AI yếu (hẹp) là gì?

Là quan điểm về việc máy móc có thể mô phỏng được tất cả các hành vi trí tuệ của con người

Là quan điểm về việc máy móc có thể mô phỏng được một số hành vi trí tuệ của con người

Là quan điểm về việc máy móc có thể mô phỏng được tất cả các hành vi của con người

Là quan điểm về việc máy móc có thể mô phỏng được một số hành vi của con người

Trả lời:

Đáp án đúng: B

AI yếu (hay AI hẹp) là loại AI được thiết kế và đào tạo để thực hiện một nhiệm vụ cụ thể. Nó không có khả năng thực hiện các nhiệm vụ khác ngoài phạm vi được lập trình. Trong khi đó, AI mạnh (hay AI tổng quát) có khả năng hiểu, học hỏi và áp dụng kiến thức vào nhiều lĩnh vực khác nhau, tương tự như con người. Vì vậy, đáp án chính xác là B: Là quan điểm về việc máy móc có thể mô phỏng được một số hành vi trí tuệ của con người.

Câu hỏi trắc nghiệm Trí tuệ nhân tạo trong kinh doanh có lời giải chi tiết

35 câu hỏi 45 phút

Bắt đầu thi

Câu hỏi liên quan

Câu 3:

Các thành phần cốt lõi của một hệ thống AI là gì?

Lời giải:

Đáp án đúng: A

Hệ thống AI (trí tuệ nhân tạo) bao gồm các thành phần cốt lõi sau:

* Dữ liệu (Data): Dữ liệu là nền tảng để huấn luyện và phát triển các mô hình AI. Chất lượng và số lượng dữ liệu ảnh hưởng trực tiếp đến hiệu suất của hệ thống AI.
* Con người (People): Con người đóng vai trò quan trọng trong việc thiết kế, phát triển, triển khai và quản lý hệ thống AI. Các chuyên gia AI, kỹ sư phần mềm, nhà khoa học dữ liệu và người dùng cuối đều là những thành phần không thể thiếu.
* Phần cứng (Hardware): Hệ thống AI đòi hỏi phần cứng mạnh mẽ để xử lý lượng lớn dữ liệu và thực hiện các phép tính phức tạp. Các loại phần cứng thường được sử dụng bao gồm CPU, GPU, và các thiết bị chuyên dụng khác.
* Phần mềm (Software): Phần mềm là các thuật toán, mô hình và công cụ được sử dụng để xây dựng và vận hành hệ thống AI. Các ngôn ngữ lập trình, thư viện và framework AI đóng vai trò quan trọng.
* Quy trình (Process): Quy trình là các bước và thủ tục cần thiết để đảm bảo hệ thống AI hoạt động hiệu quả và đáp ứng các yêu cầu đặt ra. Các quy trình bao gồm thu thập dữ liệu, tiền xử lý dữ liệu, huấn luyện mô hình, đánh giá mô hình, triển khai mô hình và bảo trì hệ thống.

Như vậy, đáp án A (Dữ liệu, Con người, Phần cứng, Phần mềm, Quy trình) là đáp án đầy đủ và chính xác nhất.

Câu 4:

Hãy chọn phương án đúng nhất với khái niệm "Học máy":

Lời giải:

Đáp án đúng: A

Phương án A là đáp án đúng nhất vì nó bao quát định nghĩa cốt lõi của Học máy (Machine Learning): một nhánh của trí tuệ nhân tạo (AI) tập trung vào việc phát triển các thuật toán và mô hình cho phép hệ thống máy tính tự động học hỏi từ dữ liệu mà không cần được lập trình một cách rõ ràng. Các hệ thống này sử dụng dữ liệu để cải thiện hiệu suất của chúng trong một nhiệm vụ cụ thể nào đó.

Phương án B mô tả tự động hóa, một ứng dụng của máy tính nói chung, không đặc trưng cho học máy.

Phương án C đề cập đến phân tích dữ liệu, là một phần của quy trình học máy nhưng không phải là định nghĩa đầy đủ.

Phương án D nói về việc thay thế con người bằng máy móc, đây là một ứng dụng rộng hơn của tự động hóa và robot học, không chỉ riêng học máy.

Câu 5:

Tác dụng của tập Data Validation là:

Lời giải:

Đáp án đúng: A

Tập Data Validation (tập kiểm định) được sử dụng để đánh giá độ chính xác của mô hình trong quá trình huấn luyện và điều chỉnh các siêu tham số (hyperparameters). Mục tiêu là tìm ra cấu hình mô hình tốt nhất trước khi đánh giá cuối cùng trên tập kiểm tra (test set). Vì vậy, đáp án A là chính xác nhất vì nó bao gồm cả việc đánh giá độ chính xác và huấn luyện tham số để nâng cao độ chính xác của mô hình.

- Đáp án B chỉ đề cập đến việc đánh giá độ chính xác cuối cùng, không bao gồm vai trò quan trọng của tập validation trong quá trình điều chỉnh mô hình.
- Đáp án C chỉ đề cập đến việc tìm tham số và tạo mô hình, bỏ qua vai trò của tập validation trong việc đánh giá và cải thiện mô hình.
- Đáp án D bao gồm nhiều bước (tìm tham số, tạo mô hình, huấn luyện tham số) nhưng không chính xác bằng A vì vai trò chính của validation là đánh giá và lựa chọn mô hình tốt nhất dựa trên độ chính xác, chứ không phải để huấn luyện trực tiếp các tham số (quá trình huấn luyện tham số được thực hiện trên tập huấn luyện - training set).

Câu 6:

Chỉ số Precision cho chúng ta biết:

Lời giải:

Đáp án đúng: A

Chỉ số Precision đo lường độ chính xác của mô hình khi dự đoán các trường hợp dương tính. Nó được tính bằng tỷ lệ giữa số lượng trường hợp dương tính được dự đoán chính xác (True Positives) và tổng số trường hợp được dự đoán là dương tính (True Positives + False Positives). Nói cách khác, Precision cho biết trong số tất cả các trường hợp được dự đoán là dương tính, có bao nhiêu trường hợp thực sự là dương tính.

* Đáp án A đúng: Tỷ lệ y=1 dự đoán đúng với thực tế y=1 chia cho tổng số tất cả đoán y=1 (True Positives / (True Positives + False Positives)).

Câu 7:

Phân lớp (Classification) là:

Lời giải:

Đáp án đúng: A

Phân lớp (Classification) là quá trình gán nhãn hoặc phân loại các dữ liệu chưa được gán nhãn vào các lớp (class) đã được định nghĩa trước. Mục tiêu của phân lớp là xây dựng một mô hình dự đoán có thể dự đoán chính xác lớp của một đối tượng mới dựa trên các đặc trưng của nó. Các phương án B và C mô tả các khái niệm khác trong khai phá dữ liệu, cụ thể là phân cụm (clustering) và khai phá luật kết hợp (association rule mining) hoặc mô hình hóa (modeling).

Câu 8:

Nếu bạn đứng về phía doanh nghiệp để tham gia triển khai ứng dụng giải pháp AI cho quy trình nghiệp vụ, bạn đóng vai trò nào trong dự án Al đó?

Lời giải: