2024-Q1-AI-Business 9. Eksāmens

 

Apvilkt vienu pareizo atbildi! (apvelc skaitli)

  1. Kurš apgalvojums ir pareizs?

    1. Mākslīgais intelekts mūsdienās ir sarežģīta datorprogramma, kas galvenokārt sastāv no programēšanas likumiem

    2. Mākslīgais intelekts mūsdienās ir matemātisks modelis, kas sastāv galvenokārt sastāv no matemātiskiem vienādojumiem

    3. Mākslīgais intelekts mūsdienās ir sarežģīta datorprogramma, kas galvenokārt sastāv no eksperta zināšanām

  2. No kā mākslīgais intelekts mācās?

    1. Eksperta izveidotiem likumiem

    2. Datiem

    3. Programētāja izveidotiem likumiem

  3. Kuri no dotajiem piemēriem mākslīgā intelekta modelī varētu būt ievaddati?

    1. Varbūtība, ka klients atteiksies no pakalpojuma

    2. Cik reizes klients ienācis sistēmā pēdējās 10 dienās

    3. Modeļa svaru vērtības

  4. Kuri no dotajiem piemēriem mākslīgā intelekta modelī varētu būt izvadesdati?

    1. Varbūtība, ka klients atteiksies no pakalpojuma

    2. Cik reizes klients ienācis sistēmā pēdējās 10 dienās

    3. Modeļa svaru vērtības

  5. Lai prognozētu produkta cenu, kāda tipa modelis nepieciešāms?

    1. Regresijas

    2. Klasifikācijas

    3. Numerācijas

  6. Lai prognozētu vai klients atteiksies no pakalpojuma, kāda tipa modelis nepieciešams?

    1. Regresijas

    2. Klasifikācijas

    3. Numerācijas

  7. Kurā vidē parasti apmāca Mākslīgā intelekta modeļus?

    1. Excel

    2. Python

    3. Power BI

  8. Kādas datu kopas nepieciešamas, lai apmācītu modeli, kuru varētu lietot produkcijā?

    1. Apmācību kopa

    2. Testa kopa

    3. Validācijas kopa

    4. Apmācību, Testa, Validācijas kopas (Train, Test, Validation)

  9. Kurš faktors visvairāk ietekmē modeļa precizitāti?

    1. Apmācības atrums

    2. Nesabalnsēts paraugu skaits katrā klasē apmācību datu kopā

    3. Paraugu dažādība datu kopā

  10. Kādam pielietojumam mākslīgais intelekts nebūtu efektīvs?

    1. Teksta sludinājumu rakstīšanai

    2. Paroļu un lietotājvārdu pārbaudei autorizējoties mājaslapās

    3. Krāsojamo grāmatu izgatavošanai bērniem

    4. Mūzikas komponēšanai

  11. Kādiem nolūkiem varētu būt noderīga klasterizācija un kategorizēšana, izmantojot k-Means algorimu?

    1. Klasificēt dzīvnieku attēlus

    2. Piedāvāt jaunus produktus klientiem, izmantojot klientu pirkumu datu vēsturi

    3. Ģenerēt tekstu reklāmām

    4. Prognozēt cenu jaunam produktam, kurš ievērojami atsķiras no visiem esošajiem produktiem

  12. Kādiem nolūkiem varētu izmantot lēmumu pieņemšanas koku algoritmus kā ID3?

    1. Noteikt iemeslus kāpēc klients nopirka esošu produktu

    2. Noteikt vai klients pirks jaunu produktu

    3. Noteikt ar kādu varbūtību ārā līs lietus

    4. Noteikt produkta cenas skaitlisko vērtību

  13. Cik līdzīgs ir mākslīgais dziļo neironu tīkla modelis cilvēka dabiskajam neironu tīkla modelim?

    1. Gandrīz identisks, kā to pierāda lielie valodas modeļi, attēlu modeļi un citi modeļi

    2. Ļoti līdzīgs, jo tas modelē bioķīmiskos procesus laikā

    3. Nav līdzīgs, jo mākslīgais neironu tīka modelis ir matemātisks un izpildās ļoti atšķirīgi no cilvēka dabiskā neironu tīkla

  14. Kura darbību secība atbilst dziļo neironu tīkla modeļu apmācībai?

    1. Datu normalizēšana, Datu sadalīšana kopā, Modeļa izveide, Kļūdas funkcijas izvēle, Papildus metriku izvēle, Testa cikls, Validācijas cikls, Epohas, Apmācību cikls, Atpakaļizplatīšanās algoritms (SGD)

    2. Datu normalizēšana, Datu sadalīšana kopās, Modeļa izveide, Epohas, Apmācību cikls, Atpakaļizplatīšanās algoritms (SGD), Kļūdas funkcijas izvēle, Papildus metriku izvēle, Testa cikls, Validācijas cikls

    3. Datu normalizēšana, Datu sadalīšana kopās, Modeļa izveide, Kļūdas funkcijas izvēle, Papildus metriku izvēle, Epohas, Apmācību cikls, Atpakaļizplatīšanās algoritms (SGD), Testa cikls, Validācijas cikls

  15. Ko nozīmē Epoha mākslīgo neironu tīklu apmācības procesā?

    1. Tiek apskatīti visi paraugi apmācību kopā un var būt daudzas Epohas vienā apmācību procesā

    2. Datu normalizācijas metode, kura noņem ekstrēmas vērtības

    3. Tiek apskatīti visi paraugi apmācību kopā un var būt tikai viena Epoha apmācību procesā

    4. Tiek apskatīti validācijas paraugi pēc apmācības

  16. Kura komponente ir svarīgākā ChatGPT vaicājuma inženierijā, lai panāktu kvalitatīvu atbildi?

    1. Vaicājuma formulēšana pēc iespejas īsākā un precīzākā formā

    2. Vaicājuma formulēšana pēc iespējas garākā un plāšākā formā

    3. Faktu iekopēšana prims vaicājuma

  17. Kas notiks, ja turpināsiet uzdot vairākus vaicājumus par dažādām tēmām pēc kārtas vienā un tajā pašā ChatGPT sessijā?

    1. Valodas modelis sāks kopēt saturu no iepriekšējiem jautājumiem tālākajās atbildēs

    2. Tas neietekmē valodas modeļa darbību

    3. Valodas modelis apjuks un nezinās ko atbildēt

  18. Kādā veidā var visātrāk izveidot reklāmas banneri ar ģeneratīvo attēlu modeli DALLE-3?

    1. Augšupielādēt esošu banneri, likt to aprakstīt, sagatavot detalizētu vaicājumu, veikt izmaiņas, pārliecināties, ka vaicājums nav garāks par 500 vārdiem un ģenerēt jaunu banneri

    2. Aprakstīt vēlamo banneri 2000 vārdu garumā detalizēti uzskaitot attēla tipu, galveno tēlu, fonu, stilu utt

  19. Kāda veida ievades dati tiek lietoti STT jeb ASR modeļos?

    1. Audio signāli

    2. Teksta dati

    3. Attēlu dati

    4. Video dati

  20. Kādi ievades dati būtu jālieto TTS modelim un kādi sagaidāmie izvades dati?

    1. Ievades dati: teksts; Izvades dati: audio signāli

    2. Ievades dati: attēli; Izvades dati: teksts

    3. Ievades dati: audio signāli; Izvades dati: teksts

    4. Ievades dati: video; Izvades dati: audio signāli

  21. Kādus uzdevumus audio apstrādē spēj veikt mākslīgais intelekts?

    1. Balss un mūzikas stila pārvēršana (Voice and Music style conversion) - MI ļauj transformēt viena runātāja vai dziedātāja balss īpašības uz citu, saglabājot runas vai dziesmas saturu. Tāpat ir iespējams pārnest mūzikas stilu no viena žanra vai izpildītāja uz citu.

    2. Mūzikas ģenerēšana (Music generation) - MI modeļi spēj radīt jaunu, oriģinālu mūziku, apgūstot mūzikas likumsakarības no liela apjoma mūzikas datiem.

    3. Akcenta noņemšana (Accent removal) - Ar balss pārvēršanas metodēm ir iespējams samazināt vai noņemt runātāja akcentu, padarot runu vieglāk saprotamu.

    4. Visus minētos

  22. Kas ir spektogramma, vai MFCC audio signāla kontekstā?

    1. Spektogramma ir vizuāls attēlojums, kas parāda audio signāla frekvenču sadalījumu laika gaitā. Tā attēlo skaņas intensitāti dažādās frekvencēs katrā laika momentā.

    2. Spektogramma ir līkne, kas parāda audio signāla amplitūdu atkarībā no laika. Tā neatspoguļo frekvenču sadalījumu.

    3. Spektogramma ir matematiska funkcija, ko izmanto audio signālu filtrēšanai un pārveidošanai. Tai nav grafiska attēlojuma.

    4. Spektogramma ir ierīce, ko izmanto audio signālu ģenerēšanai un atskaņošanai, regulējot frekvenču joslas.

  23. Cik liela aptuveni kļūda mūsdienās ir runas atpazīšanas modeļiem angļu valodā?

    1. zem 10% vārdu kļūdas (WER)

    2. zem 20% vārdu kļūdas (WER)

    3. zem 30% vārdu kļūdas (WER)

  24. Kur ir noderīga balss ieraksta uzlabošana (speech enhancement) ar mākslīgo intelektu?

    1. Tiesu ekspertīzē un kriminālistikā

    2. Runas atpazīšanā un transkribēšanā

    3. Gadījumos, kad ir pieejams augstas kvalitātes runas ieraksts

  25. Kādam nolūkam izmanto kļūdas funkciju apmācot mācot mākslīgo intelektu?

    1. Kļūdas funkciju izmanto, lai novērtētu atšķirību starp mākslīgā intelekta prognozētajām un patiesajām vērtībām, ļaujot pielāgot modeli labākai precizitātei.

    2. Kļūdas funkciju lieto, lai pārbaudītu mākslīgā intelekta aparatūras darbību un identificētu iespējamās kļūmes.

    3. Kļūdas funkcija kalpo kā drošības mehānisms, lai nepieļautu mākslīgā intelekta pārāk lielu autonomiju un neatkarīgu darbību.

    4. Kļūdas funkciju pielieto, lai mērītu mākslīgā intelekta darbības ātrumu un efektivitāti, nosakot tā veiktspēju.

  26. Kādam nolūkam izmanto rādītāju kā F1 vai Precizitāti apmācot mākslīgā intelekta modeli?

    1. F1 un Precizitāte tiek lietoti, lai pārbaudītu mākslīgā intelekta modeļa ātrumu un efektivitāti apmācības procesā. Jo ātrāk modelis apmācās, jo labāki ir šie rādītāji.

    2. F1 un Precizitāte ir nepieciešami, lai pielāgotu mākslīgā intelekta modeļa hiperparametrus un uzlabotu tā arhitektūru. Pēc šiem rādītājiem var saprast, kā mainīt modeļa uzbūvi.

    3. F1 un Precizitāte tiek izmantoti, lai novērtētu mākslīgā intelekta modeļa veiktspēju un kvalitāti apmācības un testēšanas laikā. Tie palīdz saprast, cik labi modelis spēj pareizi klasificēt vai prognozēt rezultātus.

    4. F1 un Precizitāte kalpo kā galvenie kritēriji, lai salīdzinātu dažādus mākslīgā intelekta modeļus savā starpā un izvēlētos labāko modeli dotajam uzdevumam. Jo augstāki šie rādītāji, jo labāks ir modelis.

  27. ConvNet jeb atteļu klasifikācijas modelis bez datu augmentācijas apmācības laikā ir spējīgs atpazīt:

    1. Attēlā pārvietotus objektus

    2. Attēlā pārvietotus un pagrieztus objektus

    3. Attēlā pārvietotus, palielinātus un pagrieztus objektus

  28. Transformer modelis, kurš ir ChatGPT pamatā balstās uz:

    1. Tikai uz teksta datu bāzi

    2. Uzmanības mehānismu, kas pievērš uzmanību ievadītajam tekstam

    3. Validācijas datu kopas

  29. Kas ir semantiskā segmentācija attēlos?

    1. Semantiskā segmentācija ir metode, kā sadalīt attēlu kvadrātveida segmentos, neņemot vērā attēla saturu vai nozīmi.

    2. Semantiskā segmentācija ir attēla apstrādes metode, kas ļauj noteikt attēla spilgtumu un kontrastu, bet nesniedz informāciju par attēla saturu.

    3. Semantiskā segmentācija ir process, kurā katram attēla pikselim tiek piešķirta semantiska klase, piemēram, cilvēks, mašīna, ēka utt., tādējādi sadalot attēlu jēgpilnos segmentos.

    4. Semantiskā segmentācija ir veids, kā pārvērst krāsainu attēlu melnbaltā attēlā, saglabājot tā semantisko nozīmi.

  30. Kas ir instanču segementācija attēlos?

    1. Instanču segmentācija ir attēlu apstrādes metode, kas ļauj sadalīt attēlu vairākos segmentos, balstoties uz pikseļu krāsu vērtībām. Šī metode tiek izmantota, lai vienkāršotu attēlu un samazinātu tā detalizācijas pakāpi.

    2. Instanču segmentācija ir process, kurā no attēla tiek izgriezti atsevišķi objekti un saglabāti kā jauni attēli. Šī metode tiek izmantota, lai izveidotu jaunu attēlu kopu no viena lielāka attēla.

    3. Instanču segmentācija ir process, kurā attēlā tiek identificēti un izdalīti atsevišķi objekti, piešķirot katram objektam unikālu marķējumu vai identifikatoru. Šī metode ļauj precīzi noteikt katra objekta atrašanās vietu un robežas attēlā.

    4. Instanču segmentācija ir metode, kas ļauj noteikt attēla dziļumu, analizējot objektu izmēru un novietojumu attiecībā vienam pret otru. Šo informāciju var izmantot, lai izveidotu 3D modeli no 2D attēla.

  31. Kā strādā Apple FaceID, kurš pieņemot izmanto sejas Re-identifikācijas modeli?

    1. Modelis tiek apmācīts, izmantojot lietotāja sejas datus

    2. Modelis jau ir apmācīts iepriekš un iegūst unikālu jēdzienvektoru (embedding)

    3. Abi varianti

  32. Kas ir OCR?

    1. OCR ir saīsinājums no "Optimizēta Ciparu Rotācija", kas ir dziļās mācīšanās metode ciparu rotēšanai attēlos.

    2. OCR ir optiskā rakstzīmju atpazīšana, kas ir dziļās mācīšanās pielietojums, laiatpazītu un digitalizētu drukātu vai rakstītu tekstu no attēliem vai skenētiem dokumentiem.

    3. OCR ir dziļās mācīšanās algoritms, ko izmanto, lai prognozētu laika apstākļus, analizējot mākoņu attēlus no satelītiem.

  33. Kādām daļām jābūt Midjourney attēla ģenerēšanas teksta vaicājumā daļā?

    1. Konfigurācijas parametri

    2. Type, Subject, Features, Style

    3. Parauga fails

  34. Kādas darbības var veikt ar mākslīgā intelekta attēlu apstrādes rīkiem?

    1. Noņemt fotogrāfijas fonā nevēlamus priekšmetus

    2. Nomainīt sejas izteiksmes un emocijas fotogrāfijā

    3. Abas no augstāk minētām darbībām

  35. Kādām daļām jābūt ChatGPT vaicājumā, lai iegūtu labāko rezultātu?

    1. Precīzi definēts uzdevums, Konteksts/Persona, Formāts/Tonis

    2. Neprecīzi definēts Uzdevums, Konteksts/Persona, Formāts/Tonis, Fakti/Dati

    3. Nav svarīgi kā strukturēts vaicājums

  36. Ar kādu vaicājumu panākt, ka tekstu neatpazīs plaģiātisma atpazīšanas sistēmas, bet saglabās to pašu domu, izmantojot ChatGPT?

    1. Improve text below

    2. Rephrase text below

    3. Change text below

  37. Kāpēc izmantot maksas ChatGPT versiju?

    1. Maksas versija GPT4 dažādos uzdevumus sniedz 30-50% labākus rezultātus

    2. Mākslīgais intelekts darbojas uz nVidia GPU, kurus ir dārgi uzturēt un bezmaksas versija nav ekonomiski izdevīga, līdz ar to produkta kvalitāte ir zemāka

    3. Abi varianti

  38. Kuri faktori veicināja mākslīgā intelekta attīstību pēdējos 10 gados?

    1. Pielietojumi biznesā, datu pieejamība, skaitļošanas resursu jauda

    2. Sabiedrības intrese, pielietojumi biznesā, skaitļošanas resursu jauda

    3. Datu pieejamība, skaitļošanas resursu jauda, matemātikas teorija

  39. Kurus darbus mākslīgais intelekts visticamāk automatizēs vispirms digitālajā vidē?

    1. Monotonus, zemi atalgotus darbus

    2. Radošus, augsti atalgotus darbus

    3. Mākslīgais intelekts vēl ilgi nevarēs automatizēt intelektuālu darbu

  40. Kam līdzinās vairāk Lielie Valodas Modeļi (LLM)?

    1. Orāklam, kas spēj atbildēt uz visiem jautājumiem

    2. Improvizācijas teātrim, kurš atbild, balstoties uz informāciju, kuru dod lietotājs

    3. Interneta meklēšanas dzinējam

  41. Kādos formātos var atbildēt GPT4?

    1. Uzrakstīt programmatūras pirmkodu

    2. Izveidot tabulas

    3. Izveidot numurētus sarakstus

    4. Visos minētajos formātos

  42. Lai varētu izmantot Lielo Valodas modeli (LLM) vislētāk ar uzņēmuma datiem nepieciešams:

    1. Apmācīt uz uzņēmuma datiem

    2. Pieslēgt teksta semantiskās jēgas modeli un izveidot RAG (Retrieval Augmented Generation) sistēmu, kura izmanto iepriekš apmācītu modeli

    3. Saprogrammēt, ka modelis pats meklē uzņēmuma datus datubāzē

  43. Kur ir noderīgs PCA (Principal Component Analysis)?

    1. PCA tiek izmantots, lai palielinātu ievades datu dimensionalitāti, lai varētu redzēt vizualizēt datus un redzēt to sakarības

    2. PCA ir noderīgs, lai samazinātu ievades datu dimensionalitāti, lai varētu redzēt vizualizēt datus un redzēt to sakarības

    3. Neviens no dotajiem variantiem

  44. Kādā formātā iekodē kategoriskus datus mākslīgājā intelektā, lai apmācītu modeli, piemēram: bmw, audi, toyota?

    1. Kā klašu indeksus: 0 = bmw, 1 = audi, 2 = toyota

    2. One-hot-encoded: [1, 0, 0] = bmw, [0, 1, 0] = audi, [0, 0, 1] = toyota

    3. Abos veidos

  45. Kādā fromātā ievada datus, lai apmācītu mākslīgā intelekta modeli prognozēt dzīvokļa cenas no sludinājuma teksta?

    1. Absolūtas vērtības: 0…500k EUR

    2. Normalizētas cenas robežās: -1..1

    3. Abos veidos

  46. Kas var būt dziļās mašīnmācīšanās modeļa izvades dati?

    1. Mašīnas cena

    2. Mašīnas marka

    3. Abi iepriekš minētie gan reizē un gan atsevišķi

  47. Kas var būt dziļās mašīnmācīšanās modeļa ievades dati?

    1. Mašīnas cena

    2. Mašīnas marka

    3. Abi iepriekš minētie gan reizē un gan atsevišķi

  48. Salīdzinot 2 grupas ar aptauju dalībnieku atbildēm kā noteikt vai starp šim grupām ir statistiski nozīmīgas atšķirības atbildēs?

    1. Jāveic t-test un vērtībai jābūt zem 0.05

    2. Jāveic p-test un vērtībai jābūt zem 0.05

    3. Vizuāli jāsalīdzina

  49. Kas ir histogrammas?

    1. Histogramma ir matemātiska formula, ko izmanto, lai aprēķinātu vidējo vērtību datu kopai, ņemot vērā datu izkliedi ap vidējo vērtību.

    2. Histogramma ir datu vizualizācijas veids, kurā dati tiek attēloti kā līnijas grafiks, kur katrs datu punkts ir savienots ar taisnu līniju, lai parādītu izmaiņas laika gaitā.

    3. Histogramma ir grafisks attēlojums, kas parāda datu sadalījumu, sadalot tos vairākos intervālos jeb groziņos un attēlojot katra intervāla biežumu kā joslas augstumu.

    4. Histogramma ir statistikas metode, ko izmanto, lai pārbaudītu, vai divu datu kopu starpība ir statistiski nozīmīga, salīdzinot to vidējās vērtības un standartnovirzes.

  50. Kas ir atpakaļizplatīšanās algoritms?

    1. Atpakaļizplatīšanās algoritms ir datu vizualizācijas tehnika, kas ļauj attēlot datus trīsdimensiju telpā, lai labāk izprastu to struktūru un sakarības.

    2. Atpakaļizplatīšanās algoritms ir mašīnmācīšanās metode, ko izmanto, lai apmācītu neironu tīklus, izplatot kļūdas atpakaļ pa tīklu un pielāgojot svarus, lai minimizētu kļūdu.

    3. Atpakaļizplatīšanās algoritms ir datu kompresijas metode, kas ļauj samazināt datu apjomu, atmest nevajadzīgo informāciju un paātrināt datu apstrādi.

    4. Atpakaļizplatīšanās algoritms ir kriptogrāfijas metode, ko izmanto, lai šifrētu un atšifrētu datus, padarot tos drošākus pret nesankcionētu piekļuvi.