Câu hỏi: ITE302c - Chương 3: Thiên kiến, công bằng thuật toán và đánh giá mô hình

Đáp án đúng: statistical parity. Chia đều theo tỉ lệ nhóm chính là statistical parity (cân bằng thống kê).

Đáp án đúng: optimize for making the fewest mistakes. C phi lý vì không mô hình nào tối ưu để sai nhiều nhất, B là điều mô hình CÔNG BẰNG làm, A vô nghĩa. D mới là bản chất: mô hình chỉ nhắm TỔNG SỐ LỖI ÍT NHẤT sẽ mặc nhiên hy sinh nhóm thiểu số, vì bỏ qua nhóm nhỏ vẫn giúp tổng sai số thấp — đó chính là gốc của sự bất công.

Đáp án đúng: an adversarial algorithm. Thuật toán ĐỐI KHÁNG (adversarial) được cố tình làm lệch để dò ra những thuộc tính gây bất công trong mô hình chính.

Đáp án đúng: There won't be enough data to reflect each subgroup. C sai hiển nhiên. A và B nói về hậu quả (độ chính xác giảm, điểm công bằng thấp) chứ không giải thích vì sao BẤT KHẢ THI. Lý do thật nằm ở dữ liệu: "mọi nhóm nhỏ có thể có" là các giao của nhiều thuộc tính (tuổi × giới × vùng × nghề…), số lượng tăng theo cấp số nhân trong khi mỗi giao chỉ còn vài mẫu — không đủ dữ liệu để đo, nói gì tới bảo vệ.

Đáp án đúng: C. Mô hình bị overfitting học thuộc cả nhiễu của tập huấn luyện nên chỉ đúng trên chính tập đó và **không tổng quát hóa được ra toàn bộ dân số**. Hệ quả về công bằng: nhóm nào ít xuất hiện trong dữ liệu huấn luyện sẽ bị dự đoán sai nhiều hơn hẳn, tạo ra chênh lệch tỉ lệ lỗi giữa các nhóm. A và B mô tả nguyên nhân dẫn tới overfitting (quá nhiều nhiễu, mô hình quá phức tạp) chứ không phải lý do nó sinh rủi ro công bằng. D thiên kiến thời gian là một loại bias riêng, không phải hệ quả của overfitting.

Đáp án đúng: D. Khi hệ thống gợi ý giải thích được lý do đưa ra khuyến nghị, người dùng và nhà cung cấp có thể điều chỉnh hành vi để đạt kết quả tốt hơn cho cả nhóm — đây là cách vận dụng lý thuyết trò chơi (game theory) để thay đổi kết cục, vì các bên ra quyết định dựa trên hiểu biết về động cơ của nhau. A chính phủ là chủ thể điều tiết, không phải công cụ. B quyền riêng tư là ràng buộc phải bảo vệ. C cạnh tranh là bối cảnh thị trường. Không phương án nào trong ba mô tả cơ chế điều chỉnh kết quả thông qua tương tác chiến lược.

Đáp án đúng: D. Các điểm dữ liệu tạo thành một dải đi lên rõ rệt từ góc dưới trái sang góc trên phải: Revenue tăng thì GrossIncome cũng tăng, và các điểm bám khá sát một đường thẳng. Đó là tương quan dương và mạnh. A và C sai chiều: tương quan âm là khi một biến tăng thì biến kia giảm, tức dải điểm phải đi xuống. B sai về cường độ: tương quan yếu là khi đám điểm tản mác thành một đám mây không rõ hướng, còn ở đây xu hướng rất rõ dù độ phân tán rộng dần ở vùng giá trị cao.

Đáp án đúng: B. Explainability (khả năng giải thích) là mức độ người dùng hiểu và diễn giải được vì sao hệ thống AI đưa ra một quyết định cụ thể. Nó là điều kiện để có thể khiếu nại, kiểm chứng và quy trách nhiệm — nên nằm trong nhóm nguyên tắc cốt lõi của AI có đạo đức. A báo cáo tài chính thuộc lĩnh vực kế toán. C ngôn ngữ lập trình và D phương thức lưu trữ dữ liệu là chi tiết kỹ thuật; biết chúng cũng không cho người dùng biết vì sao mô hình từ chối hồ sơ vay của mình.

Đáp án đúng: A. K-means clustering là thuật toán học KHÔNG giám sát: nó tự nhóm dữ liệu thành k cụm dựa trên khoảng cách, không cần nhãn gán trước. Đúng yêu cầu "tìm mẫu trong tập dữ liệu lớn mà không có nhãn định sẵn". B Linear Regression, C Support Vector Machine và D Decision Tree đều là thuật toán học CÓ giám sát — chúng cần dữ liệu đã gán nhãn để học ánh xạ từ đầu vào sang đầu ra. Mẹo phân biệt: có nhãn thì là supervised, không nhãn thì là unsupervised như clustering.

Đáp án đúng: C. Hậu quả tiêu cực xuất hiện khi mô hình dự đoán SAI và cái sai đó gây thiệt hại thật: ngân hàng dự đoán nhầm rằng một người không trả nổi khoản vay khiến người đó bị từ chối tín dụng dù thực tế đủ khả năng. A cũng là dự đoán sai nhưng đặt trong bối cảnh phòng thí nghiệm, không trực tiếp gây hại. B là mô hình phát tín hiệu cảnh báo — công dụng đúng đắn. D là dự đoán CHÍNH XÁC, tức mô hình làm đúng việc của nó, không phải hậu quả tiêu cực.

Đáp án đúng: A. Black box problem là tình trạng mô hình đã được triển khai và đang ra quyết định, nhưng chính người nghiên cứu cũng không lần ra được vì sao nó quyết định như vậy. Nguyên nhân là các mô hình học sâu có hàng triệu tham số, không quy về một chuỗi lập luận đọc được. B thuộc vấn đề kỹ thuật đặc trưng (feature engineering). C là vấn đề thiếu dữ liệu huấn luyện. D là một lỗi thị giác máy tính cụ thể. Cả ba đều là khó khăn có thật nhưng khác hẳn hiện tượng "không giải thích được quyết định".

Đáp án đúng: A. Khi biết điểm đánh giá của một nhóm đã bị thổi phồng một cách nhân tạo, cách xử lý hướng tới công bằng là đặt ngưỡng quyết định RIÊNG cho từng nhóm, để bù lại độ lệch có hệ thống và đưa các nhóm về cùng một mức nghiêm ngặt thực chất. B loại nhóm đó khỏi tập dữ liệu là xóa bỏ dữ liệu, gây thiên kiến mới do thiếu đại diện. C ưu tiên nhóm còn lại chỉ đảo chiều bất công. D cộng thêm phần thổi phồng vào dữ liệu khác là nhân rộng cái sai ra toàn tập.