Kiểm tra kiến thức RAG, Vector Database, Embedding và tri thức AI qua 22 câu hỏi từ cơ bản đến nâng cao — dành cho ai muốn làm chủ AI thực chiến 2025-2026.
22 câu hỏi Nâng cao Đạt từ 70%
Câu 1. RAG trong AI là viết tắt của cụm từ nào?
Câu 2. Vấn đề chính mà RAG giải quyết trong các mô hình ngôn ngữ lớn (LLM) là gì?
Câu 3. Trong kiến trúc RAG, bước 'Retrieval' (truy xuất) hoạt động như thế nào?
Câu 4. Vector Database (hay Vector Store) trong RAG được dùng để làm gì?
Câu 5. Embedding trong ngữ cảnh RAG có nghĩa là gì?
Câu 6. Chunking trong RAG là kỹ thuật gì?
Câu 7. Cosine Similarity trong vector search đo lường điều gì?
Câu 8. Kỹ thuật 'Hybrid Search' trong RAG kết hợp những gì?
Câu 9. Hallucination trong LLM là gì, và RAG giúp giảm vấn đề này như thế nào?
Câu 10. Trong RAG, 'context window' ảnh hưởng đến thiết kế hệ thống như thế nào?
Câu 11. Công cụ nào dưới đây là Vector Database phổ biến được dùng trong hệ thống RAG?
Câu 12. Kỹ thuật 'Reranking' trong RAG được áp dụng ở bước nào và mục đích là gì?
Câu 13. Knowledge Graph khác với Vector Database ở điểm nào khi ứng dụng vào hệ thống AI tri thức?
Câu 14. Trong GraphRAG (do Microsoft Research phát triển), điểm nổi bật so với RAG truyền thống là gì?
Câu 15. Một công ty muốn xây chatbot nội bộ dựa trên tài liệu HR (nội quy, quy trình). Họ nên chọn phương án nào dưới đây?
Câu 16. Kỹ thuật 'Query Expansion' trong RAG là gì?
Câu 17. Multimodal RAG cho phép làm gì mà RAG văn bản thuần không làm được?
Câu 18. Vấn đề bảo mật nào cần chú ý khi triển khai RAG cho doanh nghiệp?
Câu 19. Agentic RAG khác gì so với RAG thông thường?
Câu 20. Khi đánh giá chất lượng hệ thống RAG, hai chỉ số quan trọng nhất là gì?
Câu 21. Tại sao Fine-tuning LLM KHÔNG phải là giải pháp thay thế tốt cho RAG trong việc cập nhật kiến thức mới?
Câu 22. Trong bối cảnh RAG, 'Lost in the Middle' là hiện tượng gì?
