Câu hỏi: AID301c - Phần 1: Ưu tiên kinh doanh và thu nhận dữ liệu

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: "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: "numeric computing, data munging, data visualization and data modeling". Môn học này giả định người học đã quen các kỹ năng nền của khoa học dữ liệu bằng Python: tính toán số (NumPy), xử lý và làm sạch dữ liệu (data munging, ví dụ với Pandas), trực quan hoá và xây dựng mô hình cơ bản; phần mới là đưa chúng vào quy trình vận hành AI. "dashboarding, high performance computing, and code profiling" là những chủ đề được dạy trong chính quy trình chứ không phải điều kiện tiên quyết. "convex optimization, python programming, statistical programming" có tối ưu lồi, một chủ đề toán chuyên sâu không bắt buộc. "continuous integration, linear programming, and data exploration" có tích hợp liên tục và quy hoạch tuyến tính, những thứ thuộc nội dung triển khai hoặc ngoài phạm vi, không phải nền tảng cần có trước.

Đáp án đúng: "Recommender system". Trong tình huống AAVAIL, nhu cầu ban quản lý mô tả bằng ngôn ngữ kinh doanh được diễn đạt lại thành bài toán gợi ý: dựa vào hành vi và sở thích của người dùng để đưa ra nội dung hay sản phẩm phù hợp với từng người, đó là recommender system (hệ gợi ý). "A/B Testing" là phương pháp thí nghiệm để so hai phương án, dùng để đánh giá giải pháp chứ không mô tả bản chất bài toán. "Dimensionality Reduction" là kỹ thuật giảm số chiều dữ liệu, chỉ là bước hỗ trợ. "Regression Analysis" dự đoán một giá trị liên tục như doanh thu, không phải điều dự án cần. "Unsupervised Learning" là cả một họ phương pháp quá rộng để gọi tên dự án. "Classification Analysis" gán nhãn rời rạc cho từng đối tượng, hợp với bài toán như dự đoán khách rời bỏ, nhưng không phản ánh mục tiêu gợi ý cho người dùng.

Đáp án đúng: "Which members of leadership support this decision?". Tư duy khoa học dựa vào bằng chứng có thể kiểm chứng như dữ liệu, thí nghiệm và trường hợp tương tự, chứ không dựa vào quyền lực hay sự ủng hộ của người có chức vụ; hỏi ai trong ban lãnh đạo ủng hộ là lập luận dựa trên thẩm quyền, không phải bằng chứng. Những câu hỏi sau đều thể hiện tư duy khoa học nên không được chọn: "Do we have any data like a corpus of customer feedback" tìm dữ liệu thực tế như phản hồi khách hàng để làm căn cứ; "Can we run an experiment like A/B testing" đề xuất thí nghiệm có đối chứng để kiểm định giả thuyết; "Have any other companies been successful making a comparable change?" tìm bằng chứng từ các trường hợp tương tự bên ngoài.

Đáp án đúng: "Base Python automatically parallelizes processing across cores when multiple cores are available". Python chuẩn (CPython) chạy mã trên một luồng chính và có GIL (Global Interpreter Lock, khóa chỉ cho một luồng thực thi mã Python tại một thời điểm), nên nó không tự chia việc ra nhiều lõi; muốn song song phải chủ động dùng multiprocessing, joblib hay thư viện tương tự. Vì vậy đây là phát biểu sai, đúng thứ câu hỏi phủ định cần tìm. Các phát biểu kia đều đúng nên không được chọn: "Python code can run in IPython and Jupyter notebooks" đúng vì đó là hai môi trường tương tác phổ biến cho Python; "Python allows for the inclusion of comments and pseudocode to better organize code" đúng vì ngôn ngữ có cú pháp chú thích để ghi giải thích hay phác thảo ý tưởng; "Users can save .py files with an editor then subsequently execute them from the command line" đúng, đó là cách chạy script thông thường bằng lệnh python; "Python allows users to save multiple functions in a .py file then import those functions in a different file" đúng vì mỗi tệp .py là một module có thể import.

Đáp án đúng: "transactions on the rows and items like customer_name and item_id on the columns". Mục tiêu hợp lý của bước làm sạch là đưa dữ liệu về dạng tidy (gọn gàng): mỗi hàng là một quan sát ở mức chi tiết gốc, ở đây là một giao dịch, mỗi cột là một thuộc tính của giao dịch đó như tên khách hàng, mã mặt hàng. Giữ mức chi tiết này thì về sau gộp theo cách nào cũng được. "customer on the rows and items like total_sales, name, most_bought on the columns" là bảng đã gộp theo khách hàng; đó là việc của bước tạo đặc trưng phục vụ một câu hỏi cụ thể, làm ngay lúc làm sạch sẽ mất chi tiết giao dịch. "daily revenue on the rows items like customer_name and total on the columns" sai vì đã gộp theo ngày thì không còn tên khách hàng ở từng hàng. "None of the correct answer" sai vì đã có một mục tiêu hợp lý.

Đáp án đúng: "They handle messy data better than relational databases". Cơ sở dữ liệu NoSQL như MongoDB (lưu tài liệu), Cassandra (cột rộng) hay Redis (khoá và giá trị) thường không đòi lược đồ cố định, nên mỗi bản ghi có thể có trường khác nhau, lồng nhau hoặc thiếu trường; nhờ vậy chúng chứa tốt dữ liệu lộn xộn, bán cấu trúc như nhật ký, JSON từ API hay dữ liệu cảm biến mà cơ sở dữ liệu quan hệ khó ép vào bảng. "They impose a strict schema on data" sai vì lược đồ chặt là đặc trưng của cơ sở dữ liệu quan hệ, còn NoSQL theo hướng lược đồ linh hoạt. "They are only suitable for small datasets" sai vì nhiều hệ NoSQL được thiết kế để mở rộng ngang trên nhiều máy, phục vụ dữ liệu rất lớn. "They require complex SQL queries" sai vì NoSQL thường không dùng SQL mà truy vấn qua API hoặc ngôn ngữ riêng của từng hệ.

Đáp án đúng: "resolve the business question, feedback loops". Dù mỗi mô hình quy trình khoa học dữ liệu như CRISP-DM, OSEMN hay quy trình AI workflow đặt trọng tâm khác nhau, cả ba đều bắt đầu từ việc làm rõ và giải quyết câu hỏi kinh doanh, và đều có vòng phản hồi (feedback loop) để quay lại các bước trước khi kết quả chưa đạt. "prediction, recommendation" là loại đầu ra của một số dự án, không phải yếu tố chung của quy trình. "data mining, data cleaning" là các bước kỹ thuật cụ thể, có quy trình gọi tên và nhấn mạnh khác nhau. "testing, model deployment" quan trọng trong vận hành nhưng không phải mô hình quy trình nào cũng coi là phần cốt lõi.

Đáp án đúng: "Scrubbing". OSEMN là khung quy trình khoa học dữ liệu gồm năm bước, đọc như chữ awesome: Obtain (thu thập dữ liệu), Scrub (làm sạch), Explore (khám phá), Model (xây mô hình) và iNterpret (diễn giải kết quả). Chữ S ứng với Scrubbing, tức chà sạch dữ liệu: xử lý giá trị thiếu, sửa lỗi định dạng, loại bản ghi trùng, chuẩn hóa kiểu dữ liệu, thường là bước tốn thời gian nhất. "Sampling" (lấy mẫu) là một kỹ thuật có thể dùng ở vài bước nhưng không phải tên một giai đoạn trong khung này. "Structuring" (cấu trúc hóa dữ liệu) có thể là một phần của việc làm sạch, nhưng không phải tên chữ S. "Storing" (lưu trữ) là việc hạ tầng dữ liệu, khung OSEMN không có bước riêng cho nó.

Đáp án đúng: "Dask". Dask là thư viện tính toán song song của Python, cung cấp DataFrame và mảng có giao diện gần như Pandas và NumPy nhưng chia dữ liệu thành nhiều phần nhỏ, xử lý theo kiểu lười và song song trên nhiều nhân hoặc cả một cụm máy, nên làm việc được với dữ liệu lớn hơn bộ nhớ RAM. "CSV application" chỉ là phần mềm mở hay sửa tệp văn bản phân tách bằng dấu phẩy, không mở rộng được quy mô phân tích. "Visual Studio Code" và "Pycharm" là môi trường soạn thảo mã; chúng giúp viết code chứ không tự phân tán việc tính toán. "Database" lưu trữ và truy vấn được dữ liệu lớn, nhưng là một khái niệm chung chung chứ không phải công cụ mở rộng chính quy trình phân tích bằng Python như Dask.