Ngân hàng đề — AWS Certified AI Practitioner

Tìm thấy 623 câu.

Câu 101 Fundamentals of AI and ML

A retail company is building a machine learning model to forecast demand for its products, but the data science team is facing challenges in balancing model complexity and accuracy. They are trying to avoid overfitting as well as underfitting, since understanding the differences between these two issues is crucial for optimizing the model's performance on both historical and unseen data.

How would you differentiate between overfitting and underfitting in the context of machine learning?

  1. A

    Overfitting and underfitting both refer to a model performing equally well on both the training data and new, unseen data
  2. B

    Overfitting is desirable as it ensures the model captures all nuances in the training data, while underfitting is desirable as it ensures the model generalizes well to new data
  3. C

    Overfitting occurs when a model is too simple to capture the underlying patterns in the data, while underfitting occurs when a model is too complex and captures noise rather than the actual patterns
  4. D

    Overfitting occurs when a model performs well on the training data but poorly on new, unseen data, while underfitting occurs when a model performs poorly on both the training data and new, unseen data
Xem giải thích

Đáp án

*D — Quá khớp: tốt trên tập huấn luyện, kém trên dữ liệu mới. Thiếu khớp: kém ở cả hai

Vì sao đúng

Cách phân biệt nhanh nhất là nhìn hai con số cùng lúc:

Lỗi trên tập huấn luyện Lỗi trên dữ liệu mới Nguyên nhân
Quá khớp Thấp Cao Mô hình quá phức tạp, học thuộc cả nhiễu
Thiếu khớp Cao Cao Mô hình quá đơn giản, chưa bắt được quy luật
Vừa đủ Thấp Thấp —

Dấu hiệu nhận dạng của thiếu khớp là cả hai đều tệ — mô hình còn chưa học nổi dữ liệu nó đã thấy. Quá khớp thì ngược lại: giỏi bài cũ, dốt bài mới.

Cách chữa cũng ngược nhau: quá khớp thì giảm độ phức tạp (điều chuẩn, dropout, thêm dữ liệu), thiếu khớp thì tăng độ phức tạp hoặc huấn luyện lâu hơn.

Vì sao các phương án khác sai

  • C — đảo ngược hai định nghĩa; đây là phương án nhiễu chính.
  • B. Cả hai đều đáng mong muốn — sai; cả hai đều là vấn đề cần tránh.
  • A. Cả hai đều tốt như nhau ở cả hai tập — mô tả một mô hình lý tưởng, không phải hai lỗi này.
Câu 102 Chọn nhiều đáp án Applications of Foundation Models

The development team at a company needs to select the most appropriate large language model (LLM) for the company's flagship application. Given the vast array of LLMs available, the team is uncertain about the best choice. Additionally, since the application will be publicly accessible, the team has concerns about the possibility of generating harmful or inappropriate content.

Which AWS solutions should the team implement to address both the selection of the appropriate model and the mitigation of harmful content generation? (Select two).

  1. A

    Amazon Comprehend
  2. B

    Amazon SageMaker Clarify
  3. C

    Model Evaluation on Amazon Bedrock
  4. D

    Guardrails for Amazon Bedrock
  5. E

    Amazon SageMaker Model Monitor
Xem giải thích

Đáp án

C và D — Model Evaluation on Amazon Bedrock và Guardrails for Amazon Bedrock

Vì sao đúng

Đề nêu hai vấn đề tách bạch, và mỗi dịch vụ giải một cái:

  • C. Model Evaluation — cho vấn đề chọn mô hình. Nó cho phép so sánh nhiều LLM trên chính dữ liệu và nhiệm vụ của bạn, bằng chỉ số tự động hoặc người đánh giá. Nhờ vậy quyết định dựa trên số liệu thay vì cảm tính hay danh tiếng.
  • D. Guardrails — cho vấn đề nội dung độc hại. Nó lọc cả đầu vào lẫn đầu ra theo các nhóm nội dung (bạo lực, thù ghét, tình dục, lăng mạ), chặn chủ đề bạn tự khai, và che thông tin cá nhân. Đây là điều bắt buộc vì ứng dụng sẽ mở công khai.

Vì sao các phương án khác sai

  • B. SageMaker Clarify — phát hiện sai lệch và giải thích dự đoán cho mô hình học máy truyền thống; nó không lọc nội dung độc hại trong đầu ra của LLM. Đây là phương án nhiễu gần nhất vì nghe cũng liên quan tới AI có trách nhiệm.
  • E. Model Monitor — theo dõi trôi dữ liệu của mô hình đã triển khai, không phải công cụ chọn mô hình hay lọc nội dung.
  • A. Amazon Comprehend — có phát hiện nội dung độc hại, nhưng phải tự ghép vào ứng dụng; Guardrails đã tích hợp sẵn trong Bedrock nên là lựa chọn đúng ở đây.
Câu 103 Fundamentals of AI and ML

A technology consulting firm is guiding a client through the process of adopting AI-driven solutions for automating their business operations. The client is trying to understand the broader scope of artificial intelligence (AI) and how machine learning (ML) fits into it, particularly in terms of the distinct roles each plays in decision-making and problem-solving. Clarifying the relationship between AI and ML will help the client make informed decisions on which technologies to invest in.

What is the key difference between machine learning and artificial intelligence?

  1. A

    Machine learning is a subset of artificial intelligence that involves training algorithms to learn from data, while artificial intelligence encompasses a wider range of technologies aimed at simulating human intelligence
  2. B

    Machine learning encompasses the broader concept of artificial intelligence, which includes rule-based systems and decision-making processes
  3. C

    Artificial intelligence is concerned only with physical robots, while machine learning focuses exclusively on software algorithms
  4. D

    Artificial intelligence is a subset of machine learning that focuses solely on statistical analysis
Xem giải thích

Đáp án

A — ML là tập con của AI; AI bao gồm dải công nghệ rộng hơn nhằm mô phỏng trí tuệ con người

Vì sao đúng

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

┌─ Artificial Intelligence ─────────────────────┐
│  Mọi kỹ thuật làm máy hành xử "thông minh"    │
│                                                │
│  ┌─ Machine Learning ──────────────┐          │
│  │  Học quy luật TỪ DỮ LIỆU        │          │
│  └─────────────────────────────────┘          │
│                                                │
│  Hệ chuyên gia, hệ luật if-then,               │
│  tìm kiếm và lập kế hoạch, logic mờ            │
└───────────────────────────────────────────────┘

Điểm đáng nhớ nhất là phần AI nằm ngoài ML: một hệ chuyên gia chẩn đoán bằng vài trăm luật if-then do bác sĩ viết ra vẫn là AI, dù nó không học gì cả. Điều phân biệt ML là nó suy ra quy luật từ dữ liệu thay vì được lập trình sẵn quy luật.

Vì sao các phương án khác sai

  • B — nói ML bao ngoài AI; đảo ngược thứ bậc.
  • D — nói AI là tập con của ML và chỉ lo phân tích thống kê; cũng đảo ngược.
  • C — nói AI chỉ liên quan tới robot vật lý; sai, AI phần lớn là phần mềm.
Câu 104 Fundamentals of Generative AI

An insurance company is transitioning to AWS Cloud and wants to use Amazon Bedrock for product recommendations. The company wants to supplement organization-specific information to the underlying Foundation Model (FM).

Which of the following represents the best-fit solution for the given use case?

  1. A

    Use Knowledge Bases for Amazon Bedrock to supplement contextual information from the company's private data to the FM using Reinforcement Learning from Human Feedback (RLHF)
  2. B

    Use Knowledge Bases for Amazon Bedrock to supplement contextual information from the company's private data to the FM using Retrieval Augmented Generation (RAG)
  3. C

    Fine-tune the base Foundation Model (FM) used by Amazon Bedrock by leveraging the contextual information from the company's private data
  4. D

    Implement Reinforcement Learning from Human Feedback (RLHF) in Amazon Bedrock by leveraging the contextual information from the company's private data
Xem giải thích

Đáp án

B — Dùng Knowledge Bases for Amazon Bedrock để bổ sung dữ liệu riêng của công ty bằng RAG

Vì sao đúng

Đề nói rõ nhu cầu: bổ sung thông tin riêng của tổ chức cho Foundation Model. Đó chính là mô tả của RAG, và Knowledge Bases là cách Bedrock triển khai sẵn mô hình đó.

Với công ty bảo hiểm thì lựa chọn này còn có ba lợi ích cụ thể:

  • Sản phẩm và điều khoản đổi thường xuyên — cập nhật chỉ mục là xong, không cần huấn luyện lại.
  • Dẫn được nguồn — quan trọng khi tư vấn sản phẩm bảo hiểm cần chỉ đúng điều khoản.
  • Rẻ và nhanh hơn tinh chỉnh rất nhiều.

Vì sao các phương án khác sai

  • C. Tinh chỉnh Foundation Model bằng dữ liệu riêng — làm được, nhưng đắt, chậm, và lạc hậu ngay khi danh mục sản phẩm thay đổi. Nguyên tắc chung: tinh chỉnh để dạy phong cách và lĩnh vực, RAG để cung cấp dữ kiện hay thay đổi.
  • *A. Knowledge Bases dùng RLHF — sai ở kỹ thuật: Knowledge Bases chạy bằng RAG, không phải RLHF. Đây là bẫy tinh vi vì nửa đầu câu đúng.
  • D. Triển khai RLHF trong Bedrock — RLHF dùng để căn chỉnh hành vi mô hình theo sở thích con người, không phải để nạp thông tin của công ty.
Câu 105 Chọn nhiều đáp án Guidelines for Responsible AI

A healthcare startup is building machine learning models to assist doctors in diagnosing medical conditions. The development team is debating whether to use a complex, high-performance model or a transparent and explainable model that offers clear insights into how predictions are made. Since transparency is important in healthcare, the team needs to weigh the benefits of using an explainable model, particularly in terms of trust, compliance, and accountability.

Which benefits might persuade a developer to choose a transparent and explainable machine learning model? (Select two)

  1. A

    They facilitate easier debugging and optimization
  2. B

    They simplify the integration process with other systems
  3. C

    They enhance security by concealing model logic
  4. D

    They foster trust and confidence in model predictions
  5. E

    They require less computational power and storage
Xem giải thích

Đáp án

A và D — dễ gỡ lỗi và tối ưu hơn, và tạo được niềm tin vào dự đoán

Vì sao đúng

  • D. Tạo niềm tin — trong y tế, bác sĩ sẽ không hành động theo một dự đoán mà họ không hiểu, và cũng không nên. Mô hình giải thích được cho biết yếu tố nào dẫn tới kết luận, nên bác sĩ đối chiếu được với hiểu biết lâm sàng của mình.
  • A. Dễ gỡ lỗi và tối ưu — đây là lợi ích kỹ thuật hay bị bỏ qua. Khi mô hình dự đoán sai, mô hình minh bạch cho bạn thấy nó dựa vào đâu mà sai. Nhờ vậy phát hiện được những lỗi kinh điển như rò rỉ dữ liệu — ví dụ mô hình vô tình học theo tên bệnh viện thay vì triệu chứng.

Vì sao các phương án khác sai

  • C. Tăng bảo mật bằng cách che giấu logic mô hình — ngược hẳn: minh bạch nghĩa là phơi bày logic, không phải che đi. Câu này lấy đúng đặc điểm rồi gán cho nó lợi ích ngược dấu.
  • E. Cần ít tài nguyên tính toán hơn — mô hình minh bạch thường đơn giản hơn nên nhẹ hơn, nhưng đó là hệ quả tình cờ, không phải lý do người ta chọn chúng. Và không phải lúc nào cũng đúng.
  • B. Dễ tích hợp với hệ thống khác hơn — tích hợp phụ thuộc vào API và định dạng, không liên quan tới việc mô hình có giải thích được hay không.
Câu 106 Fundamentals of AI and ML

A machine learning team at a tech company is developing a generative AI model to automate text generation for customer support. As part of optimizing the model’s performance, the team needs to adjust both model parameters and hyperparameters but wants to clearly understand the distinctions between the two. Understanding these differences is crucial for fine-tuning the model and improving its output.

Which of the following highlights the key differences between model parameters and hyperparameters in the context of generative AI?

  1. A

    Model parameters are values that define a model and its behavior in interpreting input and generating responses. Hyperparameters are values that can be adjusted for model customization to control the training process
  2. B

    Both Hyperparameters and model parameters are values that define a model and its behavior in interpreting input and generating responses
  3. C

    Hyperparameters are values that define a model and its behavior in interpreting input and generating responses. Model parameters are values that can be adjusted for model customization to control the training process
  4. D

    Both Hyperparameters and model parameters are values that can be adjusted for model customization to control the training process
Xem giải thích

Đáp án

A — Model parameter định nghĩa mô hình và cách nó diễn giải đầu vào; hyperparameter là thứ bạn chỉnh để điều khiển quá trình huấn luyện

Vì sao đúng

Cách phân biệt gọn nhất: hỏi ai đặt ra giá trị đó.

Model parameter Hyperparameter
Ai đặt Mô hình tự học từ dữ liệu Con người đặt trước khi huấn luyện
Khi nào có giá trị Trong lúc huấn luyện Trước khi huấn luyện bắt đầu
Ví dụ Trọng số và độ lệch của mạng nơ-ron Learning rate, số epoch, batch size, số tầng
Số lượng Hàng tỷ với LLM Vài chục

Nói gọn: parameter là thứ mô hình học được, hyperparameter là thứ bạn khai trước. Và parameter chính là "mô hình" — lưu một mô hình đã huấn luyện thực chất là lưu bộ trọng số đó.

Vì sao các phương án khác sai

  • C — đảo ngược hai định nghĩa; đây là phương án nhiễu chính.
  • B và D — gán cùng một định nghĩa cho cả hai, xoá mất sự phân biệt.

Đừng lẫn với tham số suy luận

Temperature, Top P và Top K không thuộc nhóm nào ở trên — chúng là thiết lập của lời gọi API lúc chạy, đổi được cho từng yêu cầu mà không đụng gì tới mô hình.

Câu 107 Fundamentals of Generative AI

A healthcare analytics company is exploring the use of Foundation Models to automate the process of labeling vast amounts of medical data, such as patient records and clinical notes, to enhance its machine learning models for diagnosis and treatment recommendations. The company wants to understand the specific techniques that Foundation Models use to generate labels from raw input data, helping streamline the data annotation process without requiring extensive manual effort.

Which of the following techniques is used by Foundation Models to create labels from input data?

  1. A

    Self-supervised learning
  2. B

    Supervised learning
  3. C

    Reinforcement learning
  4. D

    Unsupervised learning
Xem giải thích

Đáp án

A — Học tự giám sát (self-supervised learning)

Vì sao đúng

Đây chính là kỹ thuật khiến việc huấn luyện Foundation Model ở quy mô khổng lồ trở nên khả thi: nhãn được sinh ra từ chính dữ liệu, không cần ai gán.

Cách làm rất trực tiếp — che một phần dữ liệu rồi bắt mô hình đoán phần bị che:

Văn bản gốc:  "Bệnh nhân được kê đơn thuốc kháng sinh"
Đầu vào:      "Bệnh nhân được kê đơn ___ kháng sinh"
Nhãn:         "thuốc"          ← lấy ngay từ văn bản gốc

Nhờ vậy mô hình học được từ hàng nghìn tỷ token văn bản thô mà không tốn một giờ công gán nhãn nào. Với công ty y tế trong đề, điều này nghĩa là kho hồ sơ bệnh án và ghi chú lâm sàng dùng được ngay ở dạng thô.

Vì sao các phương án khác sai

  • B. Học có giám sát — cần người gán nhãn, đúng thứ đề muốn tránh. Nó được dùng ở bước fine-tuning phía sau, không phải bước tạo nhãn từ dữ liệu thô.
  • D. Học không giám sát — hoàn toàn không có nhãn và không tạo ra nhãn; nó tìm cấu trúc ẩn như phân cụm. Đây là phương án nhiễu gần nhất, và điểm phân biệt là tự giám sát có tạo nhãn, chỉ là tự tạo.
  • C. Học tăng cường — học qua thưởng phạt khi tương tác với môi trường.
Câu 108 Fundamentals of AI and ML

A technology firm is developing an AI-driven solution for automating business processes and needs to design effective prompts for its generative AI model. The model is tasked with solving complex, multi-step problems, such as generating detailed business reports or creating process workflows. To improve the model's performance, the team is exploring prompt engineering techniques that can help simplify these tasks by breaking them down into smaller, manageable parts.

Which prompt engineering technique is best suited for breaking down a complex problem into smaller logical parts?

  1. A

    Chain-of-thought prompting
  2. B

    Few shot Prompting
  3. C

    Zero shot Prompting
  4. D

    Negative prompting
Xem giải thích

Đáp án

A — Chain-of-thought prompting (nhắc theo chuỗi suy luận)

Vì sao đúng

Đề tìm kỹ thuật chia bài toán phức tạp thành các phần nhỏ có logic. Chain-of-thought làm đúng điều đó: yêu cầu mô hình trình bày từng bước suy nghĩ trước khi đưa ra kết luận, thay vì trả lời thẳng.

Câu kích hoạt kinh điển là "Hãy suy nghĩ từng bước một". Nó có tác dụng thật vì mô hình sinh từng token một — các bước trung gian được viết ra sẽ nằm trong ngữ cảnh cho những bước sau, nên mô hình có chỗ để "tính toán" thay vì phải nhảy thẳng tới đáp án.

Với việc soạn báo cáo hoặc dựng quy trình nghiệp vụ như trong đề, cách này còn cho một lợi ích phụ: bạn đọc được lập luận nên kiểm tra được nó sai ở bước nào.

Vì sao các phương án khác sai

  • B. Few-shot prompting — đưa vài ví dụ mẫu để mô hình bắt chước; định hình định dạng và phong cách, không phải chia nhỏ lập luận. (Hai kỹ thuật này ghép được với nhau: đưa ví dụ có kèm lời giải từng bước.)
  • C. Zero-shot prompting — chỉ mô tả nhiệm vụ, không ví dụ, không hướng dẫn lập luận.
  • D. Negative prompting — khai những gì không được xuất hiện trong kết quả.
Câu 109 Guidelines for Responsible AI

A financial services company is deploying AI systems on AWS to analyze customer transactions and detect fraud. To meet stringent regulatory requirements, the company's compliance team needs a tool that can continuously audit AWS usage, automate evidence collection, and streamline risk assessments. This tool should help ensure that the AI systems comply with industry standards and reduce the manual effort involved in compliance reporting.

Which AWS tool meets these requirements?

  1. A

    AWS CloudTrail
  2. B

    AWS Trusted Advisor
  3. C

    AWS Audit Manager
  4. D

    AWS Artifact
Xem giải thích

Đáp án

C — AWS Audit Manager

Vì sao đúng

Đề nêu ba yêu cầu, và cả ba đều là mô tả trực tiếp của Audit Manager: kiểm toán liên tục việc sử dụng AWS, tự động thu thập bằng chứng, và đơn giản hoá việc đánh giá rủi ro.

Giá trị thực tế nằm ở chữ "tự động thu thập bằng chứng". Không có nó, mỗi kỳ kiểm toán là một đợt chụp màn hình và xuất báo cáo thủ công. Audit Manager gom bằng chứng liên tục theo thời gian, và có sẵn khung dựng theo các chuẩn phổ biến (PCI DSS, SOC 2, GDPR) nên không phải tự ánh xạ từng biện pháp kiểm soát.

Vì sao các phương án khác sai

  • A. CloudTrail — ghi lại ai gọi API nào; nó là một nguồn bằng chứng mà Audit Manager lấy vào, chứ bản thân nó không tổ chức thành hồ sơ kiểm toán.
  • D. AWS Artifact — chỉ là kho tải chứng chỉ tuân thủ của chính AWS; nó nói về AWS, không nói gì về môi trường của bạn. Đây là bẫy hay gặp vì tên nghe rất "tuân thủ".
  • B. Trusted Advisor — khuyến nghị tối ưu theo năm hạng mục; không thu thập bằng chứng.
Câu 110 Fundamentals of AI and ML

A financial services company is building a machine learning model to predict loan defaults, but the data science team is struggling to find the right balance between model complexity and accuracy. They are aware of the bias-variance trade-off, as understanding this trade-off is critical for optimizing the model’s performance and ensuring it generalizes well.

What is the bias versus variance trade-off in machine learning?

  1. A

    The bias versus variance trade-off is a technique used to improve model performance by increasing both bias and variance simultaneously to achieve better generalization
  2. B

    The bias versus variance trade-off refers to the balance between underfitting and overfitting, where high bias leads to overfitting and high variance leads to underfitting
  3. C

    The bias versus variance trade-off involves choosing between a model with high complexity that may capture more noise (high bias) and a simpler model that may generalize better but miss important patterns (high variance)
  4. D

    The bias versus variance trade-off refers to the challenge of balancing the error due to the model's complexity (variance) and the error due to incorrect assumptions in the model (bias), where high bias can cause underfitting and high variance can cause overfitting
Xem giải thích

Đáp án

D — Cân bằng giữa lỗi do độ phức tạp (variance) và lỗi do giả định sai (bias); bias cao gây thiếu khớp, variance cao gây quá khớp

Vì sao đúng

Phương án D là cái duy nhất ghép đúng cả bốn mảnh:

Bias cao Variance cao
Nghĩa là Mô hình đặt giả định sai, quá đơn giản Mô hình quá nhạy với dữ liệu huấn luyện
Dẫn tới Thiếu khớp Quá khớp
Biểu hiện Kém ở cả tập huấn luyện lẫn dữ liệu mới Rất tốt khi huấn luyện, kém khi triển khai

Chữ "đánh đổi" là phần cốt lõi: giảm cái này thường làm tăng cái kia. Làm mô hình đơn giản hơn để bớt variance thì bias tăng lên. Mục tiêu không phải triệt tiêu cả hai — điều đó không làm được — mà là tìm điểm khiến tổng lỗi nhỏ nhất.

Vì sao các phương án khác sai

  • B — ghép ngược: nói bias cao gây quá khớp và variance cao gây thiếu khớp.
  • C — cũng gán nhầm: gọi mô hình phức tạp bắt nhiều nhiễu là "bias cao", trong khi đó là variance cao.
  • A. Tăng đồng thời cả bias lẫn variance để khái quát tốt hơn — vô nghĩa; cả hai đều là lỗi, tăng cả hai chỉ làm mô hình tệ hơn.