WorksheetsChủ đề 1–2 (15p) – Trích câu hỏi trắc nghiệm
Total questions: 138
Worksheet time: 1hrs 9mins
Trí tuệ nhân tạo có thể được định nghĩa theo những hướng tiếp cận nào?
Hệ thống hành động như người
Hệ thống có thể suy nghĩ như người
Hệ thống chỉ dựa trên lập trình truyền thống
Hệ thống hành động hợp lý
Để vượt qua phép thử Turing, hệ thống cần có những khả năng nào?
Xử lý ngôn ngữ tự nhiên
Biểu diễn tri thức
Chỉ cần khả năng tính toán nhanh
Học máy
Vai trò của AI trong xã hội hiện đại như thế nào?
Có khả năng xử lý dữ liệu nhanh hơn và hệ thống hơn con người
Tạo ra cách đơn giản để xây dựng chương trình ra quyết định phức tạp
Chỉ có thể thay thế hoàn toàn con người
Không có ý nghĩa thực tiễn
Thị giác máy (computer vision) thuộc thành phần nào của hệ thống AI?
Cảm nhận (perception)
Lập luận (reasoning)
Hành động (action)
Xử lý thông tin từ môi trường bên ngoài
Hệ chuyên gia có đặc điểm nào?
Làm việc dựa trên kinh nghiệm và tri thức của chuyên gia
Đưa ra khuyến cáo, kết luận, chuẩn đoán một cách tự động
Chỉ có thể hoạt động trong lĩnh vực rộng
Không cần tri thức chuyên môn
Biểu diễn vấn đề trong không gian trạng thái cần xác định những yếu tố nào?
Trạng thái ban đầu
Tập hợp các toán tử
Chỉ cần xác định trạng thái cuối
Tập hợp các trạng thái kết thúc
Cây tìm kiếm có đặc điểm gì?
Gốc của cây tương ứng với trạng thái ban đầu
Các đỉnh được gắn bởi các trạng thái của không gian trạng thái
Chỉ có thể có một đường đi duy nhất
Không thể chứa trạng thái lặp
Tìm kiếm theo chiều rộng có đặc điểm gì?
Trạng thái được sinh ra trước sẽ được phát triển trước
Danh sách L được xử lý như hàng đợi (queue)
Luôn tìm ra đường đi ngắn nhất nếu có nghiệm
Sử dụng ngăn xếp (stack) để lưu trữ
Những khả năng nào sau đây một hệ thống cần có để vượt qua phép thử Turing?
Xử lý ngôn ngữ tự nhiên
Học máy
Biểu diễn tri thức
Học sâu
Chiến lược tìm kiếm nào mở rộng tất cả các nút ở cùng một mức độ trước khi chuyển sang mức độ tiếp theo?
Tìm kiếm theo độ sâu
Tìm kiếm sâu lặp
Tìm kiếm theo chiều rộng
Tìm kiếm leo đồi
Vì sao định nghĩa AI theo hướng “suy nghĩ như con người” không đủ chính xác trong thiết kế hệ thống AI thực tế?
Không thể đo được mức độ "suy nghĩ"
Thiếu cơ sở khoa học chính xác
Con người không phải lúc nào cũng hành động theo logic
Vì AI hiện tại không đủ khả năng nhận thức
Theo bạn, thuật toán tìm kiếm mù nên sử dụng cấu trúc dữ liệu gì để đảm bảo duyệt theo từng lớp? 1. Tìm kiếm theo chiều rộng
queue
ngăn xếp
đệ quy
Theo bạn, thuật toán tìm kiếm mù nên sử dụng cấu trúc dữ liệu gì để đảm bảo duyệt theo từng lớp? 2. Tìm kiếm theo chiều sâu
queue
ngăn xếp
đệ quy
Hướng tiếp cận “hành động hợp lý” được xem là tối ưu trong AI vì:
Nó có thể được đánh giá định lượng
Không phụ thuộc vào hành vi con người
Dễ xây dựng các mô hình toán học
Nó có thể học cảm xúc con người
Trong thực tế, vì sao hướng “hành động như người” lại được sử dụng nhiều trong AI thương mại (như chatbot, robot)?
Dễ gây thiện cảm với người dùng
Không cần logic hình thức
Tập trung vào tương tác và ngôn ngữ
Không cần học máy
Đặc điểm nào sau đây thể hiện rõ sự khác biệt giữa “tìm kiếm không thông tin” và “tìm kiếm có thông tin”?
Cần hàm đánh giá
Có sử dụng heuristic
Đánh giá được chi phí hành động
Duyệt theo thứ tự từ trái qua phải, trên xuống dưới
Nếu một chatbot vượt qua bài kiểm tra Turing, điều đó có nghĩa là:
Không cần thêm bất cứ cải tiến nào nữa
Bài test không thể phân biệt người hay máy
Có trí tuệ cảm xúc
Được xem là có trí tuệ nhân tạo
Ai là người đã công bố bài viết đặt nền móng cho khái niệm “trí tuệ máy” và phép thử nổi tiếng về khả năng tư duy của máy?
John McCarthy
Warren McCulloch
Alan Turing
Arthur Samuel
Vì sao giai đoạn 1974–1980 được gọi là “mùa đông trí tuệ nhân tạo”?
AI bị cắt giảm kinh phí nghiên cứu do thiếu kết quả thực tiễn
Chính phủ các nước dừng tài trợ do các dự đoán quá lạc quan trước đó
Các mô hình học máy cũ không còn hiệu quả với dữ liệu thực tế
Sự thất bại của các hệ chuyên gia khiến giới khoa học mất niềm tin vào AI
Các yếu tố nào sau đây cho thấy giới nghiên cứu AI trong giai đoạn 1966–1973 cần thay đổi cách tiếp cận?
Các kỹ thuật tìm kiếm đơn giản không còn phù hợp với bài toán phức tạp
AI cần được gắn với tri thức và ngữ cảnh chuyên ngành cụ thể
Lập trình hướng đối tượng không phù hợp với các hệ chuyên gia
Việc lập trình bằng tay từng quy tắc không khả thi với quy mô lớn
Một nhà nghiên cứu AI đang giải quyết bài toán có không gian tìm kiếm lớn. Những phương pháp nào dưới đây giúp tránh “bùng nổ tổ hợp” mà các hệ AI trước đây từng gặp phải?
Áp dụng kỹ thuật heuristic để dẫn hướng tìm kiếm
Giảm độ chính xác của lời giải để rút gọn thời gian
Sử dụng thuật toán đệ quy
Nâng cấp phần cứng thay vì thay đổi thuật toán
Biểu diễn vấn đề trong không gian trạng thái cần xác định những yếu tố nào?
Trạng thái ban đầu
Tập hợp các toán tử
Chỉ cần xác định trạng thái cuối
Tập hợp các trạng thái kết thúc
Tìm kiếm theo độ sâu có những hạn chế nào?
Có thể không tìm ra nghiệm nếu không gian trạng thái vô hạn
Có thể bị mắc kẹt ở nhánh vô hạn
Có thể tìm thấy nghiệm ở một độ sâu nhất định
Đòi hỏi nhiều bộ nhớ hơn tìm kiếm theo chiều rộng
Trong tìm kiếm sâu hạn chế, tham số d có ý nghĩa gì?
Là độ sâu tối đa được phép tìm kiếm
Giúp tránh bị mắc kẹt ở nhánh vô hạn
Là số lượng trạng thái tối đa
Là thời gian tối đa cho phép
Đồ thị và/hoặc (AND/OR) được sử dụng để biểu diễn gì?
Việc quy vấn đề về các vấn đề con
Các bài toán có thể phân nhỏ thành các bài toán nhỏ hơn
Chỉ các bài toán tối ưu hóa
Các bài toán không thể phân nhỏ
Một bài toán trong trí tuệ nhân tạo được biểu diễn đầy đủ khi xác định các thành phần nào sau đây?
Tập trạng thái
Tập hành động
Hàm hành động
Điều kiện dừng
Vì sao biểu diễn bài toán bằng đồ thị thường hiệu quả hơn biểu diễn tuyến tính trong AI?
Cho phép quay lui khi cần
Thể hiện đầy đủ các trạng thái lặp
Trực quan hóa tiến trình giải
Đảm bảo thuật toán luôn đúng
Trong bài toán robot dọn phòng, đâu là cách xác định điều kiện đích hợp lý?
Robot quay về điểm ban đầu
Tất cả các vị trí đã được dọn
Robot dừng lại sau 10 phút
Pin còn trên 50%
Điều gì xảy ra nếu mô hình bài toán không xác định rõ trạng thái đích?
Không thể đánh giá nghiệm đúng
Thuật toán sẽ lặp vô hạn
Không thể bắt đầu từ trạng thái đầu
Không xác định được điểm dừng
Một hệ thống AI sử dụng hàm đánh giá khi:
Không có trạng thái đích rõ ràng
Cần tìm kiếm có hiệu quả hơn
Chỉ có duyệt tuyến tính
Cần dẫn hướng để chọn bước đi tốt hơn
Đỉnh được đánh dấu “giải được” khi nào?
Là đỉnh kết thúc
Có ít nhất một toán tử mà tất cả các đỉnh kề theo toán tử đó đều giải được
Có tất cả các toán tử từ đỉnh đến đỉnh giải được
Không có đỉnh kề nào
Quá trình phát triển trạng thái trong tìm kiếm có nghĩa là gì?
Áp dụng các toán tử để sinh ra các trạng thái kế
Tìm tất cả các trạng thái có thể đạt được từ trạng thái hiện tại
Xóa bỏ trạng thái hiện tại
Chỉ di chuyển đến một trạng thái khác
Hàm đánh giá h(u) trong tìm kiếm kinh nghiệm có tác dụng gì?
Đánh giá sự gần đích của trạng thái u
Hướng dẫn tìm kiếm bằng cách chọn trạng thái có nhiều hứa hẹn nhất
Tính toán chính xác chi phí từ u đến đích
Không có tác dụng trong quá trình tìm kiếm
Tìm kiếm tốt nhất - đầu tiên có đặc điểm gì?
Là tìm kiếm theo chiều rộng được hướng dẫn bởi hàm đánh giá
Chọn đỉnh có giá trị hàm đánh giá nhỏ nhất để phát triển
Luôn phát triển tất cả các đỉnh ở cùng một mức
Không cần sắp xếp danh sách các trạng thái
Tìm kiếm leo đồi có đặc điểm gì?
Là tìm kiếm theo độ sâu được hướng dẫn bởi hàm đánh giá
Có thể tìm ra nghiệm ở không gian vô hạn
Luôn chọn trạng thái có ưu tiên cao nhất
Có thể mắc kẹt ở độ sâu vô hạn của cây tìm kiếm
Ưu điểm của tìm kiếm kinh nghiệm so với tìm kiếm mù là gì?
Hàm đánh giá được tính bằng chi phí từ đỉnh hiện thời tới trạng thái đích
Thường nhanh hơn và hiệu quả hơn
Luôn tìm ra nghiệm tối ưu
Không cần xây dựng hàm đánh giá
Hạn chế của tìm kiếm kinh nghiệm là gì?
Phụ thuộc vào chất lượng của hàm đánh giá
Có thể dẫn đến kết quả không tối ưu nếu hàm đánh giá không chính xác
Luôn chậm hơn tìm kiếm mù
Không thể áp dụng cho bài toán thực tế
Điểm khác biệt chính giữa tìm kiếm leo đồi và tìm kiếm tốt nhất - đầu tiên là gì?
Leo đồi chỉ xem xét các đỉnh con của đỉnh hiện tại
Tốt nhất - đầu tiên có thể quay lại các đỉnh ở mức trước
Leo đồi không sử dụng hàm đánh giá
Tốt nhất - đầu tiên không sử dụng hàm đánh giá
Những đặc điểm nào sau đây đúng với hàm đánh giá h(u) trong tìm kiếm kinh nghiệm?
h(u) càng nhỏ thì trạng thái u càng gần đích
h(u) dùng để đo khoảng cách từ trạng thái u đến trạng thái đích
h(u) càng lớn thì trạng thái u được ưu tiên phát triển trước
h(u) có thể dẫn đến sai lầm nếu không được thiết kế đúng
Đâu là vai trò chính của hàm đánh giá trong các chiến lược tìm kiếm kinh nghiệm?
Làm cho tìm kiếm nhanh hơn nhờ hướng dẫn đi đúng hướng
Dùng để tính chi phí thực tế đã đi từ trạng thái ban đầu
Được dùng để quyết định đỉnh nào sẽ được phát triển tiếp theo
Là công cụ thay thế hoàn toàn thuật toán tìm kiếm theo chiều sâu
Trong thuật toán tìm kiếm tốt nhất - đầu tiên, những đặc điểm nào sau đây là đúng?
Chọn trạng thái có giá trị h(u) nhỏ nhất để phát triển tiếp
Luôn phát triển tất cả các trạng thái ở cùng một mức như tìm kiếm theo bề rộng
Có thể phát triển trạng thái ở mức sâu hơn nếu h(u) nhỏ
Không dùng bất kỳ thông tin nào ngoài thứ tự các mức
Điểm khác biệt chính giữa tìm kiếm theo bề rộng và beam search là gì?
Beam search chỉ phát triển k đỉnh tốt nhất ở mỗi mức
Beam search dùng hàm đánh giá để giới hạn nhánh mở rộng
Beam search phát triển toàn bộ các đỉnh như theo chiều sâu
Beam search không cần hàm đánh giá
Theo hình mô phỏng beam search với k=2 , đặc điểm nào sau đây là đúng?
Ở mỗi mức, chỉ 2 đỉnh có điểm số tốt nhất được chọn để mở rộng
Mỗi node con được đánh giá bằng điểm số riêng biệt và giữ lại theo điểm
Chuỗi có điểm cao nhất toàn cục luôn được chọn mở rộng tiếp theo
Beam search có thể bỏ qua chuỗi có điểm tổng cao hơn vì chỉ xét theo mức
Trong beam search với k=2 , tại bước đầu tiên, vì sao A và E được chọn?
Vì chúng là hai đỉnh đầu tiên theo thứ tự từ điển
Vì chúng có điểm số cao nhất trong 5 nhánh đầu tiên
Vì chúng tạo ra nhiều node con hơn so với node khác
Vì các node khác có điểm thấp hơn: C = -123, D = -23, B = -11.4
Về chiến lược lựa chọn trạng thái để phát triển tiếp theo, sự khác nhau giữa Hill-Climbing và Best-First Search?
Hill-Climbing chỉ chọn trạng thái tốt nhất trong số các con của trạng thái hiện tại
Best-First Search có thể chọn lại trạng thái cũ nếu nó có hàm đánh giá tốt nhất
Hill-Climbing có thể phát triển nhiều trạng thái cùng lúc
Best-First Search sử dụng toàn bộ trạng thái trong không gian tìm kiếm để ra quyết định
Hạn chế của thuật toán A* là gì?
Có thể đòi hỏi bộ nhớ lớn để lưu trữ các nút đã khám phá
Hiệu quả phụ thuộc vào chất lượng của hàm heuristic
Luôn chậm hơn tìm kiếm mù
Không thể áp dụng cho bài toán thực tế
Ưu điểm của thuật toán nhánh và cận so với tìm kiếm mù là gì?
Loại bỏ được các nhánh không triển vọng
Giảm đáng kể không gian tìm kiếm
Luôn phải khám phá tất cả các khả năng
Thuật toán nhánh và cận không sử dụng hàm
Thuật toán A* có những đặc điểm nào?
Sử dụng hàm tính khoảng cách từ trạng thái ban đầu đến trạng thái hiện tại
Không cần hàm heuristic
Luôn tìm ra đường đi ngắn nhất mà không cần hàm heuristic
h(n) là ước tính chi phí từ đỉnh n đến đích
Trong thuật toán nhánh và cận, khi nào một nhánh bị cắt tỉa?
Khi cận dưới của nhánh đó lớn hơn giá trị nghiệm tốt nhất hiện tại
Khi không đủ bộ nhớ để lưu trữ kết quả
Khi nhánh đi quá dài
Khi đã khám phá đủ 50 nhánh
Phát biểu nào sau đây là đúng về các hàm đánh giá trong tìm kiếm tối ưu?
Hàm g(u) đo độ dài đường đi từ trạng thái ban đầu đến u
Hàm h(u) phải luôn đánh giá lớn hơn độ dài thực tế đến đích để đảm bảo tối ưu
Hàm h(u) là ước lượng khoảng cách từ u đến trạng thái đích
Hàm f(u) càng nhỏ thì nút u càng được ưu tiên mở rộng
Chọn các đặc điểm đúng về hàm heuristic h(u) trong tìm kiếm tối ưu:
Là hàm đo khoảng cách thực sự từ u đến đích
Là hàm đánh giá thấp nếu h(u) ≤ khoảng cách thật đến đích
Có thể ảnh hưởng đến tính tối ưu của thuật toán nếu không được thiết kế đúng
Luôn phải bằng 0 ở trạng thái đích
Bạn lập trình một robot hút bụi di chuyển trong nhà. Robot cần đi từ vị trí A đến G, tránh các vật cản. Biết khoảng cách thực tế giữa các phòng và h(n) là khoảng cách ước lượng từ n đến G theo đường thẳng. Chọn các đặc điểm đúng về việc áp dụng A* trong trường hợp này.
A* có thể dẫn robot đi theo đường vòng nếu h(n) đánh giá sai
Nếu h(n) chấp nhận được, robot sẽ đi đường tối ưu
h(n) cần phản ánh đúng không gian (có tường, vật cản)
Nếu h(n)=0, robot sẽ chọn bất kỳ đường nào miền gần
Một hệ thống định tuyến mạng viễn thông sử dụng thuật toán A* để xác định đường truyền dữ liệu tối ưu từ máy chủ A đến thiết bị G. Thông tin h(n) được lấy từ độ trễ ước lượng giữa các nút. Những nhận định nào sau đây đúng khi áp dụng A* trong bài toán định tuyến mạng?
Nếu h(n) đánh giá quá thấp, A* có thể tốn nhiều thời gian do mở rộng không cần thiết
Nếu h(n) quá cao, A* có thể bỏ sót đường đi tối ưu
Nếu h(n)=0 với mọi n, A* trở thành thuật toán Dijkstra
A* không thể áp dụng cho mạng động
Trong một hệ thống chỉ đường xe buýt thông minh, A* được dùng để tìm tuyến đi nhanh nhất từ điểm A đến G dựa trên thời gian thực tế và khoảng cách ước lượng. Điều nào sau đây là đúng khi triển khai A* cho hệ thống này?
Nếu h(n) không tính đến kẹt xe, đường đi tìm được có thể không tối ưu
Nếu g(n) được cập nhật liên tục theo dữ liệu giao thông, A* sẽ phản ứng tốt với thay đổi
A* vẫn đảm bảo tìm được lời giải nếu h(n) không chấp nhận được
A* phù hợp với bài toán có nhiều mục tiêu di chuyển đồng thời
Trong một ứng dụng chỉ đường xe tự hành trong kho hàng, xe cần tìm đường từ vị trí A đến G trong khi tránh các kệ hàng và vật cản. Biết g(n): khoảng cách thực tế đã đi; h(n): khoảng cách ước lượng đến đích. Khi nào A* cho kết quả tối ưu nhất trong bài toán này?
Khi h(n) đánh giá đúng hoặc thấp hơn khoảng cách thực tế đến đích
Khi môi trường không thay đổi trong quá trình di chuyển
Khi g(n) và h(n) đều được cập nhật theo thời gian thực
Khi h(n) lớn hơn thực tế để giảm số nút mở rộng
Một công ty giao hàng muốn tối ưu tuyến đường để nhân viên đi qua tất cả các địa điểm giao hàng một lần và quay về kho (bài toán người giao hàng - TSP). Họ áp dụng thuật toán nhánh và cận. Những nhận định nào sau đây đúng?
Nhánh và cận giúp loại bỏ các tuyến không khả thi trước khi xét đến cùng
Cận dưới được tính càng chặt thì thuật toán càng nhanh
Thuật toán luôn đảm bảo tìm được nghiệm tối ưu nếu không cắt sớm
Thuật toán chỉ áp dụng cho bài toán có dưới 10 điểm giao hàng
Bạn đang lập lịch thi cho một môi trường đại học sao cho không có hai môn thi trùng giờ với sinh viên trùng lớp. Bạn sử dụng thuật toán nhánh và cận để giảm không gian tìm kiếm. Lợi ích nào sau đây là hợp lý khi sử dụng nhánh và cận trong bài toán này?
Có thể loại bỏ nhanh các lịch thi không hợp lệ mà không cần kiểm tra toàn bộ
Giảm số lượng tổ hợp cần xét bằng cách đánh giá sớm tính khả thi
Luôn đảm bảo có ít môn thi nhất
Đảm bảo kiểm tra toàn bộ không gian lời giải để tìm phương án tối ưu
Một nhà máy cần xếp hàng hóa lên xe tải sao cho tổng khối lượng không vượt quá tải trọng, và tổng giá trị hàng là lớn nhất. Họ áp dụng thuật toán nhánh và cận. Chọn nhận định đúng về hiệu quả khi áp dụng thuật toán nhánh và cận:
Giải quyết bài toán tương tự như Balo (Knapsack)
Có thể dừng sớm nhánh nếu tổng trọng lượng vượt giới hạn
Không đảm bảo tìm được nghiệm nếu cân trên không được tính chính xác
Thời gian thực thi phụ thuộc vào chiến lược chọn nhánh mở rộng
Trong bài toán phân công công việc cho 5 nhân viên với 5 nhiệm vụ sao cho tổng chi phí là thấp nhất, bạn áp dụng thuật toán nhánh và cận. Tại sao nhánh và cận phù hợp cho bài toán này?
Vì không gian tìm kiếm dạng tổ hợp, có thể cắt bỏ nhánh kém hiệu quả
Vì mỗi nhánh tương ứng với một phân công tạm thời
Vì luôn tồn tại chiến lược chọn nhân viên tốt nhất cho mỗi nhiệm vụ
Vì có thể tính cận dưới để dừng sớm các nhánh kém
Bạn xây dựng phần mềm chơi cờ (game AI), trong đó cần nhanh chóng chọn nước đi tốt nhất trong thời gian giới hạn, dù không chắc nước đó là tối ưu. Thuật toán nào sau đây là lựa chọn phù hợp nhất?
Tìm kiếm theo chiều rộng
Tìm kiếm toàn bộ không gian trạng thái
Tìm kiếm theo chiến lược heuristic như Leo đồi (Hill-Climbing)
Tìm kiếm A*
Bạn đang lập trình một ứng dụng chơi cờ vua giữa người và máy. Trong đó, máy sẽ cầm quân Trắng và ra quyết định nước đi dựa trên thuật toán Minimax. Những thông tin nào sau đây cần được biểu diễn đầy đủ trong một trạng thái của cây trò chơi?
Vị trí chính xác của các quân trên bàn cờ
Lượt chơi hiện tại thuộc về người hay máy
Danh sách các nước đi hợp lệ tiếp theo
Tốc độ xử lý CPU của thiết bị chơi
Trong trò chơi cờ caro do bạn phát triển, máy tính cần lựa chọn nước đi bằng thuật toán Minimax có cắt tỉa alpha-beta. Những yếu tố nào sau đây giúp giảm số lượng trạng thái cần xét?
Áp dụng giới hạn độ sâu tìm kiếm
Sắp xếp các nước đi sao cho nước tốt được duyệt trước
Bỏ bớt các trạng thái đã duyệt qua trước đó
Tăng kích thước bàn cờ
Bạn phát triển trò chơi Dodgem giữa người và máy, trong đó máy chơi bên Trắng và dùng hàm đánh giá để chấm điểm các trạng thái. Đâu là các yếu tố cần thiết để thiết kế một hàm đánh giá hiệu quả?
Vị trí tương đối giữa quân Trắng và quân Đen
Tổng số quân Trắng còn lại
Số lượt đi tối ưu còn lại để thắng
Khả năng quân Trắng trực tiếp chặn đường đi của quân Đen
Bạn thiết kế một trò chơi dạng cờ mini với bàn cờ 4×4 và sử dụng Minimax để quyết định nước đi cho máy. Bạn cần xây dựng cây trò chơi. Những yếu tố nào sau đây là đặc điểm của cây trò chơi?
Mỗi đỉnh biểu diễn một trạng thái của trò chơi
Mỗi cạnh biểu diễn một nước đi hợp lệ
Lá cây luôn là trạng thái thắng hoặc thua
Mỗi đỉnh phải chứa điểm số của người chơi
Trong ứng dụng AI, với Minimax dừng ở độ sâu giới hạn và dùng hàm đánh giá để ước lượng giá trị trạng thái. Nhận định nào đúng về vai trò của hàm đánh giá?
Giúp mô phỏng kết quả mà không cần chơi đến hết ván
Giảm thời gian xử lý bằng cách tránh duyệt toàn bộ cây
Luôn cho kết quả chính xác như trạng thái kết thúc
Được thiết kế dựa trên các yếu tố chiến lược của trò chơi
Bạn xây dựng phần mềm chơi cờ tướng online giữa người và AI. AI sử dụng Minimax để lựa chọn nước đi. Trong mỗi lượt chơi, AI sẽ thực hiện điều nào?
Lựa chọn nước đi có giá trị đánh giá cao nhất theo hàm eval
Ưu tiên nước đi gần với vị trí quân Tướng của đối thủ
Chạy Minimax duyệt toàn bộ cây cho đến trạng thái kết thúc
Xét tất cả các nước đi hợp lệ từ trạng thái hiện tại
Trong bài học khoa học máy tính, bạn cần giải thích quy trình hoạt động của Minimax cho quá trình tìm kiếm nước đi tối ưu. Những bước sau đây là hợp lý và đúng với bản chất của thuật toán Minimax?
Duyệt cây trò chơi từ trạng thái ban đầu (gốc) đến các trạng thái kết thúc (lá) theo thứ tự luân phiên lượt chơi giữa người và máy
Gán giá trị cho các trạng thái kết thúc bằng điểm kết quả hoặc hàm đánh giá trạng thái nếu chưa kết thúc
Quay ngược từ các trạng thái lá về gốc để xác định nước đi tối ưu ở từng nút dựa theo vai trò Max/Min
Nếu không chắc chắn trạng thái nào tốt nhất, AI chọn ngẫu nhiên một nước đi trong số các lựa chọn còn lại
Một sinh viên lập trình cờ caro AI phân tích Minimax với độ sâu d=4 thấy thời gian chạy rất lâu. Những nguyên nhân nào sau đây là hợp lý?
Số lượng nước đi hợp lệ quá nhiều tại mỗi bước
Không sử dụng giới hạn độ sâu hoặc cắt tỉa
Không áp dụng hàm đánh giá ở trạng thái trung gian
Do Minimax không hỗ trợ game cờ caro
Bạn đang phát triển một game cờ giữa người và máy. Máy sử dụng chiến thuật đi trước với quân Trắng. Trò chơi có cây trạng thái lớn với nhiều lựa chọn cho mỗi nước. Để tăng tốc tính toán nước đi tiếp theo, nên áp dụng thuật toán nào và tại sao?
Minimax để đảm bảo chọn nước đi tối ưu
Alpha-Beta để giảm số lượng trạng thái cần xét
DFS (tìm kiếm theo chiều sâu) để tránh xét toàn bộ cây
A* để tìm đường ngắn nhất đến trạng thái thắng
Trong một bài kiểm tra kỹ năng chiến lược AI, hãy lý giải vì sao Alpha-Beta có thể đưa ra kết quả giống Minimax nhưng nhanh hơn. Chọn phát biểu đúng.
Alpha-Beta loại bỏ hoàn toàn các nhánh không ảnh hưởng đến quyết định cuối
Alpha-Beta đảm bảo tìm tối ưu nếu nước được duyệt theo thứ tự tốt
Alpha-Beta chỉ xét các lá
Alpha-Beta không cần hàm đánh giá
Bạn đang phát triển ứng dụng AI cho game chiến thuật thời gian thực với hàng trăm lựa chọn mỗi bước. Cách nào dưới đây giúp mô hình vẫn chọn được nước đi hiệu quả mà không tính toàn bộ cây trạng thái?
Áp dụng A∗
Giới hạn độ sâu và dùng Alpha-Beta
Cắt sớm các nhánh có giá trị chắc chắn không tối ưu
Đánh giá trạng thái lá bằng hàm heuristic
Trong AI cho game chiến thuật theo lượt, bạn cần theo dõi sự thay đổi của α và β trong quá trình duyệt cây trạng thái. Chọn nhận định đúng.
α là giá trị tốt nhất mà MAX chắc chắn đạt được tại thời điểm đó
β là giá trị tốt nhất mà MIN chắc chắn đạt được tại thời điểm đó
Nếu α≥β , có thể cắt tỉa phần còn lại của nhánh
α và β là giá trị trung bình của tất cả các lá đã duyệt
Bạn huấn luyện AI chơi cờ caro với kích thước bàn lớn 15×15 và độ sâu tìm kiếm giới hạn. Để tăng tốc, bạn kết hợp Minimax với Alpha-Beta. Những điều nào sau đây là đúng?
Alpha-Beta chỉ hiệu quả nếu thứ tự nước đi tốt
Càng nhiều nhánh ở mỗi nút, càng có lợi cho Alpha-Beta
Alpha-Beta có thể dùng kết hợp với giới hạn thời gian
Nếu không dùng Alpha-Beta, thời gian tính toán sẽ tăng lên đáng kể
Chọn một chiến lược AI cho trò chơi hai người có cạnh tranh, mỗi bên chọn nước đi tối ưu, không có yếu tố ngẫu nhiên. Mục tiêu là tìm nước đi tốt nhất trong thời gian giới hạn. Thuật toán phù hợp nhất là:
DFS
A∗
Minimax kết hợp Alpha-Beta
Hill Climbing
Trong một trò chơi mô phỏng robot thi đấu, robot cần quyết định nước đi tối ưu trước các chiến thuật đối thủ. Mỗi lượt chơi được mô hình hóa như cây trạng thái có độ sâu xác định và điểm số được gán cho mỗi két thủ. Thuật toán nên dùng là:
Dijkstra
Minimax
Beam Search
BFS
Xét các mệnh đề: P: Học sinh quên làm bài tập. Q: Học sinh bị trừ điểm. R: Học sinh đi học muộn. Giáo viên tuyên bố: "Nếu học sinh quên làm bài tập hoặc đi học muộn thì sẽ bị trừ điểm." Biểu diễn logic đúng là:
(P∨R)→Q
P∧R→Q
P∨Q→R
P∨(Q→R)
Cho các mệnh đề: P: Máy chủ hoạt động. Q: Dịch vụ được cung cấp. R: Người dùng truy cập được. Phát biểu: "Nếu máy chủ hoạt động thì dịch vụ được cung cấp và người dùng có thể truy cập." Công thức logic tương ứng là:
P→(Q∧R)
(P∧Q)→R
P→(Q∨R)
(Q∧R)→P
P: Người dùng nhập mật khẩu đúng. Q: Hệ thống cho phép truy cập. R: Tài khoản chưa bị khóa. Phát biểu: "Nếu người dùng nhập đúng mật khẩu và tài khoản chưa bị khóa thì hệ thống sẽ cho phép truy cập." Chọn tất cả công thức logic sai.
(P∧R)→Q
P∨R→Q
P∧Q→R
P→(R∧Q)
P: Trời mưa. Q: Người đi đường mang ô. R: Người đi đường bị ướt. Phát biểu: "Nếu trời mưa và người không mang ô thì người sẽ bị ướt." Biểu diễn đúng là:
(P∧¬Q)→R
(¬P∧Q)→R
¬P→R
(P∧Q)→R
Cho biểu thức logic (P∧Q)→R với ý nghĩa: P: Người dùng nhập đúng tài khoản. Q: Người dùng nhập đúng mật khẩu. R: Hệ thống cho phép đăng nhập. Chọn diễn giải đúng nhất.
Hệ thống cho phép đăng nhập nếu người dùng nhập đúng tài khoản hoặc đúng mật khẩu
Nếu người dùng nhập đúng cả tài khoản và mật khẩu thì hệ thống sẽ cho phép đăng nhập
Nếu hệ thống cho phép đăng nhập thì người dùng đã nhập đúng tài khoản và mật khẩu
Người dùng chỉ cần đúng một trong hai là có thể đăng nhập
Cho biểu thức P→(Q∨R)∨R với P: Máy chủ bị lỗi. Q: Dịch vụ bị gián đoạn. R: Người dùng không truy cập được hệ thống. Cách hiểu phù hợp nhất là:
Nếu máy chủ bị lỗi thì sẽ xảy ra ít nhất một trong hai: dịch vụ gián đoạn hoặc người dùng không truy cập được
Nếu máy chủ không bị lỗi thì người dùng không truy cập được
Chỉ khi người dùng không truy cập được thì dịch vụ mới bị gián đoạn
Nếu người dùng không truy cập được thì chắc chắn máy chủ bị lỗi
Cho biểu thức (P∨Q)→(R∧¬S)∨¬P . Với P: Dữ liệu đầu vào bị lỗi. Q: Kết quả kiểm thử thất bại. R: Quy trình kiểm tra lại được kích hoạt. S: Hệ thống tự động lưu kết quả. Câu mô tả phù hợp nhất là:
Nếu dữ liệu lỗi hoặc kiểm thử thất bại, thì hệ thống phải kiểm tra lại và không được lưu kết quả
Nếu kiểm thử thất bại thì hệ thống sẽ lưu lại lỗi
Kết quả được lưu khi kiểm thử thành công
Hệ thống lưu kết quả nếu dữ liệu không bị lỗi
Cho biểu thức P↔(Q∧R) . Với P: Người dùng được cấp quyền truy cập. Q: Người dùng đã xác minh danh tính. R: Người dùng chấp nhận điều khoản sử dụng. Cách hiểu đúng nhất là:
Người dùng sẽ được cấp quyền nếu và chỉ nếu đã xác minh danh tính và chấp nhận điều khoản
Người dùng được cấp quyền nếu và chỉ nếu đã xác minh danh tính hoặc chấp nhận điều khoản
Xác minh danh tính là không bắt buộc
Chỉ cần chấp nhận điều khoản là đủ để truy cập
Một nhóm sinh viên phát triển hệ thống hỗ trợ lập luận pháp lý, cần kiểm tra logic từ các giả định để suy ra kết luận. Cho tập các mệnh đề: (1) P→Q (2) Q→R (3) R∧S→T (4) S (5) P . Phát biểu nào sau đây là luật suy diễn hợp lệ?
Từ (1) và (5), suy ra Q (Modus Ponens)
Từ (2) và Q , suy ra R (Modus Ponens)
Từ (3), (4) và R , suy ra T
Từ (5) và (2), có thể suy ra T trực tiếp
Bạn viết công cụ chứng minh bằng suy diễn theo luật giải (Resolution). Với tập công thức: (1) ¬P∨Q (2) ¬Q∨R (3) P . Mệnh đề nào suy ra đúng?
Từ (1) và (3) suy ra Q
Từ (2) và Q suy ra R
Từ (1), (2), (3) suy ra R
Từ (1) và (2) suy ra ¬P
Trong một ứng dụng kiểm tra mâu thuẫn tri thức đầu vào, hệ thống thu được các mệnh đề: (1) P→Q (2) ¬Q (3) R∨S (4) ¬S . Hệ thống cần xác định tập nào dẫn đến mâu thuẫn logic. Phát biểu đúng là:
Từ (1) và (2) suy ra ¬P (Modus Tollens)
Từ (3) và (4) suy ra R
Tập (1), (2), (3), (4) không mâu thuẫn
Từ (2) và (3) suy ra ¬P∧R là mệnh đề hiển nhiên
Một AI phân tích văn bản pháp lý sử dụng luật suy diễn để tìm kết luận. Cho tập công thức: (1) ¬A∨B (2) ¬B∨C (3) ¬C (4) A . Phát biểu nào sau đây là suy diễn sai?
Từ (1) và (4) suy ra B
Từ (2) và B suy ra C
Từ (3) và C dẫn đến mâu thuẫn
Từ (1), (2), (3), (4) — hệ thống không mâu thuẫn
Cho các mệnh đề: (1) Nếu trời mưa thì đường trơn. (2) Trời đang mưa. (3) Nếu đường trơn thì học sinh đi học trễ. Từ các mệnh đề trên, suy diễn nào là hợp lệ?
Học sinh đi học trễ
Đường trơn
Trời không mưa
Nếu trời mưa thì không học sinh đi học trễ
Bạn đang lập trình một hệ hỗ trợ bác sĩ chẩn đoán bệnh. Giả sử có các mệnh đề: (1) Nếu bệnh nhân bị sốt thì có khả năng nhiễm trùng. (2) Nếu nhiễm trùng thì bạch cầu tăng cao. (3) Bệnh nhân đang bị sốt. Những suy diễn nào hợp lệ?
Bạch cầu tăng cao
Bệnh nhân chắc chắn không nhiễm trùng
Nếu không sốt thì không nhiễm trùng
Nhiễm trùng là nguyên nhân duy nhất
Bạn xây dựng phần mềm hỗ trợ giao thông. Giả sử các mệnh đề sau đúng: (1) Nếu đèn đỏ thì xe phải dừng. (2) Nếu xe không dừng thì vi phạm luật. (3) Xe không dừng. Những suy diễn nào sau đây là hợp lệ?
Đèn không đỏ.
Xe vi phạm luật.
Xe dừng.
Nếu đèn đỏ thì xe vi phạm luật.
Một người sẽ được nhận nếu họ có bằng cấp và biết Python. Ký hiệu: A(x) : x có bằng cấp; B(x) : x biết Python; C(x) : x được nhận. Mệnh đề nào sau đây là đúng?
∀x(A(x)∧B(x)→C(x))
∀x(C(x)→A(x)∧B(x))
∃x(A(x)∧B(x)∧C(x))
∀x(¬A(x)∨¬B(x)→¬C(x))
Nếu một người đặt phòng thì họ phải có tài khoản hợp lệ. Ký hiệu: P(x) : x đặt phòng; Q(x) : x có tài khoản hợp lệ. Biểu diễn nào đúng?
∀x(P(x)→Q(x))
∀x(¬Q(x)→¬P(x))
∃x(P(x)∧¬Q(x))
∀x(Q(x)→P(x))
Sinh viên học chăm thì qua môn. Ký hiệu: A(x) : x là sinh viên; B(x) : x học chăm; C(x) : x thi qua môn. Biểu diễn nào đúng?
∀x(A(x)∧B(x)→C(x))
∃x(A(x)∧¬B(x)→C(x))
∀x(¬C(x)→¬B(x))
∀x(C(x)→B(x))
Mỗi người đều có một số điện thoại. Ký hiệu: A(x) : x là người; B(y) : y là số điện thoại; R(x,y) : x sở hữu y. Biểu diễn nào đúng?
∀x(A(x)→∃y(B(y)∧R(x,y)))
∃x∀y(R(x,y)→A(x))
∀x∃yR(x,y)
∀y∃xR(x,y)
Cho công thức: ∀x(A(x)∧B(x)→C(x)) . Diễn giải nào là đúng?
Nếu một người có A và B thì có C.
Ai có A và B sẽ có C.
Người có C chắc chắn có A và B.
Người không có A hoặc không có B sẽ có C.
Cho công thức: ∃x(A(x)∧B(x)) . Diễn giải nào là đúng?
Có ít nhất một đối tượng có cả A và B.
Mọi đối tượng đều có A và B.
Một số đối tượng không có A.
Có tồn tại một đối tượng có A và B.
Cho công thức: ∀x(A(x)→B(x)) . Diễn giải nào sau đây là hợp lý?
Mọi đối tượng có A đều có B.
Nếu có B thì không có A.
Nếu có B thì chắc chắn có A.
Mọi đối tượng có B đều có A.
Cho công thức: ∀x∃yR(x,y) . Diễn giải nào là phù hợp?
Mỗi đối tượng đều có một người liên quan đến nó qua quan hệ R.
Có ít nhất một người liên quan đến tất cả qua R.
Mọi người đều quen liên quan đến ai.
Mỗi người đều có ai đó liên quan đến mình.
Cho công thức: ∃x∀yR(x,y) . Ý nghĩa nào sau đây là đúng?
Có một đối tượng liên hệ với tất cả các đối tượng khác.
Mỗi đối tượng đều liên hệ với ai đó.
Có người biết tất cả.
Mọi người đều biết nhau.
Tình huống: Trong một bệnh viện, người ta định nghĩa các vị từ như sau: P(x) : x là bác sĩ; Q(x) : x là người biết cấp cứu; R(x) : x có trực đêm. Cơ sở tri thức: ∀x(P(x)→Q(x)) , ∀x(Q(x)→R(x)) , P(A) . Những suy diễn nào sau đây là hợp lệ?
Q(A)
R(A)
P(x)→R(x)
P(A)→R(B)
Tình huống: Ở một trung tâm đào tạo, các vị từ được định nghĩa như sau: T(x) : x là giáo viên; M(x) : x biết tiếng Anh; L(x) : x dạy lớp quốc tế. Cơ sở tri thức: ∀x(T(x)∧M(x)→L(x)) , T(B)∧M(B) . Những suy diễn nào sau đây là hợp lệ?
L(B)
∀x(M(x)→L(x))
∃xL(x)
Tình huống: Trong một công ty, định nghĩa các vị từ sau: E(x) : x là nhân viên; W(x) : x làm việc chăm chỉ; B(x) : x được thưởng quý. Cơ sở tri thức: ∀x(E(x)∧W(x)→B(x)) , E(C)∧W(C) . Những suy diễn nào sau đây là hợp lệ?
B(C)
W(C)→B(C)
E(C)→B(C)
∀x(E(x)→B(x))
Tình huống: Trong một hệ thống thư viện, định nghĩa các vị từ: R(x) : x là người đọc sách thường xuyên; M(x) : x có thẻ thành viên; F(x) : x được mượn sách đặc biệt. Cơ sở tri thức: ∀x(R(x)→M(x)) , ∀x(M(x)→F(x)) , R(D) . Những suy diễn nào sau đây là hợp lệ?
M(D)
F(D)
R(D)→F(D)
R(x)→F(x)
Tình huống: Trong một tổ chức từ thiện, có các vị từ: V(x) : x là tình nguyện viên; C(x,y) : x chăm sóc y; H(y) : y là người khuyết tật. Cơ sở tri thức: ∀x∀y(V(x)∧H(y)→C(x,y)) , V(E) , H(M) . Những suy diễn nào sau đây là hợp lệ?
C(E,M)
V(E)→C(E,M)
∀y(H(y)→C(E,y))
∃yC(E,y)
Bạn xây dựng phần mềm quản lý tuyển sinh đại học. Cơ sở dữ liệu định nghĩa như sau: A(x) : x nộp hồ sơ; B(x) : x trúng tuyển; C(x) : x có điểm > 24. Biết rằng: ∀x(C(x)→B(x)) , ∀x(B(x)→A(x)) , C(Nam) . Những suy diễn hợp lệ nào sau đây?
Nam trúng tuyển.
Nam đã nộp hồ sơ.
Nếu Nam không nộp hồ sơ thì trúng tuyển.
Nếu điểm của Nam = 24 thì không trúng tuyển.
Bạn xây dựng hệ thống chẩn đoán y tế dựa trên luật như sau: Luật 1: nếu bệnh nhân bị sốt và đau họng thì bệnh nhân có thể bị viêm họng. Luật 2: nếu bệnh nhân bị viêm họng thì bác sĩ chỉ định xét nghiệm máu. Luật 3: nếu bệnh nhân sốt cao >39∘C và run lạnh thì bệnh nhân có thể bị cúm. Một bệnh nhân có các triệu chứng: sốt (38.5∘C) , đau họng. Những kết luận nào sau đây có thể được suy diễn?
Bệnh nhân bị viêm họng.
Bệnh nhân cần xét nghiệm máu.
Bệnh nhân bị cúm.
Bệnh nhân bị sốt cao.
Hệ thống quản lý phương tiện có luật: Luật 1: nếu xe có 4 bánh và dùng xăng thì đó là xe hơi. Luật 2: nếu xe là xe hơi và xe có gắn logo Toyota thì đó là xe Toyota. Luật 3: nếu xe có 2 bánh thì đó là xe máy. Một phương tiện được mô tả: có 4 bánh, dùng xăng, có logo Toyota. Hệ thống sẽ đưa ra các kết luận nào?
Xe hơi.
Xe Toyota.
Xe máy.
Xe chạy điện.
Trong hệ thống tư vấn nghề nghiệp: Luật 1: nếu học sinh thích toán và thích máy tính thì phù hợp ngành Khoa học máy tính. Luật 2: nếu học sinh thích vẽ và sáng tạo thì phù hợp ngành Thiết kế đồ hoạ. Luật 3: nếu học sinh yêu thích sinh học thì phù hợp ngành Y. Một học sinh yêu thích toán và máy tính. Gợi ý ngành nghề phù hợp là?
Khoa học máy tính.
Thiết kế đồ hoạ.
Y.
Kinh tế.
Hệ thống nhận dạng môi trường nguy hiểm có luật: Luật 1: nếu có khói và có mùi khét thì có thể có cháy. Luật 2: nếu có cháy thì kích hoạt báo động. Luật 3: nếu nhiệt độ tăng nhanh thì nghi ngờ cháy. Cảm biến báo: có khói, có mùi khét. Kết luận nào đúng?
Có cháy.
Kích hoạt báo động.
Có trộm.
Nhiệt độ tăng nhanh.
Phần mềm nhà thông minh có luật: Luật 1: nếu trời tối thì bật đèn. Luật 2: nếu người rời khỏi nhà thì tắt điều hoà. Luật 3: nếu trời mưa thì đóng cửa sổ. Tình huống: trời tối, trời mưa, không có người trong nhà. Hệ thống thực hiện gì?
Bật đèn.
Tắt điều hoà.
Mở cửa sổ.
Đóng cửa sổ.
Trong hệ thống quản lý học tập: Luật 1: nếu học sinh điểm trung bình < 5 thì xếp loại yếu. Luật 2: nếu học sinh xếp loại yếu thì gửi email cảnh báo. Luật 3: nếu học sinh điểm trung bình > 8 thì xếp loại giỏi. Một học sinh có điểm trung bình 4.8 . Suy luận hợp lý là?
Học sinh xếp loại giỏi.
Học sinh xếp loại yếu.
Gửi email cảnh báo.
Học sinh đạt học bổng.
Trong phần mềm giáo dục môi trường: Luật 1: nếu cây có lá kim thì cây thuộc họ thông. Luật 2: nếu cây có lá rộng và rụng lá thì cây thuộc họ sồi. Luật 3: nếu cây thuộc họ thông thì sống tốt ở vùng lạnh. Cây quan sát có lá kim. Suy diễn nào đúng?
Cây thuộc họ thông.
Cây thuộc họ sồi.
Cây sống tốt ở vùng lạnh.
Cây không có lá.
Trong chatbot chăm sóc khách hàng: Luật 1: nếu khách than phiền và dùng từ “tệ” thì đánh giá cảm xúc tiêu cực. Luật 2: nếu cảm xúc tiêu cực thì chuyển cho nhân viên tư vấn. Luật 3: nếu khách dùng từ “tốt” và “hài lòng” thì đánh giá cảm xúc tích cực. Khách nhắn: “Dịch vụ quá tệ và chậm trễ”. Chatbot sẽ?
Đánh giá cảm xúc tiêu cực.
Chuyển cho nhân viên tư vấn.
Đánh giá cảm xúc tích cực.
Gửi mã giảm giá.
Robot chăm sóc cây có luật: Luật 1: nếu độ ẩm đất thấp thì tưới nước. Luật 2: nếu cây bị sâu thì phun thuốc. Luật 3: nếu trời mưa thì ngừng tưới nước. Tình huống: độ ẩm đất thấp, trời không mưa. Hành động nào sẽ diễn ra?
Tưới nước.
Phun thuốc.
Ngừng tưới nước.
Giữ nguyên trạng thái.
Cho cơ sở tri thức: R1 : nếu động vật có 4 chân thì động vật là thú; R2 : nếu động vật có móng guốc và có 2 mông thì động vật thuộc họ trâu bò; R3 : nếu động vật thuộc họ trâu bò và thích chỗ ẩm ướt thì động vật là trâu. Cho các giả thiết về B1 : có 4 chân; có móng guốc; có 2 mông; thích chỗ ẩm ướt. Những suy diễn nào là hợp lý để kiểm tra giả thuyết “ B1 là trâu”?
Kiểm tra R3 , và tìm xem B1 có thuộc họ trâu bò và thích ẩm ướt không.
Từ R2 , xác định xem B1 có móng guốc và 2 mông để kết luận B1 thuộc họ trâu bò.
Từ R1 , nếu B1 có 4 chân thì B1 là thú và từ đó suy ra B1 là trâu.
Nếu B1 không có móng guốc thì không thể áp dụng R2 .
Cho cơ sở tri thức: R1 : nếu con vật có lông vũ thì con vật là chim; R2 : nếu con vật là chim và biết bay thì con vật có thể di cư; R3 : nếu con vật biết bay và sống theo đàn thì con vật dễ thích nghi. Cho các sự kiện về X : có lông vũ; biết bay; sống theo đàn. Những kết luận nào có thể suy diễn được theo lập luận lùi khi giả thuyết là “ X dễ thích nghi”?
Áp dụng R3 để kiểm tra điều kiện X biết bay và sống theo đàn.
Sau khi biết X dễ thích nghi thì suy ra X là chim.
Nếu X có lông vũ, có thể suy luận X là chim.
Nếu X là chim và biết bay, thì từ R2 có thể suy ra X có thể di cư.
Cơ sở tri thức: R1: Nếu trời mưa thì đường ướt. R2: Nếu đường ướt thì xe dễ trượt. R3: Nếu xe dễ trượt và người lái không cẩn thận thì có thể gây tai nạn. R4: Nếu trời nắng thì ăn kem. Tập sự kiện: F1: Trời mưa; F2: Người lái không cẩn thận. Giả thuyết: Có thể gây tai nạn. Những luật nào cần được sử dụng để dẫn đến giả thuyết?
R1
R2
R3
R4
Cơ sở tri thức: R1: Nếu thực vật có hoa thì là thực vật có hạt. R2: Nếu thực vật có hạt và sinh sản bằng hạt thì là cây hạt kín. R3: Nếu là cây hạt kín và có quả thì là cây ăn quả. Tập sự kiện: F1: Cây mít có hoa; F2: Cây mít có quả. Giả thuyết: Cây mít là cây ăn quả. Luật nào không cần thiết để chứng minh giả thuyết?
R1
R2
R3
Không luật nào bị loại
Cơ sở tri thức: R1: Nếu người học lập trình và biết giải quyết vấn đề thì là kỹ sư phần mềm. R2: Nếu là kỹ sư phần mềm và có kinh nghiệm thì có thể làm việc tại công ty công nghệ. R3: Nếu biết giải quyết vấn đề thì có tư duy logic. Tập sự kiện: F1: Huy học lập trình; F2: Huy biết giải quyết vấn đề; F3: Huy có kinh nghiệm. Kết luận nào có thể được suy ra?
Huy là kỹ sư phần mềm.
Huy có tư duy logic.
Huy có thể làm việc tại công ty công nghệ.
Huy là giảng viên đại học.
Trong hệ thống truy xuất nguồn gốc sản phẩm nông nghiệp, sử dụng tập luật: Nếu sản phẩm có mã QR hợp lệ thì truy được vùng trồng. Nếu truy được vùng trồng và có nhật ký canh tác thì xác định được nhà sản xuất. Nếu xác định được nhà sản xuất thì có thể xác minh được chất lượng sản phẩm. Biết rằng sản phẩm có mã QR hợp lệ và có nhật ký canh tác ghi đầy đủ. Giả thuyết nào dưới đây có thể được kiểm chứng bằng lập luận lùi từ dữ kiện trên?
Chất lượng sản phẩm đã được xác minh.
Sản phẩm được sản xuất thủ công.
Không thể xác định nhà sản xuất.
QR không giúp truy xuất nguồn gốc.
Biết rằng trong lưới ngữ nghĩa: isa(MiMi, Mèo), ako(Mèo, Động vật có vú), feature(Mèo, số chân, 4), feature(Mèo, tiếng kêu, "meo"). Chọn các suy diễn hợp lệ.
MiMi là một con mèo.
MiMi có 4 chân.
MiMi kêu là "meo".
Mèo không phải động vật có vú.
Biết rằng: isa(Rồng, Sinh vật huyền thoại), feature(Rồng, có cánh, đúng), feature(Rồng, biết bay, đúng). Suy diễn đúng nhất là:
Rồng là loài động vật có vú.
Rồng là loài cha của sinh vật huyền thoại.
Rồng là một thực thể có thể bay.
Không có thông tin để kết luận.
Biết rằng: ako(Máy tính xách tay, Máy tính), feature(Máy tính, có CPU, đúng), feature(Máy tính xách tay, có pin, đúng). Chọn các suy diễn hợp lệ:
Máy tính xách tay là một loại máy tính.
Máy tính xách tay có CPU.
Tất cả máy tính đều có pin.
Máy tính xách tay có pin và CPU.
Cho sơ đồ mạng ngữ nghĩa: isa(Nemo, Cá), ako(Cá, Động vật), feature(Cá, di chuyển, bơi). Kết luận đúng là:
Nemo là một loài động vật bay.
Nemo di chuyển bằng cách bơi.
Nemo là loài không xương sống.
Cá không phải là động vật.
Mạng ngữ nghĩa về giao thông: ako(Xe bus, Phương tiện công cộng), feature(Phương tiện công cộng, có biển số, đúng), feature(Xe bus, chở nhiều người, đúng). Các suy diễn đúng là:
Xe bus là phương tiện công cộng.
Xe bus có biển số.
Xe bus chở nhiều người.
Tất cả phương tiện công cộng đều là xe bus.
Biết rằng: ako(Hổ, Thú ăn thịt), ako(Thú ăn thịt, Động vật có vú), feature(Hổ, có vằn, đúng), feature(Động vật có vú, có tuyến sữa, đúng). Chọn các suy diễn đúng:
Hổ là một loài thú ăn thịt.
Hổ có tuyến sữa.
Hổ không phải là động vật có vú.
Mọi động vật có vú đều có vằn.
Lưới ngữ nghĩa có thể mở rộng bằng cách nào?
Thêm đối tượng tương tự.
Thêm đối tượng đặc biệt hơn.
Thêm đối tượng tổng quát hơn.
Thêm quan hệ phủ định (~isa).
Trong lưới ngữ nghĩa, Chim cánh cụt là một loại Chim. Biết rằng mọi Chim đều có cánh và biết bay, tuy nhiên Chim cánh cụt có cánh nhưng không biết bay. Tình huống này thể hiện đặc điểm gì trong lưới ngữ nghĩa?
Lập luận thuận.
Tính chất mặc định.
Ngoại lệ trong kế thừa.
Quan hệ đồng nhất.
Lợi ích của sử dụng hệ khung trong hệ thống tri thức thực tế gồm:
Hỗ trợ kế thừa thuộc tính giữa các đối tượng.
Giúp lưu trữ dữ liệu ngẫu nhiên không cần cấu trúc.
Tự động hóa suy diễn ngược.
Dễ dàng biểu diễn ngoại lệ và điều kiện cụ thể.
Trong hệ khung y tế, nếu khung "Bệnh cúm" có thuộc tính "Lây truyền = đúng", thì khung "Cúm A" kế thừa từ khung đó sẽ:
Không thể sửa thuộc tính này.
Bắt buộc giữ nguyên thuộc tính.
Có thể ghi đè nếu cần mô tả khác.
Không kế thừa vì khác chủng loại.
Trong hệ khung quản lý giáo dục, khung "Sinh viên" có thuộc tính "Ngành học". Nếu khung "Sinh viên A" không định nghĩa rõ thuộc tính này, hệ thống sẽ:
Tự động thêm ngành học mặc định.
Truy vấn lên khung lớp để lấy giá trị kế thừa.
Gán "không xác định" và báo lỗi.
Thay thế bằng ngành học phổ biến nhất.
Trong hệ khung quản lý tri thức sản phẩm, khung "Điện thoại thông minh" có thể có các khung con:
iPhone 14 Pro
Samsung Galaxy S23
Tivi OLED
Google Pixel
Trong hệ khung quản lý khách sạn, khung "Phòng Deluxe" kế thừa từ khung "Phòng Khách Sạn". Nếu khung cha có "Số giường = 1" và khung con định nghĩa lại "Số giường = 2", điều gì xảy ra?
Hệ thống bị lỗi vì xung đột dữ liệu.
Giá trị ở khung cha vẫn giữ nguyên.
Khung con ghi đè giá trị kế thừa.
Giá trị được tính trung bình.
Một hệ thống đặt vé máy bay có khung "Chuyến bay" chứa các thuộc tính nào?
Số hiệu.
Sân bay đến và đi.
Giá vé.
Mức tiêu thụ nhiên liệu trung bình của hãng sản xuất.
Trong hệ chatbot chăm sóc sức khỏe, khung "Bệnh nhân" có thể có các thuộc tính:
Triệu chứng bệnh.
Lịch sử bệnh.
Tên khung.
Thuốc đã dùng.
Những chiến lược tìm kiếm nào sau đây được coi là tìm kiếm mù?
Theo chiều rộng.
Sâu lặp.
A*.
Tốt nhất đầu tiên.
Trong các bài toán sau, bài toán nào phù hợp hơn khi sử dụng tìm kiếm kinh nghiệm (heuristic) thay vì tìm kiếm mù?
Bài toán tìm đường đi ngắn nhất trong bản đồ thành phố.
Bài toán tìm đường ra mê cung không có bản đồ.
Giải bài toán xếp lịch cho một lớp học với nhiều ràng buộc.
Bài toán di chuyển quân cờ trên bàn cờ vua, biết rõ vị trí mục tiêu.
Những hạn chế nào sau đây có thể xảy ra khi sử dụng tìm kiếm mù trong các bài toán thực tế?
Mất nhiều thời gian do mở rộng trạng thái không liên quan.
Cần phải xây dựng hàm đánh giá phức tạp.
Có thể không tìm ra lời giải do lặp trạng thái.
Tiêu tốn nhiều bộ nhớ nếu không kiểm soát không gian trạng thái.
