Ngân hàng đề — AWS Certified AI Practitioner

Tìm thấy 623 câu.

Câu 1 Applications of Foundation Models

A tech company is developing an AI-powered customer support solution using Retrieval-Augmented Generation (RAG) with Amazon Bedrock to provide more accurate and context-aware responses. To achieve this, the company needs a database that can handle fast index lookups and similarity searches to quickly retrieve the most relevant documents or information from a large dataset. The ideal database solution should efficiently support search queries and rank results based on their relevance to the input provided by the user.

Given these requirements, which database solution would be most appropriate for the company to use?

  1. A

    The company should use Amazon OpenSearch Service, which is designed to provide fast search capabilities and supports full-text search, indexing, and similarity scoring
  2. B

    The company should use Amazon Aurora, a managed relational database service that is optimized for high-performance transactional workloads that can be useful for search operations
  3. C

    The company should use Amazon DynamoDB, a fully managed NoSQL database service that offers low-latency data retrieval to handle fast index lookups as well as search operations
  4. D

    The company should use Amazon DocumentDB (with MongoDB compatibility), a managed NoSQL document database service designed for storing semi-structured data to facilitate search capabilities
Xem giải thích

Đáp án

A — Amazon OpenSearch Service

Vì sao đúng

Hệ thống RAG cần một kho vector để lưu embedding của tài liệu và tìm theo độ tương tự ngữ nghĩa — nghĩa là tìm những đoạn văn gần nghĩa với câu hỏi, chứ không phải khớp từ khoá.

OpenSearch Service có sẵn năng lực k-NN (k-nearest neighbor) search cho đúng việc đó, và nó là một trong những kho vector được Amazon Bedrock hỗ trợ trực tiếp cho Knowledge Bases.

Vì sao các phương án khác sai

  • B. Amazon Aurora — cơ sở dữ liệu quan hệ; có tiện ích mở rộng vector cho PostgreSQL nhưng đó không phải năng lực gốc và hiệu năng ở quy mô lớn kém hơn.
  • C. Amazon DynamoDB — kho khoá–giá trị, tìm theo khoá rất nhanh nhưng không có tìm kiếm theo độ tương tự vector.
  • D. Amazon DocumentDB — cơ sở dữ liệu tài liệu, cũng không phải kho vector.
Câu 2 Chọn nhiều đáp án Fundamentals of AI and ML

A financial services company is building machine learning models to predict customer churn and detect fraudulent transactions. The data science team is exploring different machine learning approaches and needs to understand which methods fall under supervised learning, where the model is trained on labeled data with known outcomes. Identifying the correct supervised learning techniques will help the team select the most appropriate models for their predictive tasks.

Which of the following are examples of supervised learning? (Select two)

  1. A

    Linear regression
  2. B

    Neural network
  3. C

    Association rule learning
  4. D

    Clustering
  5. E

    Document classification
Xem giải thích

Đáp án

A và B — hồi quy tuyến tính và mạng nơ-ron

Vì sao đúng

Hai bài toán trong đề — dự đoán khách hàng rời bỏ và phát hiện giao dịch gian lận — đều là học có giám sát: bạn có dữ liệu lịch sử đã biết kết quả (ai đã rời bỏ, giao dịch nào là gian lận) và muốn dự đoán cho trường hợp mới.

Cả hồi quy tuyến tính lẫn mạng nơ-ron đều là thuật toán học có giám sát, chỉ khác về độ phức tạp: hồi quy đơn giản và giải thích được, mạng nơ-ron bắt được quan hệ phi tuyến phức tạp nhưng khó diễn giải hơn.

Vì sao các phương án khác sai

  • D. Phân cụm — học không giám sát: dữ liệu không có nhãn, thuật toán tự tìm nhóm. Không dùng để dự đoán một kết quả đã biết trước.
  • C. Học luật kết hợp — tìm mẫu kiểu "mua A thì thường mua B", cũng không giám sát.
  • E. Phân loại tài liệu — là một ứng dụng cụ thể, không phải một loại thuật toán.
Câu 3 Applications of Foundation Models

A financial services company is deploying multiple machine learning models on Amazon SageMaker to provide real-time credit risk assessments and fraud detection. The data science team needs a tool to monitor and track the performance and usage of these models hosted on endpoints, ensuring that they can easily manage and troubleshoot any issues related to real-time inference. To streamline this process, they are exploring which Amazon SageMaker service can help them track and manage their deployed models effectively.

What do you recommend?

  1. A

    Amazon SageMaker Model Dashboard
  2. B

    Amazon SageMaker Clarify
  3. C

    Amazon SageMaker Ground Truth
  4. D

    Amazon SageMaker JumpStart
Xem giải thích

Đáp án

A — Amazon SageMaker Model Dashboard

Vì sao đúng

Khi có nhiều mô hình cùng chạy trên sản xuất, vấn đề là không ai nhìn thấy bức tranh chung. Model Dashboard cho đúng điều đó: một chỗ duy nhất hiển thị mọi mô hình đã triển khai, endpoint của chúng, và cảnh báo về trôi dữ liệu, trôi chất lượng mô hình, sai lệch và độ giải thích.

Với hệ thống đánh giá rủi ro tín dụng và phát hiện gian lận thì việc phát hiện mô hình đang xuống cấp là chuyện phải làm liên tục, không phải một lần.

Vì sao các phương án khác sai

  • B. SageMaker Clarify — phát hiện sai lệch và giải thích dự đoán; nó là một nguồn dữ liệu cho dashboard chứ không phải nơi tổng hợp.
  • C. SageMaker Ground Truth — gán nhãn dữ liệu huấn luyện, thuộc giai đoạn trước khi có mô hình.
  • D. SageMaker JumpStart — kho mô hình dựng sẵn để bắt đầu nhanh.
Câu 4 Security, Compliance, and Governance for AI Solutions

A company has deployed several machine learning models on Amazon Bedrock to provide real-time predictions and analytics for its clients. To maintain operational transparency and ensure compliance with regulatory requirements, the company needs to monitor the input data sent to these models and the output responses generated. This monitoring is crucial for tracking usage, auditing access patterns, and troubleshooting any issues that may arise during model execution. The company is looking for a solution that provides detailed visibility into all model invocations to maintain effective oversight.

Which of the following solutions would be the most suitable for achieving this goal?

  1. A

    The company should use AWS CloudTrail logs for tracking Amazon Bedrock API calls, which records API activities and calls made to various AWS services, including Amazon Bedrock
  2. B

    The company should analyze Amazon Bedrock model invocation events in Amazon EventBridge
  3. C

    The company should enable model invocation logging, which allows for detailed logging of all requests and responses during model invocations in Amazon Bedrock
  4. D

    The company should use AWS Config to monitor changes in resource configurations initiated by Amazon Bedrock
Xem giải thích

Đáp án

C — Bật ghi nhật ký lời gọi mô hình (model invocation logging)

Vì sao đúng

Đây là tính năng riêng của Bedrock cho phép ghi lại chính nội dung của từng lần gọi mô hình: prompt đầu vào, kết quả đầu ra, và siêu dữ liệu đi kèm. Log được đẩy sang S3 hoặc CloudWatch Logs.

Đó là mức chi tiết mà các công cụ khác không có, và nó cần thiết cho ba việc: truy vết khi khách hàng khiếu nại về một câu trả lời, phát hiện mô hình bị lạm dụng, và phân tích chất lượng theo thời gian.

Vì sao các phương án khác sai

  • A. CloudTrail — ghi lại việc API đã được gọi: ai gọi, lúc nào, từ đâu. Nhưng nó không ghi nội dung prompt và phản hồi. Đây là phương án nhiễu gần nhất, và điểm phân biệt nằm ở chữ "chi tiết".
  • B. Phân tích sự kiện trong EventBridge — EventBridge định tuyến sự kiện, không lưu nội dung lời gọi.
  • D. AWS Config — theo dõi thay đổi cấu hình tài nguyên, hoàn toàn khác mục đích.
Câu 5 Security, Compliance, and Governance for AI Solutions

A media company has developed an AI-based image generation model to create promotional materials, but it has noticed that the model consistently produces biased outputs, such as generating fewer images representing certain demographic groups. This issue stems from the input data used to train the model, which is imbalanced and underrepresents these groups. To ensure fair representation and mitigate bias in the generated images, the company needs to implement an effective approach to address the data imbalance in its training dataset.

What would be the most suitable strategy to achieve this goal?

  1. A

    Apply model regularization techniques to address the imbalance in data
  2. B

    Use another model that can handle the imbalance in data
  3. C

    Augment the data by generating new instances of data for underrepresented groups
  4. D

    Leverage human intervention to manually correct the imbalanced dataset
Xem giải thích

Đáp án

C — Làm giàu dữ liệu bằng cách sinh thêm mẫu cho nhóm bị thiếu đại diện

Vì sao đúng

Sai lệch của mô hình gần như luôn bắt nguồn từ sự mất cân bằng trong dữ liệu huấn luyện. Nếu một nhóm chỉ chiếm vài phần trăm dữ liệu, mô hình học được rất ít về nhóm đó và sẽ tái tạo định kiến.

Bổ sung dữ liệu cho nhóm thiếu đại diện là biện pháp giải quyết tận gốc: nó sửa đúng nguyên nhân thay vì che triệu chứng ở đầu ra.

Vì sao các phương án khác sai

  • A. Dùng kỹ thuật điều chuẩn (regularization) — chống quá khớp, không chống mất cân bằng dữ liệu; đây là hai vấn đề khác nhau.
  • B. Đổi sang mô hình khác — mô hình mới học từ cùng bộ dữ liệu lệch thì sẽ lệch y như vậy.
  • D. Nhờ người sửa tay tập dữ liệu mất cân bằng — không mở rộng được, và "sửa tay" không tạo ra dữ liệu mới cho nhóm còn thiếu.
Câu 6 Chọn nhiều đáp án Applications of Foundation Models

A retail company is exploring machine learning to enhance its customer segmentation and product recommendation systems. The data science team wants a solution that allows them to quickly get started with pre-built models and workflows, without needing extensive development from scratch. They are considering using Amazon SageMaker JumpStart to accelerate their machine learning projects, but they need to understand the platform's key features to ensure it meets their needs for rapid deployment and scalability.

Which of the following represent the key features of Amazon SageMaker JumpStart? (Select two)

  1. A

    Your inference and training data will be used to train the base model
  2. B

    You can evaluate, compare, and select Foundation Models quickly based on pre-defined quality and responsibility metrics
  3. C

    You can build highly accurate ML models using a visual interface without any code
  4. D

    SageMaker JumpStart provides only public models. Proprietary models are not supported by SageMaker JumpStart
  5. E

    Pre-trained models are fully customizable for your use case with your data
Xem giải thích

Đáp án

B và E — đánh giá và so sánh Foundation Model theo các chỉ số dựng sẵn, và tuỳ biến hoàn toàn mô hình dựng sẵn bằng dữ liệu của bạn

Vì sao đúng

SageMaker JumpStart là cửa vào nhanh cho các dự án học máy:

  • B. So sánh và chọn Foundation Model — nó tập hợp nhiều mô hình kèm chỉ số về chất lượng và trách nhiệm, nên bạn chọn dựa trên số liệu thay vì cảm tính.
  • E. Tuỳ biến bằng dữ liệu riêng — mô hình dựng sẵn tinh chỉnh được trên dữ liệu của bạn, nên nó là điểm khởi đầu chứ không phải hộp đen cố định.

Vì sao các phương án khác sai

  • A. Dữ liệu suy luận và huấn luyện của bạn sẽ được dùng để huấn luyện mô hình gốc — sai và quan trọng phải biết là sai: AWS cam kết dữ liệu của bạn không được dùng để huấn luyện mô hình nền.
  • D. JumpStart chỉ có mô hình công khai — sai; nó có cả mô hình độc quyền từ nhà cung cấp.
  • C. Xây mô hình bằng giao diện trực quan không cần viết mã — đó là SageMaker Canvas, một sản phẩm khác.
Câu 7 Applications of Foundation Models

A company needs large, high-quality, and labeled datasets for training its machine learning models. Which Amazon SageMaker service helps build high-quality training datasets?

  1. A

    Amazon SageMaker Feature Store
  2. B

    Amazon SageMaker Ground Truth
  3. C

    Amazon SageMaker Canvas
  4. D

    Amazon SageMaker JumpStart
Xem giải thích

Đáp án

B — Amazon SageMaker Ground Truth

Vì sao đúng

Ground Truth dựng riêng cho khâu gán nhãn dữ liệu — công đoạn tốn thời gian nhất và cũng quyết định chất lượng mô hình nhiều nhất. Nó kết hợp hai thứ: gán nhãn tự động bằng học máy cho những mẫu dễ, và con người xử lý những mẫu khó hoặc mẫu mà máy không chắc.

Cách kết hợp đó cắt giảm đáng kể chi phí so với gán nhãn thủ công hoàn toàn.

Vì sao các phương án khác sai

  • A. Feature Store — nơi lưu và phục vụ đặc trưng đã được tính; nó làm việc với dữ liệu đã qua xử lý, không tạo nhãn.
  • C. SageMaker Canvas — xây mô hình bằng giao diện trực quan, không cần viết mã.
  • D. SageMaker JumpStart — kho mô hình dựng sẵn.
Câu 8 Applications of Foundation Models

A software development company is interested in using Amazon Q Developer to enhance its applications by integrating AI-driven features such as automated code suggestions, task automation, and content generation. To understand the technical foundation behind Amazon Q Developer and how it leverages cloud-based services for its capabilities, the development team is looking to identify which AWS service powers its core functionalities.

Which of the following AWS services powers Amazon Q Developer?

  1. A

    Amazon Kendra
  2. B

    Amazon Q Apps
  3. C

    Amazon SageMaker Jumpstart
  4. D

    Amazon Bedrock
Xem giải thích

Đáp án

D — Amazon Bedrock

Vì sao đúng

Amazon Q Developer được xây dựng trên nền Amazon Bedrock — đó là dịch vụ cung cấp quyền truy cập tới các Foundation Model và lo phần hạ tầng suy luận. Q là lớp ứng dụng đóng gói sẵn đặt bên trên.

Quan hệ giữa hai dịch vụ đáng nhớ vì nó lặp lại trong nhiều câu hỏi: Bedrock là nền tảng để xây, Q là ứng dụng đã xây sẵn.

Vì sao các phương án khác sai

  • A. Amazon Kendra — dịch vụ tìm kiếm doanh nghiệp; nó có thể là nguồn dữ liệu cho ứng dụng AI nhưng không phải nền tảng mô hình.
  • B. Amazon Q Apps — là một tính năng bên trong Amazon Q, không phải thứ nằm dưới nó.
  • C. SageMaker JumpStart — kho mô hình để bạn tự triển khai, không phải nền tảng của Q.
Câu 9 Fundamentals of AI and ML

A retail company is looking to optimize its supply chain planning and reduce stockouts. The team is exploring various AWS services to support this effort and is particularly interested in using machine learning for accurate resource planning. The team needs to ensure that the service is well-suited to address their specific use cases.

Which of the following is the best-fit for the Amazon Forecast service?

  1. A

    Predict product demand to accurately vary inventory and pricing at different store locations
  2. B

    Detect and categorize toxic audio and foster a safe and inclusive online environment
  3. C

    Design conversational solutions that respond to frequently asked questions for technical support, and HR benefits
  4. D

    Recommendations tailored to a user’s profile, behavior, preferences, and history
Xem giải thích

Đáp án

A — Dự đoán nhu cầu sản phẩm để điều chỉnh chính xác tồn kho và giá theo từng thời điểm

Vì sao đúng

Đề nói về tối ưu chuỗi cung ứng và giảm tình trạng hết hàng, và đó là bài toán dự báo nhu cầu: dựa trên dữ liệu bán hàng lịch sử cùng các yếu tố như mùa vụ và khuyến mãi để ước tính lượng bán trong tương lai.

Biết trước nhu cầu thì mới quyết định được nhập bao nhiêu và đặt giá thế nào — hai đòn bẩy chính để vừa không hết hàng vừa không tồn kho thừa.

Vì sao các phương án khác sai

Ba phương án còn lại mô tả các dịch vụ AI khác, không liên quan tới chuỗi cung ứng:

  • B. Phát hiện và phân loại âm thanh độc hại — kiểm duyệt nội dung.
  • C. Thiết kế giải pháp hội thoại trả lời câu hỏi thường gặp — chatbot.
  • D. Gợi ý theo hồ sơ và hành vi người dùng — hệ gợi ý cá nhân hoá, giải bài toán khác.
Câu 10 Fundamentals of Generative AI

A technology consulting firm is working with clients to implement generative AI solutions and needs to help them understand the differences between various AI models. In particular, the firm is evaluating the use of Foundation Models (FMs) and Large Language Models (LLMs) for tasks such as text generation, image creation, and data summarization. The firm wants to clarify the distinctions between these two types of models, especially in terms of their design, capabilities, and application scope.

What is a key difference between Foundation Models (FMs) and Large Language Models (LLMs) in the context of generative AI?

  1. A

    Foundation Models are specifically designed for text generation, while Large Language Models can generate images, videos, and audio
  2. B

    Foundation Models are only used in academic research, while Large Language Models are used in commercial applications
  3. C

    Foundation Models serve as a broad base for various AI applications by providing generalized capabilities, whereas Large Language Models are specialized for understanding and generating human language
  4. D

    Large Language Models are pre-trained on massive datasets and can be fine-tuned for specific tasks, whereas Foundation Models are not pre-trained and are built from scratch for each application
Xem giải thích

Đáp án

C — Foundation Model là nền rộng cho nhiều ứng dụng AI, còn Large Language Model chuyên về hiểu và sinh ngôn ngữ

Vì sao đúng

Quan hệ giữa hai khái niệm là bao hàm, không phải song song:

Foundation Model (nền tảng chung, đa phương thức)
  ├── Large Language Model      ← chuyên về văn bản
  ├── Mô hình sinh ảnh          ← ví dụ Stable Diffusion
  └── Mô hình đa phương thức    ← văn bản, ảnh, âm thanh

Foundation Model là khái niệm rộng: mô hình lớn được huấn luyện trên khối dữ liệu khổng lồ, dùng làm nền cho nhiều tác vụ. LLM là một loại Foundation Model chuyên về ngôn ngữ.

Vì sao các phương án khác sai

  • A — đảo ngược: nói FM chỉ sinh văn bản còn LLM sinh được ảnh và video, ngược hẳn thực tế.
  • D — nói FM không được huấn luyện trước và phải xây từ đầu cho mỗi ứng dụng; sai hoàn toàn, vì được huấn luyện trước chính là đặc điểm định danh của FM.
  • B. FM chỉ dùng trong nghiên cứu học thuật — sai; chúng là nền của phần lớn sản phẩm AI thương mại hiện nay.