Kỹ thuật nào được sử dụng để cải thiện hiệu suất của các mô hình dịch máy bằng cách tận dụng dữ liệu đơn ngữ?

Câu hỏi này kiểm tra kiến thức về các mô hình ngôn ngữ được đào tạo trước phổ biến. Trong các lựa chọn được đưa ra, chỉ có BERT là do Google phát triển, không phải OpenAI. Các mô hình còn lại (Word2Vec, GloVe, ElMo) đều được phát triển bởi các tổ chức khác hoặc là các công trình nghiên cứu độc lập. OpenAI nổi tiếng với việc phát triển các mô hình GPT (Generative Pre-trained Transformer). Vì không có lựa chọn nào do OpenAI phát triển nên câu hỏi này không có đáp án đúng.

Câu hỏi này kiểm tra kiến thức về các phương pháp xử lý ngôn ngữ tự nhiên. Trong đó, việc chia câu thành các thành phần ngữ pháp nhỏ hơn, có ý nghĩa được gọi là "Mã thông báo" (Tokenization). Các lựa chọn khác không liên quan trực tiếp đến việc phân tích cú pháp câu.

Phân tích ngữ nghĩa tiềm ẩn (LSA) là một kỹ thuật trong xử lý ngôn ngữ tự nhiên sử dụng các mẫu đồng xuất hiện của các từ trong một tập văn bản lớn để xây dựng biểu diễn ngữ nghĩa của các từ và tài liệu. Nó dựa trên ý tưởng rằng các từ xuất hiện gần nhau có xu hướng liên quan đến ngữ nghĩa. Các lựa chọn khác không phù hợp vì:

• Giải mã ý nghĩa của từ: Đây là một mục tiêu rộng hơn và không phải là một kỹ thuật cụ thể.
• Nhận dạng thực thể được đặt tên: Mục tiêu là xác định và phân loại các thực thể được đặt tên trong văn bản.
• Tóm tắt văn bản: Mục tiêu là tạo ra một phiên bản ngắn gọn của văn bản đầu vào.

Kỹ thuật phát hiện cạnh Canny (Canny edge detection) là một thuật toán được sử dụng rộng rãi để phát hiện cạnh trong ảnh. Nó bao gồm các bước lọc nhiễu, tìm gradient cường độ, loại bỏ các điểm không phải cực đại, và ngưỡng hóa kép để xác định và kết nối các cạnh. Các kỹ thuật khác như biến đổi Fourier, cân bằng biểu đồ và làm mờ Gaussian có các ứng dụng khác trong xử lý ảnh, nhưng không phải là phương pháp chính để phát hiện cạnh.