Ngân hàng đề — AWS Certified AI Practitioner

Đáp án

C — Amazon SageMaker Clarify

Vì sao đúng

Clarify lo hai việc liên quan tới tính minh bạch của mô hình: phát hiện sai lệch trong dữ liệu và trong dự đoán, và giải thích dự đoán bằng cách chỉ ra đặc trưng nào đóng góp bao nhiêu vào kết quả (dựa trên giá trị SHAP).

Đây là năng lực bắt buộc trong những lĩnh vực mà quyết định phải giải thích được — tín dụng, tuyển dụng, bảo hiểm.

Vì sao các phương án khác sai

• A. SageMaker Model Monitor — theo dõi chất lượng mô hình theo thời gian và phát hiện trôi dữ liệu; nó cho biết mô hình đang xuống cấp, không giải thích vì sao ra kết quả này.
• B. Feature Store — lưu và phục vụ đặc trưng.
• D. SageMaker Canvas — xây mô hình bằng giao diện trực quan.

Đáp án

A — Kho vector OpenSearch Serverless

Vì sao đúng

Hệ thống quản lý tri thức dựa trên Bedrock cần lưu embedding — biểu diễn số của tài liệu — và tìm theo độ tương tự ngữ nghĩa. OpenSearch Serverless có sẵn năng lực tìm kiếm vector cho đúng việc đó, và bản serverless còn tự co giãn nên không phải quản lý cụm nào.

Đây cũng là kho vector mặc định khi bạn tạo Knowledge Base trong Bedrock.

Vì sao các phương án khác sai

• B. Amazon Aurora — cơ sở dữ liệu quan hệ; PostgreSQL có tiện ích pgvector nhưng đó là tính năng thêm vào chứ không phải năng lực gốc.
• C. Redis Enterprise Cloud và D. MongoDB — cả hai có hỗ trợ vector, nhưng chúng là dịch vụ bên thứ ba nằm ngoài AWS; đề hỏi lựa chọn trong hệ sinh thái AWS.

Đáp án

A — Knowledge Bases for Amazon Bedrock

Vì sao đúng

Đề mô tả đúng mô hình RAG: mô hình trả lời câu hỏi bằng cách truy xuất thông tin liên quan từ kho tài liệu của bạn rồi sinh câu trả lời dựa trên đó.

Knowledge Bases lo trọn quy trình đó: chia tài liệu thành đoạn, tạo embedding, lưu vào kho vector, và lúc có câu hỏi thì tìm đoạn liên quan rồi đưa vào ngữ cảnh cho mô hình. Bạn không phải tự dựng đường ống nào.

Với lĩnh vực pháp lý, RAG còn có một lợi ích quyết định: câu trả lời dẫn được nguồn, nên kiểm chứng được.

Vì sao các phương án khác sai

• B. Guardrails — lọc nội dung không phù hợp ở đầu vào và đầu ra; là lớp an toàn, không phải cơ chế truy xuất tri thức.
• C. Watermark detection — nhận biết nội dung do AI sinh ra.
• D. Continued pretraining — huấn luyện tiếp mô hình trên dữ liệu của bạn; tốn kém hơn nhiều và không cập nhật được khi tài liệu thay đổi.

Đáp án

A — Chọn giá theo yêu cầu (on-demand), chỉ trả cho phần thực dùng

Vì sao đúng

Điều kiện quyết định nằm trong đề: công ty chưa rõ sẽ dùng bao nhiêu và bao thường xuyên. Với mức sử dụng chưa xác định, mô hình on-demand là lựa chọn đúng vì nó không đòi cam kết gì: dùng tới đâu trả tới đó, thử nghiệm xong thấy không hợp thì dừng là hết.

Sau khi đã đo được mức dùng thật thì mới đáng cân nhắc chuyển sang mô hình có cam kết.

Vì sao các phương án khác sai

• C. Provisioned throughput — đặt trước một mức thông lượng và trả tiền cho nó dù có dùng hay không; chỉ đáng khi tải đã ổn định và đủ lớn. Nó cũng là điều kiện bắt buộc cho mô hình đã tinh chỉnh.
• B. Reserved instance và D. Spot instance — là mô hình giá của EC2, không áp dụng cho Amazon Bedrock.

Đáp án

A — Token

Vì sao đúng

Token là đơn vị rời rạc mà mô hình ngôn ngữ thực sự xử lý. Một token có thể là cả một từ, một phần của từ, hoặc một ký tự — tuỳ bộ tách token của mô hình. Ước lượng thường dùng cho tiếng Anh: khoảng 4 ký tự cho mỗi token.

Đây là khái niệm có hậu quả tiền bạc trực tiếp: hoá đơn tính theo token, và giới hạn độ dài đầu vào cũng tính theo token.

Vì sao các phương án khác sai

• B. Context window — số token tối đa mà mô hình xử lý được trong một lần; nó là một giới hạn đo bằng token chứ không phải bản thân đơn vị.
• D. Embedding — biểu diễn số của token dưới dạng vector; token là đầu vào, embedding là thứ được tạo ra từ nó.
• C. Vector — khái niệm toán học chung, chính là dạng của embedding.

Đáp án

A — AWS Trusted Advisor

Vì sao đúng

Trusted Advisor quét môi trường AWS của bạn và đưa ra khuyến nghị theo năm hạng mục: tối ưu chi phí, hiệu năng, bảo mật, khả năng chịu lỗi, và hạn mức dịch vụ. Nó đối chiếu cấu hình thật với thực hành tốt của AWS.

Đó đúng là thứ cần khi câu hỏi là "môi trường của tôi có đang được tối ưu không" — một câu hỏi rộng, không giới hạn ở một khía cạnh.

Vì sao các phương án khác sai

• B. AWS Audit Manager — thu thập bằng chứng cho việc kiểm toán tuân thủ theo các chuẩn cụ thể; phạm vi hẹp hơn nhiều.
• C. AWS CloudTrail — ghi lại ai đã gọi API nào, phục vụ truy vết chứ không đưa khuyến nghị.
• D. AWS Config — theo dõi thay đổi cấu hình và đánh giá theo luật bạn khai; nó thiên về tuân thủ nội bộ hơn là tối ưu tổng thể.

Đáp án

C và D — mỗi Availability Zone gồm một hoặc nhiều trung tâm dữ liệu riêng biệt, và mỗi Region có tối thiểu ba Availability Zone

Vì sao đúng

Cấu trúc hạ tầng toàn cầu của AWS theo thứ tự phân cấp:

Region (khu vực địa lý)
  └── Availability Zone  ← tối thiểu 3 mỗi region
        └── Data center  ← 1 hoặc nhiều mỗi AZ

• D — AWS thiết kế mỗi region có ít nhất ba AZ. Con số ba có lý do: nhiều hệ thống đồng thuận cần đa số, mà đa số chỉ có nghĩa khi số nút lẻ và từ ba trở lên.
• C — mỗi AZ gồm một hoặc nhiều trung tâm dữ liệu, tách biệt về nguồn điện, làm mát và mạng.

Vì sao các phương án khác sai

• A. Region có tối thiểu hai AZ — con số sai; đây là bẫy chính vì hai nghe hợp lý.
• B. Mỗi AZ gồm hai hoặc nhiều trung tâm dữ liệu — sai ở chữ "hai": một AZ có thể chỉ gồm một trung tâm dữ liệu.
• E. Region gồm hai hoặc nhiều Edge Location — Edge Location thuộc mạng CloudFront và nằm ở nhiều thành phố khác, không phải thành phần của region.

Đáp án

A — Amazon Kendra

Vì sao đúng

Kendra là dịch vụ tìm kiếm doanh nghiệp dùng học máy để hiểu ngôn ngữ tự nhiên: người dùng hỏi bằng câu hỏi thường ngày thay vì gõ từ khoá, và Kendra trả về câu trả lời trực tiếp chứ không chỉ danh sách liên kết.

Nó cũng có sẵn hàng chục connector để nối vào kho tài liệu khác nhau — S3, SharePoint, Salesforce, cơ sở dữ liệu — nên gom được nhiều nguồn rời rạc vào một trải nghiệm tìm kiếm.

Vì sao các phương án khác sai

• B. Amazon Textract — trích xuất chữ và dữ liệu từ tài liệu quét; nó là bước tiền xử lý, không phải công cụ tìm kiếm.
• C. Amazon Comprehend — phân tích văn bản (cảm xúc, thực thể, chủ đề), cũng không tìm kiếm.
• D. SageMaker Data Wrangler — chuẩn bị dữ liệu cho học máy.

Đáp án

C — Negative prompting (nhắc phủ định)

Vì sao đúng

Negative prompting là kỹ thuật khai những gì KHÔNG được xuất hiện trong kết quả. Đề nói rõ mục tiêu là loại trừ tên thương hiệu đối thủ và nội dung nhạy cảm, nên đây là kỹ thuật khớp trực tiếp.

Nó khác các kỹ thuật khác ở chỗ tác động theo chiều loại bỏ thay vì chiều hướng dẫn.

Vì sao các phương án khác sai

• B. Few-shot prompting — đưa vài ví dụ mẫu để mô hình bắt chước cách làm; nó định hình phong cách chứ không cấm nội dung.
• D. Zero-shot prompting — chỉ mô tả nhiệm vụ, không kèm ví dụ nào.
• A. Chain-of-thought prompting — yêu cầu mô hình trình bày từng bước suy luận, dùng cho bài toán cần lập luận.

Đáp án

A — Quản lý các thí nghiệm học máy

Vì sao đúng

MLflow là công cụ mã nguồn mở chuyên cho việc theo dõi thí nghiệm: mỗi lần huấn luyện được ghi lại kèm siêu tham số, chỉ số kết quả, và phiên bản mô hình sinh ra. Nhờ vậy so sánh được hàng chục lần chạy và tái lập lại được lần chạy tốt nhất.

Đề nhấn vào cộng tác giữa các đội — và đó chính là vấn đề MLflow giải: không có nó thì kết quả thí nghiệm nằm rải rác trong notebook của từng người.

Vì sao các phương án khác sai

• B. Tinh chỉnh siêu tham số tự động — đó là SageMaker Automatic Model Tuning; MLflow ghi lại kết quả của việc dò tìm chứ không tự dò.
• C. Gán nhãn dữ liệu có người tham gia — đó là Ground Truth.
• D. Xây mô hình không cần viết mã — đó là SageMaker Canvas.