many jobs. AI automates jobs, rather than tasks. (Tác vụ bao gồm nhiều công việc. AI tự động hóa công việc chứ không phải tác vụ.)

Someone prompts an LLM as follows: “Please summarize each of this morning’s top 10 news stories in 100 words per story, in a manner suitable for a newsletter.” What is the main reason this is unlikely to work? (Một người nhắn một LLM như sau: "Vui lòng tóm tắt 10 tin bài hàng đầu sáng nay, mỗi tin 100 từ, theo cách phù hợp cho một bản tin." Lý do chính khiến điều này không có khả năng hoạt động là gì?)

Because of the knowledge cutoff, the LLM will not have access to the latest news. (Do giới hạn kiến thức, LLM sẽ không có quyền truy cập vào các tin tức mới nhất.)

The prompt needs to give more context about what type of newsletter it is (tech, general news, etc). (Lời nhắc cần cung cấp thêm ngữ cảnh về loại bản tin (công nghệ, tin tức chung, v.v.).)

The output length is limited, and 10 stories is too many. (Độ dài đầu ra bị giới hạn và 10 câu chuyện là quá nhiều.)

Asking for a list of 10 items means we’re working with structured data, which an LLM is poor at. (Yêu cầu một danh sách 10 mục có nghĩa là chúng ta đang làm việc với dữ liệu có cấu trúc, điều mà LLM xử lý kém.)

Which type of neural network is most commonly used for image recognition tasks? (Loại mạng nơ-ron nào được sử dụng phổ biến nhất cho các nhiệm vụ nhận dạng hình ảnh?)

Convolutional Neural Networks (Mạng nơ-ron tích chập)

Recurrent Neural Networks (Mạng nơ-ron hồi tiếp)

K-Nearest Neighbors (K-điểm gần nhất)

Decision Trees (Cây quyết định)

Why is data often compared to oil in the context of AI systems? (Tại sao dữ liệu thường được so sánh với dầu mỏ trong bối cảnh các hệ thống AI?)

Data is the new oil (Dữ liệu là dầu mỏ mới)

Data is always reliable (Dữ liệu luôn đáng tin cậy)

Data is insignificant in AI (Dữ liệu không quan trọng trong AI)

Data management is straightforward (Quản lý dữ liệu là đơn giản)

What is the term for the process of cleaning and organizing raw data for analysis? (Thuật ngữ nào dùng để chỉ quá trình làm sạch và tổ chức dữ liệu thô để phân tích?)

Preprocessing (Tiền xử lý)

Visualization (Trực quan hóa)

What is the term for the process of cleaning and organizing raw data for analysis? Please answer in all lowercase. (Thuật ngữ nào dùng để chỉ quá trình làm sạch và tổ chức dữ liệu thô để phân tích?)

Preprocessing (tiền xử lý)

Which of the following are challenges associated with data acquisition and management in AI systems? (Những thách thức nào sau đây liên quan đến việc thu thập và quản lý dữ liệu trong hệ thống AI?)

Data bias (Thiên lệch dữ liệu)

Data quality (Chất lượng dữ liệu)

Data security (Bảo mật dữ liệu)

Data redundancy (Dư thừa dữ liệu)

Data abundance (Dư thừa dữ liệu)

What is a significant ethical consideration when developing AI systems for real-world applications? (Một yếu tố đạo đức quan trọng khi phát triển các hệ thống AI cho các ứng dụng thực tế là gì?)

Ensuring transparency in AI decision-making processes. (Đảm bảo tính minh bạch trong quy trình ra quyết định của AI.)

Maximizing AI's profit-making abilities. (Tối đa hóa khả năng kiếm lợi nhuận của AI.)

Focusing solely on technical performance of AI. (Chỉ tập trung vào hiệu suất kỹ thuật của AI.)

Prioritizing AI's speed over accuracy. (Ưu tiên tốc độ của AI thay vì độ chính xác.)

Which of the following practices promote diversity in AI development? (Những phương pháp nào sau đây thúc đẩy sự đa dạng trong phát triển AI?)

Including diverse datasets for training AI models. (Sử dụng các tập dữ liệu đa dạng để huấn luyện mô hình AI.)

Involving a variety of cultural perspectives in AI design. (Kết hợp nhiều góc nhìn văn hóa khác nhau trong thiết kế AI.)

Implementing bias detection tools in AI systems. (Triển khai các công cụ phát hiện thiên kiến trong hệ thống AI.)

Focusing on a single demographic group in AI solutions. (Tập trung vào một nhóm nhân khẩu học duy nhất trong giải pháp AI.)

Ignoring feedback from minority groups in AI deployment. (Bỏ qua phản hồi từ các nhóm thiểu số khi triển khai AI.)

Which of the following is a realistic application of natural language processing (NLP)? (Ứng dụng thực tế nào dưới đây là của xử lý ngôn ngữ tự nhiên (NLP)?)

Generating automated language translations for books (Tạo các bản dịch tự động cho sách)

Performing complex mathematical operations quickly (Thực hiện các phép toán toán học phức tạp một cách nhanh chóng)

Designing computer hardware components (Thiết kế các thành phần phần cứng máy tính)

Creating virtual reality environments (Tạo ra các môi trường thực tế ảo)

What is the one-word term for AI technologies that simulate human conversation? (Thuật ngữ nào dùng để chỉ các công nghệ AI mô phỏng cuộc trò chuyện của con người?)

databases (cơ sở dữ liệu)

Image recognization (nhận dạng ảnh)

Select all AI technologies used in image recognition applications. (Chọn tất cả các công nghệ AI được sử dụng trong ứng dụng nhận dạng hình ảnh.)

Convolutional Neural Networks (Mạng nơ-ron tích chập)

Generative Adversarial Networks (Mạng đối sinh)

Support Vector Machines (Máy vector hỗ trợ)

Decision Trees (Cây quyết định)

K-Nearest Neighbors (K-láng giềng gần nhất)

Which of the following is a key responsibility of a data professional? (Trách nhiệm chính nào dưới đây của một chuyên gia dữ liệu?)

Designing and maintaining databases (Thiết kế và duy trì cơ sở dữ liệu)

Performing heart surgeries (Thực hiện phẫu thuật tim)

Developing marketing strategies (Phát triển chiến lược marketing)

Teaching language courses (Dạy các khóa học ngôn ngữ)

Select the skills that are essential for a data professional. (Chọn những kỹ năng cần thiết cho một chuyên gia dữ liệu.)

Statistical analysis (Phân tích thống kê)

Data visualization (Trực quan hóa dữ liệu)

Creative writing (Viết lách sáng tạo)

Public speaking (Kỹ năng nói trước công chúng)

Select all statements that accurately describe the societal impact of AI. (Chọn tất cả các phát biểu chính xác mô tả tác động của AI lên xã hội.)

AI can perpetuate existing biases present in training data. (AI có thể duy trì các thiên kiến sẵn có trong dữ liệu huấn luyện.)

AI can impact employment by automating certain tasks. (AI có thể ảnh hưởng đến việc làm bằng cách tự động hóa một số công việc.)

AI can improve efficiency in various industries. (AI có thể cải thiện hiệu quả trong nhiều ngành công nghiệp.)

AI systems are always objective and unbiased. (Hệ thống AI luôn khách quan và không thiên vị.)

AI development has no impact on privacy concerns. (Phát triển AI không ảnh hưởng đến các vấn đề về quyền riêng tư.)

Which of the following is a key ethical consideration when implementing AI systems? (Yếu tố đạo đức nào dưới đây là quan trọng khi triển khai hệ thống AI?)

Ensuring AI systems are transparent and accountable (Đảm bảo các hệ thống AI minh bạch và có trách nhiệm)

Maximizing AI's profitability at any cost (Tối đa hóa lợi nhuận của AI bằng mọi giá)

Allowing AI to make decisions without human oversight (Cho phép AI ra quyết định mà không cần giám sát của con người)

Focusing solely on AI's technical capabilities (Chỉ tập trung vào khả năng kỹ thuật của AI)

What is the term for the ethical principle that AI should not cause harm to humans? (Thuật ngữ nào chỉ nguyên tắc đạo đức yêu cầu AI không được gây hại cho con người?)

Nonmaleficence (không gây hại)

Which of the following are high-demand skills for data professionals across industries? (Những kỹ năng nào sau đây có nhu cầu cao đối với chuyên gia dữ liệu trong mọi ngành?)

Statistical analysis (Phân tích thống kê)

Data visualization (Trực quan hoá dữ liệu)

Networking equipment management (Quản lý thiết bị mạng)

Financial auditing (Kiểm toán tài chính)

NMKHTTNT & DL 3

Authored by Thúy Thị

others

2nd Grade

Used 1+ times

AI Actions

Add similar questions

Adjust reading levels

Convert to real-world scenario

Translate activity

More...

Content View

Student View

40 questions

Because it can chat. (Bởi vì nó có thể trò chuyện.)

Because it is useful for many different tasks. (Bởi vì nó hữu ích cho nhiều tác vụ khác nhau.)

Because it includes both supervised learning and generative AI. (Bởi vì nó bao gồm cả học có giám sát và AI tạo sinh.)

Because it can be accessed via the general web. (Bởi vì nó có thể được truy cập thông qua web nói chung.)

Access all questions and much more by creating a free account

Create resources

Host any resource

Get auto-graded reports

Continue with Google

Continue with Email

Continue with Classlink

Continue with Clever

or continue with

Microsoft

Apple

Others

Already have an account?

Popular Resources on Wayground

15 questions

Fractions on a Number Line

Quiz

•

3rd Grade

20 questions

Equivalent Fractions

Quiz

•

3rd Grade

25 questions

Multiplication Facts

Quiz

•

5th Grade

$fractions$

22 questions

fractions

Quiz

•

3rd Grade

20 questions

Main Idea and Details

Quiz

•

5th Grade

20 questions

Context Clues

Quiz

•

6th Grade

15 questions

Equivalent Fractions

Quiz

•

4th Grade

20 questions

Figurative Language Review

Quiz

•

6th Grade

Discover more resources for others

14 questions

Contractions

Quiz

•

2nd Grade

10 questions

Exploring Rosa Parks and Black History Month

Interactive video

•

1st - 5th Grade

20 questions

Counting Coins

Quiz

•

2nd Grade

20 questions

Place Value

Quiz

•

KG - 3rd Grade

19 questions

Subject-Verb Agreement

Quiz

•

2nd - 5th Grade

13 questions

Fractions

Quiz

•

1st - 2nd Grade

12 questions

2-Digit Subtraction with Regrouping

Quiz

•

2nd Grade

14 questions

Fractions

Quiz

•

2nd - 3rd Grade