• Chart (biểu đồ)

• Graph (đồ thị)

• Table (bảng)

• Report (báo cáo)

• Pilot (dự án thử nghiệm)

• Prototype (nguyên mẫu)

• Demo (bản thử nghiệm)

• Mockup (mô hình giả lập)

• Forming AI learning groups to share knowledge (Hình thành các nhóm học AI để chia sẻ kiến thức)

• Starting with complex projects to challenge the team (Bắt đầu với các dự án phức tạp để thử thách nhóm)

• Encouraging cross-departmental collaboration on AI initiatives (Khuyến khích sự hợp tác giữa các phòng ban để đưa ra các sáng kiến AI)

• Investing heavily in AI technology before having a clear application plan (Đầu tư mạnh vào công nghệ AI trước khi có kế hoạch ứng dụng rõ ràng)

• Neural Network (mạng nơ-ron)

• Artificial Neural Network (mạng nơ-ron nhân tạo)

• Decisiontree (cây quyết định)

• Expert system (hệ chuyên gia)

• Pilot (dự án thử nghiệm)

• Prototype (nguyên mẫu)

• Simulation (mô phỏng)

• Draft (bản nháp)

• Visionary (tầm nhìn)

• Innovative (sáng tạo)

• Collaborative (hợp tác)

• Authoritative (độc đoán)

• Automation of repetitive tasks (Tự động hóa các nhiệm vụ lặp đi lặp lại)

• Enhance Productivity (Tăng năng xuất làm việc)

• Creation of biased algorithms (Tạo ra các thuật toán thiên lệch)

• Increased dependence on manual labor (Tăng sự phụ thuộc vào lao động thủ công)

• Data Visualization (Trực quan hóa dữ liệu)

Model Training (Huấn luyện mô hình

• Data Backup (Sao lưu dữ liệu)

• Resource Allocation (Phân bổ tài nguyên)

• Cost of development versus purchase price (Chi phí phát triển so với giá mua)

• Number of employees in the company (Số lượng nhân viên trong công ty)

• Popularity of the technology in the media (Sự phổ biến của công nghệ trong truyền thông)

• Color of the company's branding (Màu sắc thương hiệu của công ty)

• Ethics (Đạo đức)

• Performance (Hiệu suất)

• Effective (Hiệu quả)

• Efficiency (Hiệu quả)

• Technology companies (Các công ty công nghệ)

• Grocery stores (Cửa hàng tạp hóa)

• Cafes (Quán cà phê)

• Construction firms (Công ty xây dựng)

• Technology (công nghệ)

• F&B (Đồ ăn & nước uống)

• Agriculture (nông nghiệp)

• Entertainment (giải trí)

• Scikit-learn (Scikit-learn)

• Pytorch (Pytorch)

• Pandas (pandas)

• Tensorflow (tensorflow)

• PyTorch (PyTorch)

• Excel (Excel)

• Photoshop (Photoshop)

• Inadequate data quality (Chất lượng dữ liệu không đảm bảo)

• Overestimating algorithm complexity (Đánh giá quá cao độ phức tạp của thuật toán)

• Using open-source tools (Sử dụng công cụ mã nguồn mở)

• Hiring a diverse team (Thuê một nhóm đa dạng)

• Overload (Quá tải)

• Data insufficient (Không đủ)

• Underfitting (Chưa khớp)

• Encryption (Mã hóa)

• NLP (Xử lý ngôn ngữ tự nhiên)

• ML (Học máy)

• AI (Trí tuệ nhân tạo)

• CNN (Mạng nơ-ron tích chập)

• Convolutional Neural Networks (Mạng nơ-ron tích chập)

• Recurrent Neural Networks (Mạng nơ-ron hồi tiếp)

• Decision Trees (Cây quyết định)

• K-Means Clustering (Phân cụm K-Means)

• Data science identifies patterns in data that improve decision-making. (Khoa học dữ liệu xác định các mẫu trong dữ liệu để cải thiện ra quyết định.)

• Machine learning eliminates the need for human intervention in processes. (Học máy loại bỏ hoàn toàn sự can thiệp của con người trong các quy trình.)

• Data science makes predictions based on historical trends only. (Khoa học dữ liệu chỉ đưa ra dự đoán dựa trên xu hướng lịch sử.)

• Machine learning replaces all traditional job functions. (Học máy thay thế tất cả các chức năng công việc truyền thống.)

• Modeling (Mô hình hóa)

• Cleaning (Làm sạch)

• Storing (Lưu trữ)

• Visualizing (Trực quan hóa)

• Training data that lacks diversity (Dữ liệu huấn luyện thiếu sự đa dạng)

• Using too many data points (Sử dụng quá nhiều điểm dữ liệu)

• Implementing complex algorithms (Triển khai các thuật toán phức tạp)

• High computational power (Sức mạnh tính toán cao)

• discrimination (phân biệt đối xử)

• accuracy (độ chính xác)

• efficiency (hiệu quả)

• transparency (minh bạch)

• Define the scope and objectives of the project. (Xác định phạm vi và mục tiêu của dự án)

• Develop the final deliverables. (Phát triển các sản phẩm đầu cuối)

• Conduct the final review and assessment. (Thực hiện đánh giá và xem xét cuối cùng)

• Implement the data collection process. (Triển khai quá trình thu thập dữ liệu)

• data mining (khai phá dữ liệu)

• data storage (lưu trữ dữ liệu)

data cleaning (làm sạch dữ liệu

• data compression (nén dữ liệu)

• Data Analysts interpret trends and patterns in data to support business decisions. (Phân tích xu hướng và mẫu dữ liệu để hỗ trợ ra quyết định)

• Data Analysts primarily handle the installation of hardware and software systems. (Nhà phân tích dữ liệu chủ yếu xử lý việc cài đặt hệ thống phần cứng và phần mềm)

• Data Analysts are responsible for maintaining server infrastructure. (Nhà phân tích dữ liệu chịu trách nhiệm duy trì cơ sở hạ tầng máy chủ)

• Data Analysts design marketing strategies for enterprises. (Nhà phân tích dữ liệu thiết kế chiến lược tiếp thị cho doanh nghiệp)

• Adversarial attacks manipulate input data to deceive AI models. (Các cuộc tấn công đối kháng thay đổi dữ liệu đầu vào để lừa dối các mô hình AI.)

• Adversarial attacks are designed to enhance AI model accuracy. (Các cuộc tấn công đối kháng được thiết kế để nâng cao độ chính xác của mô hình AI.)

• Adversarial attacks involve directly altering the AI model's code. (Các cuộc tấn công đối kháng liên quan đến việc thay đổi trực tiếp mã của mô hình AI.)

Adversarial attacks always require human intervention to succeed. (Các cuộc tấn công đối kháng luôn yêu cầu sự can thiệp của con người để thành công

• Lack of labeled data (Thiếu dữ liệu đã gán nhãn)

• High cost of storage (Chi phí lưu trữ cao)

• Difficulty in data analysis (Khó khăn trong phân tích dữ liệu)

• Complexity in data preprocessing (Độ phức tạp trong xử lý dữ liệu trước khi phân tích)

• To improve accuracy by using large neural networks (Để cải thiện độ chính xác bằng cách sử dụng các mạng nơ-ron lớn)

• To perform real-time processing of structured data (Để xử lý dữ liệu có cấu trúc theo thời gian thực)

• To reduce the cost of hardware used for AI computations (Để giảm chi phí phần cứng sử dụng cho các phép toán AI)

To simplify the AI model structure (Để đơn giản hóa cấu trúc mô hình AI

• Testing the model on validation data (Kiểm tra mô hình trên dữ liệu xác thực)

• Selecting the appropriate model for deployment (Chọn mô hình phù hợp để triển khai)

• Adjusting hyperparameters (Điều chỉnh siêu tham số)

• Collecting additional training data (Thu thập dữ liệu huấn luyện bổ sung)

• Supervised learning (Học có giám sát)

• Reinforcement learning (Học tăng cường)

• Deep learning (Học sâu)

• Unsupervised learning (Học không giám sát)

• Supervised learning uses labeled data, while unsupervised learning uses unlabeled data. (Học có giám sát sử dụng dữ liệu đã gán nhãn, trong khi học không giám sát sử dụng dữ liệu chưa gán nhãn.)

• Supervised learning does not require data preprocessing, while unsupervised learning does. (Học có giám sát không yêu cầu xử lý dữ liệu trước, trong khi học không giám sát có.)

• Unsupervised learning is more accurate than supervised learning. (Học không giám sát chính xác hơn học có giám sát.)

• Supervised learning is faster to train than unsupervised learning. (Học có giám sát nhanh hơn học không giám sát.)

• Reducing model complexity (Giảm độ phức tạp của mô hình)

• Improving model performance (Cải thiện hiệu suất mô hình)

• Reducing training time (Giảm thời gian huấn luyện)

• Preventing overfitting (Ngăn ngừa overfitting)

• Principal component analysis (Phân tích thành phần chính)

• Singular value decomposition (Phân rã giá trị đặc biệt)

• K-means clustering (Phân cụm K-means)

• Support vector machines (Máy vector hỗ trợ)

• Game playing (Chơi game)

• Robotics (Robot học)

• Image classification (Phân loại hình ảnh)

• Natural language processing (Xử lý ngôn ngữ tự nhiên)

• AI that can produce high quality content, such as text, images, and audio. (AI có thể tạo ra nội dung chất lượng cao, chẳng hạn như văn bản, hình ảnh và âm thanh.)

• Any web-based application that generates text. (Bất kỳ ứng dụng dựa trên web nào tạo ra văn bản.)

• A form of web search. (Một dạng tìm kiếm trên web.)

• Artificial intelligence systems that can map from an input A to an output B. (Các hệ thống trí tuệ nhân tạo có thể ánh xạ từ đầu vào A đến đầu ra B.)

• It generates text by repeatedly predicting the next word. (Nó tạo ra văn bản bằng cách liên tục dự đoán từ tiếp theo.)

• It generates text by repeatedly predicting words in random order. (Nó tạo ra văn bản bằng cách liên tục dự đoán các từ theo thứ tự ngẫu nhiên.)

• It generates text by finding a writing partner to work with you. (Nó tạo ra văn bản bằng cách tìm một đối tác viết lách để làm việc cùng bạn.)

t generates text by using supervised learning to carry out web search. (Nó tạo ra văn bản bằng cách sử dụng học có giám sát để thực hiện tìm kiếm trên web.)

• 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.)

• 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.)

• 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.)

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

• 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.)

• 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.)

• 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.)

• 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.)

• 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.)

• 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.)

• 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))

• 6,000 tokens (6.000 token)

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

• **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.)

• 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.)

• 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.)

• 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.)

• 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.)