WorksheetsNhập môn AI
Total questions: 43
Worksheet time: 22mins
Một bước quan trọng trong quy trình của các dự án AI, học máy và khoa học dữ liệu là gì - Gợi ý là quá trình sử dụng dữ liệu để đào tạo mô hình?
Trực quan hóa dữ liệu
Huấn luyện mô hình
Sao lưu dữ liệu
Phân bổ tài nguyên
Yếu tố nào cần thiết khi đánh giá một dự án AI để quyết định nên xây dựng nội bộ hay mua giải pháp có sẵn?
Chi phí phát triển so với giá mua
Số lượng nhân viên trong công ty
Sự phổ biến của công nghệ trong truyền thông
Màu sắc thương hiệu của công ty
Thuật ngữ nào dùng để chỉ việc đánh giá các tác động tiềm tàng của AI đối với các chuẩn mực đạo đức và xã hội?
Đạo đức
Hiệu quả
hiệu quả
hiệu suất
Đâu là ngành công nghiệp chủ yếu tuyển dụng các chuyên gia dữ liệu cho phân tích và quản lý dữ liệu?
công nghệ
đồ ăn và nước uống
nông nghiệp
giải trí
Loại tổ chức nào dưới đây thường tuyển dụng chuyên gia dữ liệu?
Các công ty công nghệ
cửa hàng tạp hóa
quán cà phê
công ty xây dựng
Nêu tên một thư viện học máy bắt đầu bằng chữ 's'
Scikit - learn
Pytorch
Pandas
Tensorflow
Thư viện mã nguồn mở nào sau đây được sử dụng phổ biến trong các dự án deep learning?
Pytorch
excel
photoshop
wordpress
Yếu tố thường gặp nào trong các dự án AI có thể ảnh hưởng nghiêm trọng đến tiến độ và ngân sách?
Chất lượng dữ liệu không đảm bảo
Đánh giá quá cao độ phức tạp của thuật toán
Sử dụng công cụ mã nguồn mở
Thuê một nhóm đa dạng
Thuật ngữ nào mô tả thách thức trong việc xử lý hiệu quả khối lượng dữ liệu quá lớn trong một dự án AI?
Quá tải
Không đủ
Chưa khớp
Mã hóa
Từ viết tắt của lĩnh vực nghiên cứu nhằm giúp máy tính hiểu văn bản và lời nói giống như con người là gì?
Xử lý ngôn ngữ tự nhiên
Học máy
Trí tuệ
Mạng nơ - ron tích chập
Kỹ thuật AI nào chủ yếu được sử dụng trong thị giác máy tính cho các nhiệm vụ nhận dạng hình ảnh?
Mạng nơ-ron tích chập
Mạng nơ-ron hồi tiếp
Cây quyết định
Phân cụm K-Means
Khoa học dữ liệu và học máy ảnh hưởng đến các chức năng công việc như thế nào?
Khoa học dữ liệu xác định các mẫu trong dữ liệu để cải thiện ra quyết định
Học máy loại bỏ hoàn toàn sự can thiệp của con người trong các quy trình
Học máy thay thế tất cả các chức năng công việc truyền thống.
Khoa học dữ liệu chỉ đưa ra dự đoán dựa trên xu hướng lịch sử.
Thuật ngữ nào mô tả quá trình sử dụng thuật toán để phân tích dữ liệu, học từ nó và đưa ra quyết định hoặc dự đoán?
mô hình hóa
làm sạch
lưu trữ
trực quan hóa
Nguồn gốc phổ biến của thiên lệch trong các hệ thống AI là gì?
Dữ liệu huấn luyện thiếu sự đa dạng
Sử dụng quá nhiều điểm dữ liệu
Triển khai các thuật toán phức tạp
Sức mạnh tính toán cao
Thuật ngữ nào dùng để mô tả sự đối xử không công bằng giữa các cá nhân dựa trên việc họ thuộc một nhóm nhất định trong hệ thống AI?
phân biệt đối xử
độ chính xác
hiệu quả
minh bạch
Mục tiêu chính trong giai đoạn lập kế hoạch của một dự án khoa học dữ liệu là gì?
Xác định phạm vi và mục tiêu của dự án
Phát triển các sản phẩm đầu cuối
Triển khai quá trình thu thập dữ liệu
Thực hiện đánh giá và xem xét cuối cùng
Thuật ngữ nào thường được sử dụng để chỉ việc tìm ra những thông tin giá trị ẩn bên trong một lượng dữ liệu lớn?
khai phá dữ liệu
lưu trữ dữ liệu
làm sạch dữ liệu
nén dữ liệu
Một trong những vai trò chính của Nhà phân tích dữ liệu trong tổ chức là gì?
Phân tích xu hướng và mẫu dữ liệu để hỗ trợ ra quyết định
Nhà phân tích dữ liệu chủ yếu xử lý việc cài đặt hệ thống phần cứng và phần mềm
Nhà phân tích dữ liệu chịu trách nhiệm duy trì cơ sở hạ tầng máy chủ
Nhà phân tích dữ liệu thiết kế chiến lược tiếp thị cho doanh nghiệp
Mục tiêu chính của các cuộc tấn công đối kháng vào hệ thống AI là gì?
Các cuộc tấn công đối kháng được thiết kế để nâng cao độ chính xác của mô hình AI
Các cuộc tấn công đối kháng thay đổi dữ liệu đầu vào để lừa dối các mô hình AI.
Các cuộc tấn công đối kháng luôn yêu cầu sự can thiệp của con người để thành công
Các cuộc tấn công đối kháng liên quan đến việc thay đổi trực tiếp mã của mô hình AI.
Thách thức chính khi làm việc với dữ liệu không cấu trúc trong các dự án AI là gì?
Khó khăn trong phân tích dữ liệu
Thiếu dữ liệu đã gán nhãn
Chi phí lưu trữ cao
Độ phức tạp trong xử lý dữ liệu trước khi phân tích
Thách thức chính khi làm việc với dữ liệu không cấu trúc trong các dự án AI là gì?)
Thiếu dữ liệu đã gán nhãn
Chi phí lưu trữ cao
Khó khăn trong phân tích dữ liệu
Độ phức tạp trong xử lý dữ liệu trước khi phân tích
Mục tiêu chính của việc sử dụng các kỹ thuật học sâu trong AI là gì?
Để cải thiện độ chính xác bằng cách sử dụng các mạng nơ-ron lớn
Để xử lý dữ liệu có cấu trúc theo thời gian thực
Để giảm chi phí phần cứng sử dụng cho các phép toán AI
Để đơn giản hóa cấu trúc mô hình AI
Những nhiệm vụ nào sau đây thường được thực hiện trong giai đoạn đánh giá mô hình của một dự án AI?
Kiểm tra mô hình trên dữ liệu xác thực
Chọn mô hình phù hợp để triển khai
Điều chỉnh siêu tham số
Thu thập dữ liệu huấn luyện bổ sung
Loại mô hình học máy nào dưới đây mô tả khả năng của mạng nơ-ron trong việc cải thiện hiệu suất khi dữ liệu huấn luyện nhiều hơn?
Học có giám sát
Học tăng cường
Học sâu
Học không giám sát
Sự khác biệt chính giữa học có giám sát và học không giám sát trong học máy là gì?
Học có giám sát sử dụng dữ liệu đã gán nhãn, trong khi học không giám sát sử dụng dữ liệu chưa gán nhãn.
Học có giám sát không yêu cầu xử lý dữ liệu trước, trong khi học không giám sát có
Học không giám sát chính xác hơn học có giám sát.
Học có giám sát nhanh hơn học không giám sát
Lợi ích chính của việc sử dụng phương pháp tổng hợp trong học máy là gì?
Giảm độ phức tạp của mô hình
Cải thiện hiệu suất mô hình
Giảm thời gian huấn luyện
Ngăn ngừa overfitting
Phương pháp nào dưới đây thường được sử dụng để giảm chiều trong học máy?
Phân tích thành phần chính
Phân rã giá trị đặc biệt
Phân cụm K-means
Máy vector hỗ trợ
Những ứng dụng chính của học tăng cường là gì?
Chơi game
Robot học
Phân loại hình ảnh
Xử lý ngôn ngữ tự nhiên
Đâu là định nghĩa đúng nhất về "AI Tạo sinh"?
AI có thể tạo ra nội dung chất lượng cao, chẳng hạn như văn bản, hình ảnh và âm thanh.
Bất kỳ ứng dụng dựa trên web nào tạo ra văn bản.
Một dạng tìm kiếm trên web.
Các hệ thống trí tuệ nhân tạo có thể ánh xạ từ đầu vào A đến đầu ra B.
Đâu là mô tả chính xác nhất về một Mô hình Ngôn ngữ Lớn (LLM)?
Nó tạo ra văn bản bằng cách liên tục dự đoán từ tiếp theo.
Nó tạo ra văn bản bằng cách liên tục dự đoán các từ theo thứ tự ngẫu nhiên.
Nó tạo ra văn bản bằng cách tìm một đối tác viết lách để làm việc cùng bạn.
Nó tạo ra văn bản bằng cách sử dụng học có giám sát để thực hiện tìm kiếm trên web.
Tại sao chúng ta gọi AI là một công nghệ đa năng?
Bởi vì nó có thể trò chuyện.
Bởi vì nó hữu ích cho nhiều tác vụ khác nhau.
Bởi vì nó bao gồm cả học có giám sát và AI tạo sinh.
Bởi vì nó có thể được truy cập thông qua web nói chung.
Token là gì trong ngữ cảnh của một mô hình ngôn ngữ lớn (LLM)?
Một từ hoặc một phần của từ trong lời nhắc đầu vào hoặc đầu ra của LLM.
Một thiết bị vật lý hoặc mã kỹ thuật số để xác thực danh tính của người dùng.
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").
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.
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?
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.
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.)
Chỉ định độ dài mong muốn của mô tả.
Tất cả các câu trả lời khác.
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?
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.
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.
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.
Điều này là sai. Miễn là việc đánh giá nội bộ được thực hiện tốt thì không cần giám sát thêm.
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, trong đó LLM được cung cấp ngữ cảnh bổ sung dựa trên việc truy xuất các email liên quan đến câu hỏi của bạn.
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.
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.
Đào tạo trước một LLM trên email của bạn
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?
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.
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.
Không sử dụng câu trích dẫn này vì LLM có thể tạo ra kết quả độc hại.
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.
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?
Phát triển dựa trên lời nhắc nói chung nhanh hơn nhiều so với học có giám sát.
Phát triển dựa trên lời nhắc yêu cầu bạn thu thập hàng trăm hoặc hàng nghìn ví dụ được gắn nhãn.
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).
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.
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).
about 6000 1.333) (8.000 token (khoảng 6000 1.333)
6000 3/4) (4.500 token (6000 3/4)
6.000 token
about 6000 1.333 + the original 6000 words) (14.000 token (khoảng 6000 1.333 + 6000 từ ban đầu)
Ý tưởng sử dụng LLM làm công cụ suy luận đề cập đến điều gì?
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).
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.
Công cụ suy luận là một thuật ngữ khác của RAG.
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.
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?
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.
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.
ai, 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.
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.
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?
Tinh chỉnh một mô hình 1 tỷ tham số trên khoảng 1.000 ví dụ về email và bộ phận thích hợp.
Đào tạo trước một mô hình 1 tỷ tham số trên khoảng 1 tỷ ví dụ về email và bộ phận thích hợp.
Đào tạo trước một mô hình 1 tỷ tham số trên khoảng 1.000 ví dụ về email và bộ phận thích hợp.
Tinh chỉnh một mô hình 1 tỷ tham số trên khoảng 1 tỷ ví dụ về email và bộ phận thích hợp.
Mối quan hệ giữa AI, tác vụ và công việc là gì?
Công việc bao gồm nhiều tác vụ. AI tự động hóa các tác vụ chứ không phải công việc.
Tác vụ bao gồm nhiều công việc. AI tự động hóa các tác vụ chứ không phải công việc.
Công việc bao gồm nhiều tác vụ. AI tự động hóa công việc chứ không phải tác vụ.
Tác vụ bao gồm nhiều công việc. AI tự động hóa công việc chứ không phải tác vụ.
Một người nhắc 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?
Do giới hạn kiến thức, LLM sẽ không có quyền truy cập vào các tin tức mới nhất.
Lời nhắc cần cung cấp thêm ngữ cảnh về loại bản tin (công nghệ, tin tức chung, v.v.).
Độ dài đầu ra bị giới hạn và 10 câu chuyện là quá nhiều.
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.
