NEW
Font size
WorksheetsGTN - AI, ML
Total questions: 50
Worksheet time: 27mins
Phép thử Turing (Turing Test) do Alan Turing đề xuất năm 1950 chủ yếu nhằm mục đích kiểm tra khía cạnh nào của AI?
Khả năng suy nghĩ hợp lý
Khả năng hành động như con người
Khả năng suy nghĩ như con người
Khả năng hành động hợp lý
Trong bối cảnh phân loại AI, Trí tuệ nhân tạo hẹp (ANI - Artificial Narrow Intelligence) có đặc điểm nào sau đây?
Có khả năng thực hiện nhiều tác vụ không liên quan đến nhau ở cấp độ con người.
Có ý thức và khả năng tự nhận thức giống con người.
Chỉ thực hiện các hành động cụ thể trong một miền xác định và không thể học các tác vụ mới ngoài miền đó.
Có thể tự dạy mình các chiến lược mới để giải quyết mọi loại vấn đề.
Mối quan hệ giữa AI, Machine Learning (Học máy) và Deep Learning (Học sâu) được mô tả chính xác nhất là:
Ba lĩnh vực hoàn toàn riêng biệt không liên quan đến nhau.
Deep Learning là tập con của Machine Learning, và Machine Learning là tập con của AI.
AI là tập con của Machine Learning, và Machine Learning là tập con của Data Science.
Machine Learning là tập con của Deep Learning, Deep Learning là tập con của AI.
Sự kiện nào vào năm 1956 được coi là nơi khai sinh ra tên gọi "Trí tuệ nhân tạo"?
Sự ra đời của chương trình chơi cờ vua đầu tiên.
Hội nghị tại Đại học Dartmouth.
Bài báo của Alan Turing về "Computing Machinery and Intelligence".
Việc phát minh ra mạng nơ-ron đầu tiên của McCulloch & Pitts.
Theo cách tiếp cận "Hành động hợp lý" (Acting Rationally), một tác tử (agent) được mô hình hóa bởi hàm số nào?
f : A → P (Ánh xạ từ Hành động sang Nhận thức).
f : P → A (Ánh xạ từ Nhận thức sang Hành động).
f : P x A → R (Ánh xạ từ Nhận thức và Hành động sang Phần thưởng).
f : Goal → Action (Ánh xạ từ Mục tiêu sang Hành động).
Trí tuệ nhân tạo tổng quát (AGI - Artificial General Intelligence) được mô tả là:
AI có khả năng tương tác và vận hành nhiều tác vụ độc lập, có thể học các chiến lược mới để giải quyết các vấn đề mới ở trình độ con người.
Hệ thống AI có trí thông minh vượt trội hơn con người trong mọi lĩnh vực, sở hữu ý thức và khả năng tự nhận thức như một thực thể sống.
Hệ thống AI được thiết kế để tối ưu hiệu quả cho một nhiệm vụ cụ thể, hoạt động hoàn toàn dựa trên các quy tắc và thuật toán đã được lập trình trước.
Hệ thống AI hiện đang được ứng dụng rộng rãi trong đời sống hàng ngày, có khả năng giao tiếp tự nhiên và hỗ trợ người dùng, chẳng hạn như trợ lý ảo và chatbot thông minh.
Deep Learning phát triển mạnh mẽ gần đây nhờ vào yếu tố chính nào?
Thuật toán mới hơn và ít dữ liệu hơn.
Big Data (Dữ liệu lớn) và Phần cứng tốt hơn (GPU).
Việc áp dụng các nguyên lý của máy tính lượng tử và sự phổ biến của hạ tầng mạng tốc độ siêu cao.
Việc các phương pháp thống kê truyền thống không còn được sử dụng trong khoa học dữ liệu và trí tuệ nhân tạo.
Dựa trên cách thức học hỏi và khả năng áp dụng kiến thức, trí tuệ nhân tạo (AI) có thể được chia thành ba loại khả năng, hãy chọn ý không phải là 1 trong 3 loại khả năng đó
Trí tuệ nhân tạo hẹp (ANI)
Trí tuệ nhân tạo tổng quát (AGI)
Trí tuệ nhân tạo siêu việt (ASI)
Trí tuệ nhân tạo nâng cao (AAI)
Intelligent Agent (Tác tử thông minh) được định nghĩa đầy đủ và khái quát nhất là:
Một chương trình phần mềm được triển khai bằng ngôn ngữ lập trình bậc cao, có khả năng xử lý dữ liệu và thực thi lệnh.
Một thực thể có khả năng nhận biết môi trường thông qua các cảm biến và tác động trở lại môi trường thông qua các hành động nhằm đạt được một mục tiêu nào đó.
Một robot có hình dạng giống người.
Một hệ thống lưu trữ và quản lý lượng lớn dữ liệu, hỗ trợ truy vấn và phân tích thông tin.
Một robot hút bụi thông minh có khả năng giám sát mức năng lượng pin, đánh giá trạng thái hiện tại của môi trường, và chủ động quay về trạm sạc khi cần thiết nhằm đảm bảo việc hoàn thành nhiệm vụ làm sạch theo tiêu chí đã đặt ra. Hành vi này phản ánh rõ nhất khía cạnh nào của một tác tử hữu tỷ (rational agent)?
Hành động theo phản xạ không điều kiện.
Hành động để tối đa hóa khả năng đạt được mục tiêu dựa trên thông tin sẵn có.
Thực thi các kịch bản hành động đã được lập trình cố định cho mọi tình huống có thể xảy ra.
Thể hiện khả năng suy nghĩ có ý thức và tự nhận thức tương tự con người.
Một đặc điểm quan trọng phân biệt AGI (Trí tuệ nhân tạo tổng quát) với ANI (Trí tuệ nhân tạo hẹp) trong cách thức giải quyết vấn đề mới là gì?
AGI chỉ có thể xử lý vấn đề mới sau khi được con người chỉnh sửa hoặc mở rộng mã nguồn hệ thống.
AGI có khả năng tự học, suy luận và hình thành các chiến lược giải quyết mới, mà không bị giới hạn trong một miền nhiệm vụ cố định.
AGI yêu cầu lượng dữ liệu huấn luyện nhỏ hơn đáng kể so với các hệ thống ANI
AGI chỉ vận hành hiệu quả trên các nền tảng phần cứng đặc biệt như siêu máy tính hoặc máy tính lượng tử.
Sự khác biệt chính giữa Lập trình truyền thống và Học máy là gì?
Lập trình truyền thống đưa Dữ liệu và Đáp án vào để tạo ra Quy tắc; Học máy đưa Quy tắc vào để tạo ra Đáp án.
Lập trình truyền thống đưa Dữ liệu và Quy tắc vào để tạo ra Đáp án; Học máy đưa Dữ liệu và Đáp án vào để học ra Quy tắc (Mô hình).
Học máy không cần dữ liệu đầu vào.
Lập trình truyền thống luôn chính xác hơn Học máy.
Học có giám sát (Supervised Learning) là gì?
Học từ dữ liệu chưa được gán nhãn để tìm cấu trúc ẩn.
Học thông qua tương tác với môi trường và nhận phần thưởng.
Học một hàm ánh xạ từ đầu vào sang đầu ra dựa trên các ví dụ đã được gán nhãn (cặp input-output).
Học bằng cách kết hợp ngẫu nhiên các dữ liệu
Học không giám sát (Unsupervised Learning) được sử dụng khi nào?
Khi dữ liệu huấn luyện đã có sẵn nhãn hoặc đáp án đúng.
Khi dữ liệu đầu vào chưa được gán nhãn và mục tiêu là tìm ra các mẫu hoặc cấu trúc ẩn.
Khi cần tối ưu hóa điểm số trong một trò chơi.
Khi muốn dự đoán một giá trị liên tục như giá nhà.
Học tăng cường (Reinforcement Learning) hoạt động dựa trên cơ chế nào?
Tác tử tương tác với môi trường và nhận phản hồi dưới dạng phần thưởng hoặc hình phạt.
Tác tử phân tích cú pháp của ngôn ngữ tự nhiên.
Tác tử học từ một tập dữ liệu tĩnh đã được gán nhãn hoàn chỉnh.
Tác tử sao chép hành vi của một tác tử khác.
Học bán giám sát (Semi-supervised learning) thường sử dụng loại dữ liệu nào?
Toàn bộ là dữ liệu đã gán nhãn.
Toàn bộ là dữ liệu chưa gán nhãn.
Một lượng nhỏ dữ liệu đã gán nhãn và một lượng lớn dữ liệu chưa gán nhãn.
Không cần dữ liệu.
Bài toán dự đoán nhiệt độ (ví dụ: 27°C) hoặc giá nhà vào ngày mai thuộc loại nào?
Classification (Phân loại).
Regression (Hồi quy).
Clustering (Phân cụm).
Dimensionality Reduction (Giảm chiều dữ liệu).
Overfitting (Quá khớp) xảy ra khi nào?
Mô hình hoạt động rất tốt trên dữ liệu kiểm thử nhưng kém trên dữ liệu huấn luyện.
Mô hình khớp quá chặt chẽ với dữ liệu huấn luyện nhưng không tổng quát hóa tốt trên dữ liệu chưa thấy.
Mô hình quá đơn giản để nắm bắt được xu hướng của dữ liệu.
Mô hình có độ chính xác thấp trên cả tập huấn luyện và tập kiểm thử.
Một hệ thống phân loại phim dựa trên đánh giá của người dùng để gán nhãn "Hành động", "Lãng mạn" hoặc "Hài hước" cho một bộ phim. Nếu một bộ phim có thể thuộc cả hai thể loại "Hành động" và "Hài hước", đây là bài toán:
Phân loại đa nhãn (Multi-label classification)
Phân loại đa lớp (Multi-class classification).
Phân loại nhị phân (Binary classification)
Học không giám sát (Unsupervised learning)
Để đánh giá khả năng tổng quát hóa của mô hình, chúng ta cần làm gì với tập dữ liệu?
Sử dụng toàn bộ dữ liệu để huấn luyện.
Chia dữ liệu thành tập huấn luyện và tập kiểm thử riêng biệt.
Chỉ sử dụng dữ liệu kiểm thử để huấn luyện.
Sao chép dữ liệu lên nhiều lần.
Trong Confusion Matrix, False Positive (FP) nghĩa là gì?
Thực tế là Dương, Mô hình đoán là Dương.
Thực tế là Dương, Mô hình đoán là Âm.
Thực tế là Âm, Mô hình đoán là Dương.
Thực tế là Âm, Mô hình đoán là Âm.
Một mô hình dự đoán tất cả các khối u đều là lành tính (lớp âm) trong khi thực tế có 10 khối u ác tính (lớp dương) (xét trong 100 mẫu). Đây là ví dụ của vấn đề gì khi chỉ dùng Accuracy?
Vấn đề quá khớp (Overfitting).
Vấn đề mất cân bằng dữ liệu (Imbalanced problems).
Vấn đề chưa khớp (Underfitting).
Vấn đề biến mất đạo hàm (Gradient Vanishing).
Công thức tính Độ chính xác (Accuracy) là gì? (TP: True Positive; FP: False Positive; FN: False Negative; TN: True Negative)
(TP + TN) / (TP + TN + FP + FN)
TP / (TP + FP)
TP / (TP + FN)
FP / (FP + TN)
F1-score là chỉ số dùng để làm gì?
Đo lường sai số bình phương trung bình.
Đánh giá mô hình hồi quy.
Kết hợp giữa Precision và Recall để đánh giá hiệu quả mô hình phân loại.
Đo lường tốc độ chạy của thuật toán.
ChatGPT được xây dựng dựa trên kiến trúc mạng nơ-ron nào?
CNN (Convolutional Neural Networks).
RNN (Recurrent Neural Networks).
Transformer (Large Language Models).
GAN (Generative Adversarial Networks).
Thuật toán nào sau đây KHÔNG thuộc nhóm Học có giám sát (Supervised Learning)?
Linear Regression.
Decision Trees.
K-Means Clustering.
Support Vector Machines (SVM).
Perceptron là:
Mạng nhiều lớp có backpropagation
Một nơ-ron đơn với weights có thể điều chỉnh và hard limiter (step function)
Một thuật toán chỉ dùng cho học không giám sát
Một mô hình chỉ dùng được với dữ liệu ảnh
Perceptron chia không gian đầu vào thành 2 vùng quyết định bởi:
Một hyperplane của hàm tuyến tính (Σ xᵢwᵢ − θ)
Một đường cong bất kỳ do kernel RBF sinh ra
Ma trận hiệp phương sai của dữ liệu
Một cây quyết định
Với Δwᵢ=α·xᵢ·e; e=Yd−Y. Cho w=0.30, α=0.1, x=1, Yd=0, Y=1. w mới là:
0.40
0.30
0.20
-0.10
Trong một bước huấn luyện, trọng số hiện tại w_i (p) = 0.2, hệ số học α = 0.1, đầu vào x_i = 1, và sai số tính được e = 1. Nếu đầu ra mong muốn Y_d = 1 nhưng đầu ra thực tế mạng tính được là Y = 0, trọng số mới w_i (p + 1) sau khi cập nhật là bao nhiêu?
(biết w_i (p + 1) = w_i (p) + Δw_i = w_i (p) + α.e.x_i và e = Y_d - Y)
0.1
0.2
0.3
0.4
Trong sự tương đồng giữa mạng nơ-ron sinh học và mạng nơ-ron nhân tạo, thành phần nào của mạng nhân tạo tương ứng với "Synapse" (khớp thần kinh)?
Neuron (Nơ-ron)
Weight (Trọng số)
Input (Đầu vào)
Output (Đầu ra)
Tập hợp các trọng số (weights) trong mạng nơ-ron nhân tạo đóng vai trò gì?
Là đơn vị xử lý thông tin cơ bản.
Là phương tiện cơ bản của bộ nhớ dài hạn.
Là tín hiệu đầu ra duy nhất.
Là hàm kích hoạt phi tuyến.
Một mạng nơ-ron nhân tạo (ANN) mô phỏng não bộ bằng cách sắp xếp các nơ-ron thành một cấu trúc phân cấp gồm các lớp nào?
Input layer, Middle (Hidden) layer, Output layer.
Dendrite layer, Soma layer, Axon layer.
Linear layer, Non-linear layer, Binary layer.
Convolution layer, Pooling layer, Dense layer.
Trong một nơ-ron nhân tạo, giá trị "Bias" đầu vào thường được đặt cố định là bao nhiêu?
0
1
-1
0.5
Hàm kích hoạt (Activation Function) có mục đích chính là gì trong mạng nơ-ron?
Để làm cho mạng tính toán nhanh hơn.
Để đưa tính phi tuyến vào mạng.
Để đảm bảo đầu ra luôn là 0 hoặc 1.
Để loại bỏ các trọng số âm.
Một nơ-ron nhân tạo thực hiện quy trình nào sau đây để tạo ra đầu ra?
Chỉ cộng tổng các đầu vào.
Tính tổng trọng số của các đầu vào, so sánh với ngưỡng hoặc qua hàm kích hoạt để tạo đầu ra.
Nhân tất cả các đầu vào với nhau và chia cho trọng số.
Chọn ngẫu nhiên một giá trị đầu vào làm đầu ra.
Xét một Perceptron sử dụng hàm kích hoạt Step function (ngưỡng θ). Nếu tổng trọng số đầu vào lớn hơn hoặc bằng 0, đầu ra sẽ là bao nhiêu? (Giả sử ngưỡng được gộp vào công thức hoặc θ = 0 cho so sánh trực tiếp).
-1
0
1
0.5
Cho một nơ-ron có 2 đầu vào x_1 = 1, x_2 = 1 và các trọng số tương ứng w_1 = 0.3, w_2 = -0.1. Tính tổng đầu vào hiệu dụng (effective input) chưa qua hàm kích hoạt
0.4
0.2
-0.3
0.3
Nếu giá trị tổng trọng số z = 0, giá trị đầu ra của hàm Sigmoid là bao nhiêu?
0
1
0.5
-1
Cho hàm kích hoạt ReLU (Rectified Linear Unit). Nếu đầu vào tổng hợp z = −5, đầu ra là bao nhiêu?
-5
0
1
5
Xét mô hình Perceptron dự đoán đi lễ hội. Nếu w_1 = 6 (thời tiết), w_2 = 2 (bạn đi cùng), w_3 = 2 (gần xe bus) và ngưỡng θ = 5. Nếu trời xấu (x_1 = 0), bạn đi cùng (x_2 = 1), gần xe bus (x_3 = 1). Tổng trọng số là bao nhiêu và kết quả ra sao (Đi hay không)?
Tổng = 4, Kết quả = 0 (Không đi)
Tổng = 4, Kết quả = 1 (Đi)
Tổng = 10, Kết quả = 1 (Đi)
Tổng = 6, Kết quả = 0 (Không đi)
Tại sao các hàm kích hoạt tuyến tính (Linear Activation functions) ít được sử dụng trong Deep Learning?
Vì chúng tính toán quá chậm.
Vì chúng tạo ra các quyết định tuyến tính bất kể kích thước mạng, không thể xấp xỉ các hàm phức tạp.
Vì chúng luôn cho đầu ra bằng 0.
Vì chúng không tương thích với GPU
Một trong những lo ngại chính về Deep Learning được gọi là vấn đề "Black Box" (Hộp đen), nghĩa là gì?
Mô hình luôn có màu đen.
Chúng ta không biết hoặc không giải thích được tại sao mạng nơ-ron đưa ra một đầu ra cụ thể.
Mô hình chỉ hoạt động trong bóng tối.
Mô hình không thể nhìn thấy dữ liệu đầu vào.
Một Tác tử (Agent) tương tác với môi trường thông qua hai thành phần chính nào?
Dữ liệu và Thuật toán
Cảm biến và Cơ cấu chấp hành
Bàn phím và Màn hình
Mạng nơ-ron và Cơ sở dữ liệu
Sự khác biệt chính giữa Tác tử dựa trên mục tiêu (Goal-based) và Tác tử dựa trên tiện ích (Utility-based) là gì?
Tác tử dựa trên mục tiêu luôn đưa ra quyết định nhanh hơn do không cần tính toán phức tạp như tác tử dựa trên tiện ích.
Tác tử tiện ích có thước đo về mức độ thành công, còn tác tử mục tiêu chỉ biết đạt/không đạt.
Tác tử dựa trên mục tiêu không cần thu nhận thông tin từ môi trường thông qua cảm biến để ra quyết định.
Tác tử dựa trên tiện ích chỉ phù hợp với các môi trường đơn giản, tĩnh và không có yếu tố bất định.
Tác tử duy lý (Rational agent) được định nghĩa là tác tử luôn thực hiện hành động để:
Tối đa hóa thước đo hiệu suất kỳ vọng
Tối thiểu hóa năng lượng tiêu thụ
Bắt chước hành vi của con người
Hoàn thành công việc nhanh nhất có thể
Nguyên nhân chính dẫn đến "Sự không chắc chắn" trong quá trình lý luận của AI – tiền đề khiến AI có thể đưa ra kết luận sai (ảo giác) – là gì?
Giới hạn về tốc độ xử lý và năng lực tính toán của phần cứng máy tính.
Do tri thức thường không hoàn hảo (thiếu, không nhất quán, hoặc hay thay đổi).
Sự cố vật lý hoặc hỏng hóc tạm thời của các thiết bị cảm biến thu thập dữ liệu đầu vào.
Việc hệ thống AI không sở hữu cảm xúc và trực giác như con người khi đánh giá thông tin.
Năm trụ cột chính của Đạo đức AI bao gồm những yếu tố nào?
Tốc độ, Lợi nhuận, Độ chính xác, Tiếp thị, Bảo mật.
Tính giải thích được, Sự công bằng, Sự bền vững, Tính minh bạch, Quyền riêng tư.
Khả năng tự học, Cảm xúc, Quyền công dân, Sự thống trị, Kết nối mạng.
Phần cứng, Phần mềm, Dữ liệu, Thuật toán, Người dùng.
Loại thiên kiến nào bắt nguồn từ bối cảnh xã hội, văn hóa hoặc thể chế đã tồn tại trước khi hệ thống AI được tạo ra?
Thiên kiến kỹ thuật (Technical Bias).
Thiên kiến mới nảy sinh (Emergent Bias).
Thiên kiến tồn tại sẵn (Preexisting Bias).
Thiên kiến phần cứng (Hardware Bias).
Hiện tượng ChatGPT đôi khi đưa ra câu trả lời thiên về một quan điểm chính trị sau quá trình tương tác với người dùng là ví dụ của loại thiên kiến nào?
Thiên kiến tồn tại sẵn (Preexisting Bias).
Thiên kiến kỹ thuật (Technical Bias).
Thiên kiến mới nảy sinh (Emergent Bias).
Thiên kiến lấy mẫu (Sampling Bias).
