Quiz tổng hợp

Thời gian: 30 phút | Độ khó: Tổng hợp | Đạt yêu cầu: ≥ 13/18 câu đúng

Yêu cầu: Sử dụng LangChain và một LLM (OpenAI GPT hoặc mô hình open-source qua Hugging Face) để xây dựng pipeline tóm tắt văn bản tiếng Việt.

Các bước thực hiện:

1. Nhận đầu vào là một đoạn văn bản dài (ít nhất 500 từ) bằng tiếng Việt
2. Sử dụng Prompt Template để hướng dẫn LLM tóm tắt với yêu cầu: giữ lại ý chính, ngắn gọn trong 3-5 câu
3. Áp dụng Chain (LCEL) để kết nối PromptTemplate → LLM → OutputParser
4. So sánh kết quả khi thay đổi temperature (0.0 vs 0.7)

Output mong đợi: Bản tóm tắt tiếng Việt ngắn gọn, đầy đủ ý chính, và nhận xét về ảnh hưởng của temperature.

Yêu cầu: Fine-tune một mô hình ngôn ngữ nhỏ (ví dụ: vinai/phobert-base) cho tác vụ phân loại sentiment tiếng Việt sử dụng LoRA.

Các bước thực hiện:

1. Chuẩn bị dataset sentiment tiếng Việt (ít nhất 3 class: positive, negative, neutral)
2. Cấu hình LoRA: chọn r (rank), lora_alpha, lora_dropout, target_modules
3. Huấn luyện với Hugging Face Trainer + PEFT library
4. Đánh giá mô hình trên tập test: accuracy, F1-score, confusion matrix
5. So sánh số lượng trainable parameters giữa LoRA và full fine-tuning

Output mong đợi: Mô hình fine-tuned đạt accuracy ≥ 85% trên tập test, báo cáo so sánh LoRA vs full fine-tuning.

Yêu cầu: Xây dựng chatbot hỏi đáp dựa trên tài liệu (RAG — Retrieval-Augmented Generation) sử dụng LangChain.

Các bước thực hiện:

1. Chuẩn bị tài liệu: load file PDF/TXT bằng LangChain Document Loaders
2. Chia tài liệu thành chunks (RecursiveCharacterTextSplitter, chunk_size=500, overlap=50)
3. Tạo embeddings bằng Sentence Transformers và lưu vào vector store (FAISS hoặc Chroma)
4. Xây dựng RetrievalQA chain: query → retriever → LLM → answer
5. Thêm ConversationBufferMemory để chatbot nhớ lịch sử hội thoại
6. Kiểm thử với ít nhất 5 câu hỏi liên tiếp liên quan đến nội dung tài liệu

Output mong đợi: Chatbot trả lời chính xác dựa trên nội dung tài liệu, duy trì ngữ cảnh qua nhiều lượt hội thoại.