Tất cả câu hỏi

Đáp án đúng: "Performance drift". Mô hình triển khai luôn chạy trên một ngăn xếp phần mềm gồm thư viện, phiên bản ngôn ngữ, mã tiền xử lý và môi trường container. Khi các thành phần này đổi, ví dụ nâng cấp thư viện làm đổi giá trị mặc định của tham số hay cách mã hoá biến, đầu ra của mô hình có thể lệch khỏi mức đã kiểm định mà không báo lỗi; hiện tượng đó gọi là trôi hiệu năng (performance drift), và là lý do phải ghi số phiên bản, kiểm thử hồi quy và giám sát sau mỗi lần thay đổi. "Improved accuracy" có thể xảy ra tình cờ nhưng không phải hệ quả rủi ro cần đề phòng. "Increased training time" liên quan tới chi phí tính toán, không phải tác động lên chất lượng dự đoán của mô hình đang phục vụ. "No impact at all" sai vì giả định phần mềm đổi mà mô hình không bị ảnh hưởng chính là nguồn gốc của nhiều lỗi khó phát hiện trong vận hành.

Đáp án đúng: "like predicting time to failure for a machine where we expect a long tailed distribution of values". RMSE bình phương sai số trước khi lấy trung bình nên phạt rất nặng những sai số lớn; với phân phối đuôi dài (long-tailed), vài máy hỏng rất muộn sẽ tạo sai số khổng lồ và chi phối toàn bộ RMSE. MAE lấy trung bình trị tuyệt đối nên bền vững hơn trước ngoại lai, phản ánh sai số điển hình tốt hơn. "where we would like to interpret the error metric in terms of the original units" không phân biệt được hai thước đo, vì cả MAE lẫn RMSE đều mang đơn vị gốc. "like predicting daily temperature where we expect a small range of values" là trường hợp sai số nhỏ và đều, hai thước đo cho kết quả gần nhau nên không có lý do mạnh để ưu tiên MAE. "like predicting the category or topic associated with a document" là bài toán phân loại, không dùng thước đo hồi quy. "as a squared version of the original units" mô tả MSE, không phải MAE hay RMSE.

Đáp án đúng: "TensorBoard". Tối ưu mã ở đây là làm chương trình chạy nhanh hơn, bằng cách biên dịch phần nặng sang mã máy hoặc chia việc ra nhiều lõi, nhiều máy. TensorBoard là bộ công cụ trực quan hóa quá trình huấn luyện của TensorFlow, hiển thị đường cong loss, đồ thị tính toán, phân bố trọng số; nó giúp theo dõi và gỡ lỗi mô hình chứ không làm mã chạy nhanh hơn, nên là đáp án của câu hỏi phủ định. Ba công cụ còn lại đều dùng để tối ưu mã nên không được chọn: "Cython" dịch mã kiểu Python có khai báo kiểu sang C rồi biên dịch, tăng tốc mạnh cho vòng lặp nặng; "mpi4py" đưa chuẩn MPI (Message Passing Interface, giao tiếp truyền thông điệp) vào Python để chạy song song trên nhiều tiến trình hoặc nhiều máy; "ipyparallel" cho phép điều phối một cụm engine IPython để chạy song song các tác vụ ngay từ notebook.

Đáp án đúng: "Predictive linear or logistic regression". EDA (phân tích khám phá dữ liệu) nhằm hiểu dữ liệu và gắn nó với câu hỏi kinh doanh, còn xây dựng mô hình dự đoán như hồi quy tuyến tính hay logistic thuộc bước mô hình hoá diễn ra sau, nên đây là thứ không thuộc EDA. Những việc sau đều là phần bình thường của EDA nên không được chọn: "Visual summaries of the data" như histogram, boxplot, scatter plot là công cụ chính để khám phá; "Connecting the data to the business opportunity" giúp kiểm tra dữ liệu có thực sự trả lời được bài toán kinh doanh hay không; "Communication to stakeholders" là bước trình bày phát hiện ban đầu cho người liên quan để thống nhất hướng đi trước khi mô hình hoá.

Đáp án đúng: "Use customer segmentation and/or market analysis to help marketing with new customers". Tình huống cho thấy sản phẩm đã tốt, khách hiện có rất hài lòng, điểm nghẽn nằm ở việc thu hút khách mới chậm; cơ hội ưu tiên nhất vì vậy là dùng phân khúc khách hàng (customer segmentation) và phân tích thị trường để tìm nhóm khách giống những khách đang hài lòng, giúp bộ phận marketing nhắm đúng đối tượng. Phương án "Develop and delivery new products to existing customers" sai vì khách hiện có không phải vấn đề, làm sản phẩm mới cho họ không giải quyết việc bán chậm. Phương án "Develop new products and target new customers" vừa tốn kém vừa bỏ qua sản phẩm đang được đánh giá tốt; vấn đề không nằm ở sản phẩm. Phương án "move into a different market" bỏ thị trường hiện tại trong khi chưa khai thác được nó, rủi ro cao mà không có căn cứ từ tình huống.

Đáp án đúng: "subprocessing, symmetric-multiprocessing". Câu hỏi tìm danh sách có chứa thứ không phải gói Python cụ thể dùng để tăng tốc mã. Symmetric multiprocessing (đa xử lý đối xứng, SMP) là một kiến trúc phần cứng trong đó nhiều CPU dùng chung bộ nhớ, còn subprocessing không phải tên gói; module chuẩn của Python là subprocess, dùng để chạy chương trình con chứ không phải công cụ tăng hiệu năng. "py-cuda, Cython" không được chọn vì PyCUDA cho phép gọi nhân CUDA trên GPU và Cython biên dịch mã Python sang C, đều là gói tăng tốc cụ thể. "multiprocessing, mpi4py" không được chọn vì multiprocessing chạy song song trên nhiều tiến trình và mpi4py đưa chuẩn MPI vào Python để tính toán phân tán. "threading, ipyparallel" không được chọn vì threading chạy đa luồng, hiệu quả với tác vụ chờ I/O, và ipyparallel phân phối tác vụ tới cụm engine IPython, đều là gói thật cho song song hoá.

Đáp án đúng: "request_type, input data". Khi dựng hệ thống ghi log để giám sát mô hình đã triển khai, các trường thiết yếu là những thứ giúp truy vết hiệu năng: thời điểm, số phiên bản mô hình, dự đoán hay khuyến nghị trả về, tóm tắt dữ liệu đầu vào và thời gian chạy. Trong danh sách này, request_type (loại yêu cầu) được trình bày như phần không bắt buộc, và lưu nguyên toàn bộ input data cũng không cần, vì bản tóm tắt đầu vào đã đủ để phát hiện trôi dữ liệu mà không tốn dung lượng hay lộ dữ liệu nhạy cảm. "model_version_number, timestamp" đều thiết yếu: thiếu phiên bản thì không biết mô hình nào sinh ra dự đoán, thiếu thời điểm thì không theo dõi được hiệu năng theo thời gian. "predictions/recommendations, timestamp" thiết yếu vì dự đoán là thứ cần so với kết quả thực tế để đo chất lượng. "input_data_summary, runtime" cũng thiết yếu: tóm tắt đầu vào giúp so phân phối dữ liệu với lúc huấn luyện, còn runtime cho biết độ trễ phục vụ.

Đáp án đúng: "It includes both the observations and the maturity of the data.". Chất lượng dữ liệu (data quality) không chỉ là bản thân các quan sát có chính xác, đầy đủ, nhất quán hay không, mà còn là độ trưởng thành của dữ liệu: nó đã được thu thập đủ lâu, đủ ổn định, có tài liệu mô tả và quy trình cập nhật đáng tin cậy chưa. Cả hai mặt đều quyết định dữ liệu có dùng được để xây mô hình hay không. "It only refers to the data collection methods." quá hẹp, vì phương pháp thu thập chỉ là một nguồn gây ra lỗi dữ liệu. "It is irrelevant to project success." sai hẳn, vì dữ liệu kém thì mô hình tốt mấy cũng cho kết quả kém, đúng tinh thần garbage in, garbage out. "It is solely determined by the data storage system." sai vì hệ thống lưu trữ chỉ giữ dữ liệu, không làm dữ liệu tốt hay xấu đi về nội dung.

Đáp án đúng gồm ba ý: "Account for missing data, faulty data, repeated observations and other data integrity issues", "Ensure that expected data is returned given a specific set of parameters" và "Ensure that an expected format is returned". Pipeline nạp dữ liệu (data ingestion pipeline) là đoạn tự động đưa dữ liệu từ nguồn vào dạng sẵn sàng cho phân tích, nên trách nhiệm của nó là chất lượng và tính nhất quán của dữ liệu đầu ra. Nó phải xử lý giá trị thiếu, bản ghi lỗi, quan sát lặp và các vấn đề toàn vẹn khác; phải trả đúng phần dữ liệu tương ứng với tham số truyền vào, chẳng hạn đúng quốc gia và khoảng ngày được hỏi; và phải trả về đúng định dạng đã hẹn, như đúng tên cột và kiểu dữ liệu, để các bước sau không vỡ. Đây cũng là những điều mà kiểm thử đơn vị cho hàm nạp dữ liệu thường kiểm tra. Phương án "Ensure that models produce expected results" không thuộc pipeline nạp dữ liệu: kiểm tra mô hình cho kết quả như mong đợi là việc của kiểm thử mô hình và giám sát hiệu năng sau khi huấn luyện, nằm ở tầng mô hình chứ không ở tầng dữ liệu đầu vào.

Đáp án đúng: "To submit applications to a Spark cluster". spark-submit là script dòng lệnh dùng để gửi một ứng dụng Spark (tệp Python hoặc JAR) lên cụm, kèm các tuỳ chọn như địa chỉ master, chế độ deploy, bộ nhớ và số lõi cho executor. "To create a Spark cluster" sai vì cụm được dựng trước bằng trình quản lý như standalone, YARN hay Kubernetes; spark-submit chỉ gửi việc tới cụm đã có. "To monitor Spark jobs" sai vì theo dõi công việc thường làm qua Spark UI hoặc history server. "To install Spark" sai vì cài đặt là tải và cấu hình bản phân phối Spark, không liên quan tới lệnh gửi ứng dụng.

Đáp án đúng: "False". Watson Machine Learning cho phép lưu và triển khai mô hình dưới nhiều dạng chứ không chỉ tệp pickle (định dạng tuần tự hoá đối tượng Python): có thể truyền trực tiếp đối tượng mô hình hoặc pipeline đang có trong bộ nhớ, tệp joblib của scikit-learn, mô hình Keras dạng h5, hay mô hình TensorFlow đóng gói nén, kèm siêu dữ liệu khai báo loại mô hình và môi trường phần mềm. Vì vậy phát biểu rằng chỉ được truyền tệp pickle là sai. Chọn "True" là nhầm vì pickle chỉ là một cách phổ biến với mô hình scikit-learn; việc giới hạn vào một định dạng duy nhất sẽ khiến các framework khác như TensorFlow hay PyTorch không triển khai được, trong khi thư viện được thiết kế để hỗ trợ nhiều framework.

Đáp án đúng: "Processing and analyzing customer feedback". Doanh nghiệp lớn nhận khối lượng phản hồi rất lớn dưới dạng văn bản tự do như email, đánh giá sản phẩm, bài đăng mạng xã hội và ghi chép tổng đài, nên NLP được dùng để phân tích cảm xúc, phân loại chủ đề khiếu nại và trích ý chính một cách tự động thay cho đọc tay. "Managing financial transactions" sai vì giao dịch tài chính là dữ liệu có cấu trúc, xử lý bằng hệ thống nghiệp vụ và cơ sở dữ liệu, không cần hiểu ngôn ngữ. "Designing physical products" sai vì thiết kế sản phẩm vật lý dựa vào kỹ thuật và công cụ CAD; NLP có thể tổng hợp ý kiến khách hàng làm đầu vào nhưng không tự thiết kế sản phẩm. "Conducting scientific experiments" sai vì tiến hành thí nghiệm là hoạt động thực nghiệm, còn NLP chỉ hỗ trợ ở khâu đọc và tổng hợp tài liệu nghiên cứu.

Đáp án đúng: "Code, runtime libraries, and a private filesystem". Container Docker là một tiến trình được đóng gói cùng mọi thứ ứng dụng cần để chạy: mã nguồn, môi trường thực thi (ví dụ trình thông dịch Python), các thư viện phụ thuộc và một hệ thống tệp riêng lấy từ image, tách biệt với máy chủ; các container dùng chung nhân hệ điều hành của máy chủ. "Only the application code" thiếu thư viện và môi trường chạy, chính là thứ container sinh ra để đóng gói nhằm chạy giống nhau ở mọi nơi. "Only the operating system" sai vì container không mang nhân hệ điều hành riêng như máy ảo, chỉ chứa các tệp không gian người dùng cần thiết. "Only the database" sai vì cơ sở dữ liệu chỉ là một loại ứng dụng có thể chạy trong container, không phải thành phần bắt buộc của mọi container.

Đáp án đúng: "Allowing data to be passed in and out of a docker container and controlling which applications can do this". Mỗi container có mạng riêng, cô lập với máy host. Port forwarding (chuyển tiếp cổng), khai báo bằng tùy chọn -p khi chạy docker run, chẳng hạn -p 8888:8888, nối một cổng của máy host với một cổng bên trong container, nhờ đó yêu cầu từ bên ngoài như trình duyệt mở Jupyter hay gọi API Flask đi được vào container và phản hồi đi ra; chỉ những cổng được công bố mới truy cập được, tức là ta kiểm soát ứng dụng nào được giao tiếp. "The process of creating a data file on the local computer that persists" mô tả việc lưu trữ bền vững bằng volume hoặc bind mount. "Sending one container to multiple nodes on a multicloud environment" là việc của công cụ điều phối như Kubernetes. "Building one Docker image using another docker image as a template" là dùng base image qua chỉ thị FROM trong Dockerfile.

Đáp án đúng: "Jupyter notebooks". Jupyter notebook là môi trường tương tác chạy mã Python theo từng ô, xen kẽ được mã, kết quả, biểu đồ và chữ giải thích trong cùng một tài liệu, nên đã trở thành chuẩn công nghiệp để khám phá dữ liệu, thử mô hình và chia sẻ phân tích trong hệ sinh thái Python. "RStudio" là môi trường phát triển chủ yếu cho ngôn ngữ R, thuộc hệ sinh thái khác, dù gần đây cũng hỗ trợ Python. "Spyder" đúng là một IDE cho Python hướng tới nhà khoa học, nhưng nó là một lựa chọn trong nhiều IDE chứ không được coi là chuẩn chung như notebook. "Tableau" là công cụ trực quan hóa và báo cáo kinh doanh dạng kéo thả, không phải công cụ lập trình của hệ sinh thái Python.

Đáp án đúng: "CSV". CSV (comma-separated values, giá trị phân tách bằng dấu phẩy) lưu dữ liệu thành các hàng và cột, mỗi dòng một bản ghi, mỗi trường cách nhau bằng dấu phẩy, nên là định dạng phổ biến nhất cho dữ liệu dạng bảng và đọc được bằng Pandas hay bảng tính. "JSON" lưu dữ liệu dạng cây gồm đối tượng và mảng lồng nhau, hợp với dữ liệu bán cấu trúc hơn là bảng phẳng. "XML" cũng là định dạng phân cấp bằng thẻ, cồng kềnh khi biểu diễn bảng. "TXT" chỉ là văn bản thuần không có quy ước cấu trúc cột nào, nên không phải định dạng chuẩn cho dữ liệu bảng.

Đáp án đúng: "Define". Quy trình design thinking (tư duy thiết kế) đi qua các pha Empathize, Define, Ideate, Prototype và Test; pha Define là lúc tổng hợp những gì đã tìm hiểu để phát biểu rõ vấn đề, thách thức kinh doanh cần giải, nên khi AAVAiL chuyển sang xác định các thách thức thì đó chính là pha này. "Empathize" là pha thấu cảm, tập trung quan sát và phỏng vấn người dùng, người liên quan để hiểu nhu cầu, chưa chốt thách thức. "Ideate" là pha lên ý tưởng, diễn ra sau khi vấn đề đã được định nghĩa, nhằm đưa ra nhiều hướng giải quyết như các giả thuyết và cách tiếp cận dữ liệu. "Prototype" là pha dựng bản mẫu, hiện thực hoá ý tưởng thành phiên bản thử như một mô hình hay một luồng dữ liệu đơn giản để kiểm nghiệm, nên cũng đến sau pha xác định vấn đề.

Đáp án đúng: "Latent Dirichlet Allocation (LDA)". LDA là mô hình xác suất sinh, giả định mỗi văn bản là hỗn hợp của một số chủ đề ẩn và mỗi chủ đề là một phân phối trên các từ, với tiên nghiệm Dirichlet; học trên ma trận đếm từ sẽ cho ra các nhóm từ đặc trưng của từng chủ đề, nên đây là phương pháp topic modeling (mô hình hoá chủ đề) kinh điển. "Principal Component Analysis (PCA)" sai vì PCA là giảm chiều tuyến tính tìm hướng phương sai lớn nhất, thành phần của nó có thể mang giá trị âm nên khó đọc thành chủ đề. "Support Vector Machines (SVM)" sai vì SVM là thuật toán phân loại có giám sát, cần nhãn sẵn, trong khi mô hình hoá chủ đề là bài toán không giám sát. "K-Means Clustering" sai vì K-Means gán cứng mỗi văn bản vào đúng một cụm theo khoảng cách, không mô hình hoá văn bản như hỗn hợp nhiều chủ đề; nó gom được văn bản giống nhau nhưng không phải phương pháp topic modeling chuẩn.

Đáp án đúng: "To understand business opportunities". Khi áp khung Design Thinking (tư duy thiết kế) vào quy trình khoa học dữ liệu, Empathize (thấu cảm) là pha đầu tiên: nói chuyện với các bên liên quan, hiểu nỗi đau của người dùng và xác định đúng cơ hội kinh doanh, từ đó phát biểu bài toán thành giả thuyết kiểm chứng được. "To gather data" là việc làm sau, khi đã biết cần dữ liệu gì để trả lời câu hỏi kinh doanh. "To clean the data" thuộc khâu chuẩn bị và biến đổi dữ liệu, chỉ có ý nghĩa khi dữ liệu đã được thu thập. "To build a model" nằm ở pha mô hình hoá, gần cuối vòng; xây mô hình trước khi hiểu cơ hội dễ dẫn tới giải đúng một bài toán mà không ai cần.

Đáp án đúng: "Extract, Transform, Load". ETL là quy trình ba bước đưa dữ liệu từ nguồn vào nơi phân tích: Extract (trích xuất) lấy dữ liệu từ cơ sở dữ liệu, tệp hay API; Transform (biến đổi) làm sạch, chuẩn hóa, gộp và tính toán lại dữ liệu cho đúng cấu trúc cần dùng; Load (nạp) ghi kết quả vào kho dữ liệu hoặc hệ thống đích. "Evaluate, Test, Load" sai vì đánh giá và kiểm thử là việc của giai đoạn xây dựng mô hình, không phải bước đầu và giữa của đường ống dữ liệu. "Extract, Transfer, Load" nhầm bước giữa: chuyển dữ liệu đi không phải trọng tâm, cốt lõi là biến đổi dữ liệu. "Evaluate, Transform, Load" sai ở bước đầu, vì phải trích xuất được dữ liệu từ nguồn trước khi làm bất cứ việc gì khác.