Đề thi, bài tập trắc nghiệm online Trí tuệ nhân tạo trong kinh doanh – Đề 1

Khi triển khai AI, doanh nghiệp cần đặc biệt chú trọng đến bảo mật dữ liệu và quyền riêng tư. Điều này bao gồm tuân thủ các quy định pháp lý, bảo vệ dữ liệu khỏi bị xâm phạm, và minh bạch với khách hàng về cách dữ liệu của họ được sử dụng. Tất cả các đáp án trên đều là những lưu ý quan trọng để đảm bảo triển khai AI một cách có trách nhiệm và tuân thủ pháp luật.

Một hệ thống AI hoàn chỉnh cần có dữ liệu để huấn luyện, thuật toán để xử lý dữ liệu và đưa ra quyết định, và cơ sở hạ tầng phần cứng để vận hành hệ thống. Đội ngũ marketing không phải là thành phần cốt lõi của hệ thống AI, mặc dù marketing có thể sử dụng các công cụ và ứng dụng AI để cải thiện hiệu quả công việc.

Phân tích dự đoán (Predictive Analytics) là một lĩnh vực của AI tập trung vào việc sử dụng dữ liệu lịch sử, thống kê và thuật toán học máy để dự đoán các sự kiện hoặc xu hướng trong tương lai. Đây là công cụ mạnh mẽ để doanh nghiệp dự đoán nhu cầu thị trường và khách hàng. Các lựa chọn khác không liên quan trực tiếp đến dự đoán xu hướng.

Internet of Things (IoT) là mạng lưới các thiết bị vật lý được nhúng cảm biến, phần mềm và kết nối mạng, cho phép thu thập và trao đổi dữ liệu. Mặc dù IoT có thể kết hợp với AI để tạo ra các ứng dụng thông minh hơn, bản thân IoT không phải là một lĩnh vực của AI. Các lựa chọn khác đều là các nhánh hoặc công nghệ con của AI.

AI mang lại nhiều lợi ích trong phân tích dữ liệu lớn, bao gồm khả năng xử lý dữ liệu với tốc độ và hiệu quả vượt trội, khả năng khám phá các mẫu hình phức tạp và thông tin giá trị mà con người khó nhận ra, và khả năng tự động hóa quy trình phân tích, giúp tiết kiệm thời gian và nguồn lực. Do đó, tất cả các đáp án trên đều là những ưu điểm chính.

Rủi ro đạo đức lớn nhất là sự thiên vị (bias) trong dữ liệu huấn luyện AI có thể dẫn đến phân biệt đối xử và loại bỏ các ứng viên đủ năng lực một cách không công bằng. Các lựa chọn khác là những hạn chế hoặc thách thức, nhưng không mang tính đạo đức sâu sắc như thiên kiến trong tuyển dụng.

Các doanh nghiệp vừa và nhỏ (SMEs) thường đối mặt với nhiều thách thức khi triển khai AI, bao gồm sự phức tạp của công nghệ, hạn chế về ngân sách và nguồn lực, cũng như khó khăn trong việc tìm kiếm và tuyển dụng nhân sự có chuyên môn về AI. Do đó, tất cả các đáp án trên đều là những thách thức đáng kể.

'AI giải thích được' (XAI) là một lĩnh vực nghiên cứu nhằm làm cho các hệ thống AI, đặc biệt là các mô hình phức tạp như mạng nơ-ron sâu, trở nên dễ hiểu và minh bạch hơn đối với con người. Mục tiêu là giúp người dùng hiểu được logic và lý do đằng sau quyết định của AI.

Việc tự phát triển giải pháp AI (in-house) thường phù hợp khi doanh nghiệp đối mặt với các bài toán đặc thù, cần tùy biến cao, có đủ nguồn lực để đầu tư, và muốn kiểm soát công nghệ. Giải pháp 'có sẵn' (off-the-shelf) thường nhanh chóng và tiết kiệm chi phí hơn cho các bài toán phổ biến, nhưng ít linh hoạt và tùy biến. Do đó, tất cả các đáp án trên đều là lý do chính đáng để cân nhắc giải pháp 'tự phát triển'.

AI có thể ứng dụng rộng rãi trong logistics và chuỗi cung ứng để giải quyết nhiều vấn đề, từ tối ưu hóa vận chuyển, dự báo nhu cầu, đến tự động hóa các quy trình kho bãi và giao hàng. Các ứng dụng này giúp doanh nghiệp giảm chi phí, tăng hiệu quả và cải thiện dịch vụ khách hàng. Do đó, tất cả các đáp án trên đều là những ứng dụng quan trọng của AI trong lĩnh vực này.

Phân tích cảm xúc (Sentiment Analysis) là ứng dụng AI được thiết kế đặc biệt để xác định và phân tích cảm xúc, thái độ của con người từ dữ liệu văn bản, giọng nói hoặc video. NLP là một phần quan trọng của phân tích cảm xúc, nhưng bản thân NLP có phạm vi rộng hơn.

Độ chính xác (Accuracy) là một chỉ số phổ biến và trực quan để đánh giá hiệu quả của mô hình AI trong các bài toán phân loại. Nó đo lường tỷ lệ dự đoán đúng trên tổng số dự đoán. Các chỉ số khác (RMSE, MAE, R-squared) thường được sử dụng cho các bài toán hồi quy (dự đoán giá trị số liên tục), không phù hợp cho bài toán phân loại.

Mạng nơ-ron sâu (Deep Neural Networks) là một kiến trúc đặc biệt của mạng nơ-ron nhân tạo, và là nền tảng cốt lõi của học sâu (Deep Learning), một nhánh quan trọng và có nhiều đột phá trong lĩnh vực học máy (Machine Learning). Các lựa chọn khác là các lĩnh vực khác của AI, nhưng mạng nơ-ron sâu chủ yếu liên quan đến học máy.

Nhiều doanh nghiệp thất bại trong việc ứng dụng AI do mắc phải các sai lầm phổ biến như kỳ vọng quá cao, không xác định rõ mục tiêu kinh doanh, và thiếu chuẩn bị về dữ liệu cũng như cơ sở hạ tầng công nghệ. Do đó, tất cả các lựa chọn trên đều là những sai lầm thường gặp.

Định giá động (Dynamic Pricing) là chiến lược giá sử dụng AI để tự động điều chỉnh giá sản phẩm dựa trên các yếu tố như cung cầu, giá đối thủ, thời điểm, và hành vi khách hàng. Điều này giúp nhà bán lẻ tối ưu hóa lợi nhuận và cạnh tranh hiệu quả hơn. Các lựa chọn khác liên quan đến các ứng dụng AI khác trong bán lẻ nhưng không trực tiếp tối ưu hóa giá.

Cây quyết định (Decision Tree) là một thuật toán học máy phổ biến và hiệu quả cho các bài toán phân loại. Nó xây dựng một cấu trúc cây để đưa ra quyết định dựa trên các thuộc tính của dữ liệu. Hồi quy tuyến tính dùng cho bài toán dự đoán giá trị liên tục, K-Means dùng cho phân cụm dữ liệu, và giảm chiều dữ liệu dùng để giảm độ phức tạp của dữ liệu.

Ưu điểm nổi bật nhất của chatbot AI là khả năng hoạt động liên tục 24/7 và giảm đáng kể chi phí nhân công so với việc sử dụng nhân viên hỗ trợ trực tuyến. Các lựa chọn khác mô tả những khả năng mà chatbot AI hiện tại chưa hoàn thiện hoặc không thực tế.

Hệ thống đề xuất sản phẩm cá nhân hóa, dựa trên lịch sử mua hàng, hành vi duyệt web và sở thích của khách hàng, giúp khách hàng dễ dàng tìm thấy những sản phẩm phù hợp, từ đó cải thiện trải nghiệm mua sắm trực tuyến. Các lựa chọn khác có thể hữu ích cho doanh nghiệp nhưng không trực tiếp cải thiện trải nghiệm mua sắm của khách hàng.

Định nghĩa chính xác nhất về AI là khả năng của máy tính mô phỏng các chức năng nhận thức của con người, bao gồm học hỏi, suy luận và giải quyết vấn đề. Các lựa chọn khác chỉ mô tả các khía cạnh hoặc ứng dụng cụ thể của AI.

'AI có trách nhiệm' (Responsible AI) là một khung đạo đức và pháp lý để phát triển và sử dụng AI một cách có đạo đức và bền vững. Các yếu tố cốt lõi bao gồm tính minh bạch, công bằng, an toàn, bảo mật, và trách nhiệm giải trình. Do đó, tất cả các đáp án trên đều là những yếu tố quan trọng của 'AI có trách nhiệm'.

Học máy (Machine Learning) là một nhánh của AI tập trung vào việc phát triển các thuật toán cho phép máy tính học hỏi từ dữ liệu. Điểm cốt lõi là khả năng tự học và cải thiện hiệu suất theo thời gian mà không cần lập trình cụ thể cho từng tình huống.

Sự khác biệt chính giữa 'học có giám sát' và 'học không giám sát' nằm ở loại dữ liệu huấn luyện được sử dụng. Học có giám sát sử dụng dữ liệu đã được gắn nhãn (labeled data), tức là dữ liệu đã được gán một kết quả hoặc danh mục đúng. Học không giám sát sử dụng dữ liệu không nhãn (unlabeled data) và mục tiêu là tìm ra cấu trúc hoặc mẫu hình ẩn trong dữ liệu.

AI có khả năng phân tích lượng lớn dữ liệu giao dịch và nhận diện các mẫu hình bất thường mà con người khó phát hiện. Bằng cách này, AI có thể giúp phát hiện các giao dịch gian lận hoặc đáng ngờ trong lĩnh vực tài chính. Các lựa chọn khác mô tả ứng dụng khác của AI trong tài chính, nhưng không liên quan trực tiếp đến phát hiện gian lận.

Xu hướng chung cho thấy AI sẽ tự động hóa nhiều công việc lặp đi lặp lại và mang tính quy trình, nhưng vai trò của con người sẽ chuyển sang các công việc đòi hỏi kỹ năng mà AI hiện tại chưa thể thay thế, như sáng tạo, tư duy phản biện, cảm xúc, và tương tác xã hội. Sự hợp tác giữa con người và AI sẽ trở nên quan trọng hơn. Các lựa chọn khác là những quan điểm cực đoan hoặc không phản ánh đúng xu hướng phát triển.

AI có thể ứng dụng rộng rãi trong HR, từ các tác vụ hành chính như chấm công, đến các công việc phức tạp hơn như tuyển dụng và đánh giá nhân sự. Do đó, tất cả các đáp án trên đều là ứng dụng hợp lý của AI trong HR.

Quản lý kho hàng và tối ưu hóa chuỗi cung ứng chủ yếu thuộc về lĩnh vực Operations và Logistics, không phải Marketing. Các lựa chọn còn lại đều là ứng dụng phổ biến của AI trong Marketing để cải thiện hiệu quả và cá nhân hóa trải nghiệm khách hàng.

Dữ liệu là nền tảng của AI. Chất lượng và tính toàn vẹn của dữ liệu đầu vào có vai trò quyết định đến hiệu suất và độ tin cậy của hệ thống AI. Do đó, đảm bảo dữ liệu chất lượng là yếu tố then chốt để triển khai AI thành công và bền vững. Các lựa chọn khác có thể quan trọng nhưng không mang tính nền tảng bằng dữ liệu.

Dữ liệu huấn luyện (training data) là tập dữ liệu quan trọng được sử dụng để 'dạy' cho các mô hình học máy (Machine Learning) cách nhận diện mẫu hình, học quy tắc và đưa ra dự đoán hoặc quyết định. Chất lượng và lượng dữ liệu huấn luyện có ảnh hưởng trực tiếp đến hiệu suất của mô hình AI.

'AI hẹp' (Narrow AI) hay còn gọi là 'AI yếu' (Weak AI) là loại AI phổ biến hiện nay, được thiết kế để thực hiện tốt một nhiệm vụ cụ thể. Các lựa chọn khác mô tả 'AI tổng quát' (General AI) hoặc 'AI siêu việt' (Super AI), những dạng AI chưa thực sự tồn tại hoặc còn đang trong giai đoạn nghiên cứu.

AI có nhiều ứng dụng trong sản xuất để nâng cao hiệu quả, từ bảo trì dự đoán để giảm thời gian chết máy, tối ưu hóa quy trình sản xuất để tiết kiệm chi phí, đến kiểm tra chất lượng tự động để đảm bảo chất lượng sản phẩm. Tất cả các đáp án trên đều là những ứng dụng thực tế và hiệu quả của AI trong sản xuất.