Ngân hàng đề — AWS Certified AI Practitioner
Tìm thấy 623 câu.
A company is using Amazon Bedrock and it wants to set an upper limit on the number of tokens returned in the model's response.
Which of the following inference parameters would you recommend for the given use case?
-
A
Stop sequence
-
B
Top P
-
C
Top K
-
D
Response length
Xem giải thích
Đáp án
D — Response length (độ dài phản hồi)
Vì sao đúng
Đề hỏi cách đặt trần cho số token trong phản hồi, và đây là tham số làm đúng việc đó — trong API của Bedrock nó tương ứng với maxTokenCount hoặc max_tokens_to_sample tuỳ nhà cung cấp mô hình.
Tham số này có hai công dụng thực tế: kiểm soát chi phí (token đầu ra bị tính tiền) và bảo đảm phản hồi vừa khung giao diện.
Lưu ý một điều dễ gây bất ngờ: khi chạm trần, mô hình cắt ngang giữa chừng chứ không tự rút gọn để kết thúc gọn gàng. Muốn câu trả lời ngắn mà vẫn trọn ý thì phải nói trong prompt, ví dụ "trả lời trong ba câu".
Vì sao các phương án khác sai
- A. Stop sequence — cũng làm mô hình dừng, nhưng dừng khi gặp một chuỗi ký tự cụ thể, không phải khi đủ số token. Đây là phương án nhiễu gần nhất.
- B. Top P và C. Top K — thu hẹp nhóm ứng viên cho mỗi token, ảnh hưởng tới nội dung và độ đa dạng chứ không giới hạn độ dài.
A robotics company is exploring different machine learning techniques to enhance the decision-making capabilities of its autonomous robots. The team is considering both reinforcement learning and supervised learning but needs to understand the fundamental differences between these approaches, as understanding this distinction will help the team choose the best approach for their specific use case.
What is a key difference between reinforcement learning and supervised learning?
-
A
Reinforcement learning uses unlabeled data to cluster data points, whereas supervised learning uses labeled data to make predictions
-
B
Reinforcement learning focuses on an agent learning optimal actions through interactions with the environment and feedback, while supervised learning involves training models on labeled data to make predictions
-
C
Reinforcement learning relies on learning from labeled datasets, whereas supervised learning involves an agent taking actions to receive rewards or penalties
-
D
Reinforcement learning and supervised learning both require labeled datasets for training models
Xem giải thích
Đáp án
B — Học tăng cường: tác nhân học hành động tối ưu qua tương tác với môi trường và phản hồi. Học có giám sát: huấn luyện trên dữ liệu có nhãn để dự đoán
Vì sao đúng
Khác biệt nằm ở tín hiệu học đến từ đâu:
| Học có giám sát | Học tăng cường | |
|---|---|---|
| Dữ liệu | Tập có nhãn chuẩn bị sẵn | Tự sinh qua tương tác |
| Tín hiệu | "Đáp án đúng là X" | Phần thưởng — thường đến muộn |
| Phản hồi | Ngay lập tức, cho từng mẫu | Sau cả một chuỗi hành động |
| Câu hỏi | "Nhãn của mẫu này là gì?" | "Hành động nào cho kết quả tốt nhất về lâu dài?" |
Với robot tự hành thì học tăng cường là lựa chọn tự nhiên: không ai gán nhãn được "trong tình huống này phải rẽ bao nhiêu độ", nhưng đánh giá được kết quả cuối cùng.
Khó khăn đặc trưng của học tăng cường cũng nằm ở đó — gán công cho hành động nào: khi robot thất bại sau 200 bước, bước nào là bước sai?
Vì sao các phương án khác sai
- C — đảo ngược hai định nghĩa; đây là phương án nhiễu chính.
- A — mô tả học tăng cường là phân cụm dữ liệu không nhãn; đó là học không giám sát.
- D. Cả hai đều cần dữ liệu có nhãn — sai; học tăng cường không cần tập dữ liệu có nhãn.
A media company is looking to enhance its content creation processes by leveraging cutting-edge technologies and has been exploring the use of generative AI. The leadership team wants to understand the broader significance of generative AI in modern technological applications, including its potential to automate tasks, improve creativity, and optimize workflows across industries. Understanding why generative AI is considered important will help the company make informed decisions about integrating this technology into its operations.
Given this context, why is generative AI considered important in modern technological applications?
-
A
Generative AI can easily perform simple tasks like sorting and filtering data
-
B
Generative AI can replace all traditional databases with its own storage solutions
-
C
Generative AI is important because it can autonomously create novel and complex data, enhancing creativity and efficiency in various domains
-
D
Generative AI is the best fit for use cases related to gaming and entertainment applications
Xem giải thích
Đáp án
C — Quan trọng vì nó tự tạo ra dữ liệu mới, phức tạp, nâng cao sức sáng tạo và hiệu suất trong nhiều lĩnh vực
Vì sao đúng
Phương án này nêu đúng hai vế làm nên ý nghĩa của AI sinh:
- Tự tạo ra nội dung mới và phức tạp — đây là năng lực chưa từng có, khác hẳn phân tích hay dự đoán vốn chỉ xử lý cái đã tồn tại.
- Trong nhiều lĩnh vực — nó không bó hẹp ở một ngành, và đó là lý do nó được coi là công nghệ nền tảng chứ không phải một công cụ chuyên biệt.
Đó cũng là câu trả lời có chừng mực đúng mức: nói về nâng cao sáng tạo và hiệu suất, không hứa thay thế con người.
Vì sao các phương án khác sai
- A. Làm được các tác vụ đơn giản như sắp xếp và lọc dữ liệu — đánh giá thấp năng lực; những việc đó một câu SQL làm xong, chẳng cần AI.
- D. Hợp nhất với game và giải trí — thu hẹp vô cớ vào một ngành, trong khi giá trị lớn nhất nằm ở tính áp dụng rộng.
- B. Thay thế được mọi cơ sở dữ liệu truyền thống — sai hoàn toàn: mô hình sinh không phải hệ lưu trữ, và không bảo đảm được tính chính xác mà cơ sở dữ liệu đưa ra.
A financial services company is deploying AI models to assess credit risk and make lending decisions. As part of ensuring ethical AI use, the company wants to build models that are both interpretable and explainable to regulators, stakeholders, and customers. The data science team needs to understand the distinction between interpretability and explainability in the context of Responsible AI to choose the right techniques for transparency. This distinction will guide the company in making its AI models more trustworthy and compliant.
Which of the following represents the best option for the given use case?
-
A
Interpretability is used to enhance the model's performance, while explainability is used to ensure the model's security
-
B
Interpretability is about understanding the internal mechanisms of a machine learning model, whereas explainability focuses on providing understandable reasons for the model's predictions and behaviors to stakeholders
-
C
Explainability is about understanding the internal mechanisms of a machine learning model, whereas interpretability focuses on providing understandable reasons for the model's predictions and behaviors to stakeholders
-
D
Interpretability refers to the ability to understand the technical details of the model's code, while explainability refers to the ability to reproduce the model's results
Xem giải thích
Đáp án
B — Interpretability là hiểu cơ chế bên trong mô hình; explainability là đưa ra lý do dễ hiểu cho dự đoán và hành vi của mô hình tới các bên liên quan
Vì sao đúng
Hai khái niệm hay bị dùng lẫn nhưng khác nhau ở mức độ sâu và đối tượng:
| Interpretability | Explainability | |
|---|---|---|
| Trả lời | Mô hình hoạt động thế nào bên trong? | Vì sao ra kết quả này? |
| Đối tượng | Nhà khoa học dữ liệu | Cơ quan quản lý, khách hàng, lãnh đạo |
| Có được nhờ | Bản thân mô hình đơn giản (cây quyết định, hồi quy tuyến tính) | Công cụ bên ngoài (SHAP, LIME) áp lên mô hình hộp đen |
Điểm quan trọng nhất về mặt thực hành: một mô hình hộp đen vẫn có thể explainable mà không interpretable. Bạn không hiểu nổi hàng triệu trọng số của nó, nhưng SHAP vẫn nói được "hồ sơ này bị từ chối chủ yếu vì tỷ lệ nợ trên thu nhập".
Với công ty tài chính trong đề thì đó là điều quyết định: quy định đòi giải thích được từng quyết định tín dụng, và điều đó đạt được mà không buộc phải bỏ mô hình phức tạp.
Vì sao các phương án khác sai
- C — đảo ngược hai định nghĩa; đây là phương án nhiễu chính.
- A — gán interpretability cho hiệu năng và explainability cho bảo mật; cả hai đều lệch.
- D — thu hẹp interpretability thành "đọc hiểu mã nguồn" và explainability thành "tái lập được kết quả"; cái sau thực ra là tính tái lập (reproducibility), một khái niệm khác.
A robotics company is developing an AI system to improve the autonomous navigation of its robots. The team is exploring Deep Learning to enhance the system’s ability to recognize and respond to its environment. To ensure the AI model performs well, the team needs to understand how model training works in Deep Learning, specifically the process through which the model learns from large datasets by adjusting its internal parameters. This understanding is essential to optimize the model for real-time decision-making.
How does model training work in Deep Learning?
-
A
Model training in deep learning requires no data; the neural network automatically learns from predefined algorithms without any input
-
B
Model training in deep learning involves only the use of support vector machines and decision trees to create predictive models
-
C
Model training in deep learning involves using large datasets to adjust the weights and biases of a neural network through multiple iterations, using techniques such as gradient descent to minimize the error
-
D
Model training in deep learning involves manually setting the weights and biases of a neural network based on predefined rules
Xem giải thích
Đáp án
C — Dùng tập dữ liệu lớn để điều chỉnh trọng số và độ lệch của mạng nơ-ron qua nhiều vòng lặp, dùng các kỹ thuật như gradient descent để giảm thiểu lỗi
Vì sao đúng
Phương án này nêu đủ bốn thành phần của vòng huấn luyện:
1. Truyền xuôi → dữ liệu đi qua mạng, cho ra dự đoán
2. Tính lỗi → so dự đoán với đáp án đúng (hàm mất mát)
3. Lan truyền ngược → tính xem mỗi trọng số góp bao nhiêu vào lỗi
4. Cập nhật → gradient descent chỉnh trọng số theo hướng giảm lỗi
└── lặp lại hàng nghìn tới hàng triệu lần
Hai điểm đáng nhớ: trọng số và độ lệch chính là những thứ được học — chúng là "mô hình"; và không ai đặt tay vào chúng — chúng được điều chỉnh tự động theo hướng gradient.
Vì sao các phương án khác sai
- D. Đặt tay trọng số và độ lệch theo luật định sẵn — nếu làm được vậy thì đã không cần học sâu; đây chính là cách tiếp cận dựa trên luật mà học sâu thay thế.
- A. Không cần dữ liệu, mạng tự học từ thuật toán định sẵn — sai căn bản: dữ liệu là điều kiện tiên quyết.
- B. Chỉ dùng SVM và cây quyết định — đó là các thuật toán học máy khác, không phải mạng nơ-ron.
A financial services firm is adopting Amazon Q Business to streamline its data-driven decision-making processes. As part of the implementation, the company needs a robust solution for managing user access, ensuring that employees across various departments have appropriate permissions to interact with dashboards and reports. The team is evaluating options for user management that offer secure, scalable, and easy-to-administer controls within Amazon Q Business.
Which of the following would you recommend for user management in Amazon Q Business?
-
A
IAM Identity Center
-
B
IAM user
-
C
AWS IAM service
-
D
AWS Account
Xem giải thích
Đáp án
A — IAM Identity Center
Vì sao đúng
Amazon Q Business quản lý người dùng qua IAM Identity Center (tên cũ là AWS SSO), và đây là lựa chọn có lý do chứ không phải quy ước tuỳ tiện.
Q Business phục vụ nhân viên trong doanh nghiệp, mà nhân viên đã có danh tính sẵn trong Active Directory, Okta hay Entra ID. Identity Center liên kết với những nguồn đó, nên:
- Không phải tạo lại tài khoản cho từng người trong AWS.
- Nhân viên nghỉ việc bị vô hiệu ở nguồn danh tính là mất quyền ngay ở Q Business.
- Q Business lọc kết quả theo quyền của từng người — một nhân viên chỉ thấy tài liệu họ được phép xem, mà điều đó chỉ làm được khi Q biết họ là ai trong hệ thống danh tính của công ty.
Vì sao các phương án khác sai
- B. IAM user — dựng cho danh tính kỹ thuật trong một tài khoản AWS, không phải cho hàng trăm nhân viên; không mở rộng được và không liên kết với AD.
- C. Dịch vụ AWS IAM — quản lý quyền cho tài nguyên AWS, không phải quản lý người dùng cuối của ứng dụng.
- D. AWS Account — là ranh giới thanh toán và tài nguyên, không phải cơ chế quản lý người dùng.
A healthcare company is considering migrating its on-premises infrastructure to AWS Cloud to enhance data management, improve scalability, and reduce operational costs. The leadership team is new to cloud technologies and wants a clear understanding of what cloud computing entails, specifically how AWS defines and implements it. This understanding is essential for the company to make informed decisions about the benefits and use cases of cloud computing in their operations.
Given this context, what is cloud computing, as defined by AWS?
-
A
Cloud computing is the practice of using only open-source software for all computing needs
-
B
Cloud computing involves manually managing physical data centers and networking hardware for data storage and processing
-
C
Cloud computing refers to the on-demand delivery of IT resources and applications via the internet with pay-as-you-go pricing
-
D
Cloud computing is the process of using a single local server to store and process data
Xem giải thích
Đáp án
*C — Cung cấp tài nguyên và ứng dụng CNTT theo yêu cầu qua Internet, với mô hình trả theo mức dùng
Vì sao đúng
Đây là định nghĩa chính thức của AWS, và ba cụm từ trong đó đều mang ý nghĩa riêng:
- Theo yêu cầu — lấy tài nguyên trong vài phút, không phải đặt mua và chờ giao máy chủ.
- Qua Internet — không cần hạ tầng vật lý tại chỗ.
- Trả theo mức dùng — không có khoản đầu tư ban đầu; dùng bao nhiêu trả bấy nhiêu, ngừng dùng thì ngừng trả.
Với công ty y tế trong đề, vế cuối là thứ đổi cách làm việc nhiều nhất: thử nghiệm một hệ thống mới không còn đòi phê duyệt ngân sách mua sắm.
Vì sao các phương án khác sai
- B. Tự quản lý trung tâm dữ liệu và thiết bị mạng — đó chính là mô hình tại chỗ, thứ mà đám mây thay thế.
- D. Dùng một máy chủ cục bộ để lưu và xử lý dữ liệu — cũng là mô tả hạ tầng tại chỗ, còn hẹp hơn.
- A. Chỉ dùng phần mềm mã nguồn mở — không liên quan; mã nguồn mở là chuyện giấy phép phần mềm, không phải mô hình cung cấp hạ tầng.
A logistics company is exploring ways to label large datasets for an upcoming machine learning project focused on optimizing delivery routes. The team is evaluating two AWS services—Amazon Mechanical Turk and Amazon Ground Truth—to assist with the data labeling process. They need to understand the key differences between the two services, particularly in terms of automation, scalability, and workforce management.
What is the primary difference between Amazon Mechanical Turk and Amazon Ground Truth?
-
A
Amazon Mechanical Turk is exclusively for data labeling tasks, whereas Amazon Ground Truth supports a wide range of tasks including surveys and content moderation
-
B
Amazon Mechanical Turk provides a marketplace for outsourcing various tasks to a distributed workforce, while Amazon Ground Truth is specifically designed for creating labeled datasets for machine learning, incorporating both automated and human labeling
-
C
Amazon Mechanical Turk is used for creating labeled datasets using automated processes, whereas Amazon Ground Truth is a marketplace for outsourcing various tasks to a distributed workforce
-
D
Amazon Mechanical Turk and Amazon Ground Truth are the same service, used interchangeably for any task involving human intelligence
Xem giải thích
Đáp án
B — Mechanical Turk là chợ thuê ngoài cho đủ loại công việc; Ground Truth chuyên dựng tập dữ liệu có nhãn cho học máy, kết hợp gán nhãn tự động và con người
Vì sao đúng
Hai dịch vụ khác nhau ở mục đích và mức độ chuyên biệt:
| Mechanical Turk | Ground Truth | |
|---|---|---|
| Là gì | Chợ lao động phân tán | Dịch vụ gán nhãn cho học máy |
| Làm được gì | Bất kỳ việc gì cần trí người: khảo sát, kiểm duyệt, nhập liệu, gán nhãn | Chỉ gán nhãn dữ liệu học máy |
| Tự động hoá | Không có | Gán nhãn tự động cho phần dễ |
| Giao diện | Bạn tự dựng | Có sẵn theo từng loại nhãn (hộp bao, phân đoạn, phân loại) |
| Kiểm soát chất lượng | Bạn tự lo | Có sẵn cơ chế đồng thuận nhiều người |
Quan hệ giữa hai cái cũng đáng nhớ: Ground Truth có thể dùng chính lực lượng Mechanical Turk làm đội gán nhãn. Nói cách khác Ground Truth là lớp chuyên dụng đặt bên trên.
Với công ty logistics trong đề, tiết kiệm lớn nhất đến từ gán nhãn tự động: máy làm phần dễ, người chỉ xử lý phần máy không chắc.
Vì sao các phương án khác sai
- C — đảo ngược hoàn toàn hai dịch vụ.
- A — cũng đảo ngược phạm vi: nói Mechanical Turk chỉ để gán nhãn còn Ground Truth làm đủ thứ.
- D. Hai dịch vụ là một — sai.
A healthcare company is developing a machine learning model to analyze medical images and patient records to assist with diagnostics. The team has access to a large amount of unlabeled data and a smaller set of labeled data, and they are considering using semi-supervised learning to maximize the utility of both datasets. To make an informed decision on the approach, the data science team wants to understand which methods fall under semi-supervised learning.
Which of the following are examples of semi-supervised learning? (Select two)
-
A
Sentiment analysis
-
B
Clustering
-
C
Dimensionality reduction
-
D
Neural network
-
E
Fraud identification
Xem giải thích
Đáp án
A và E — phân tích cảm xúc và phát hiện gian lận
Vì sao đúng
Học bán giám sát dùng một lượng nhỏ dữ liệu có nhãn cộng một lượng lớn dữ liệu không nhãn, và nó được chọn khi việc gán nhãn tốn kém hoặc khan hiếm. Hai bài toán trong đáp án là ví dụ kinh điển:
- A. Phân tích cảm xúc — có hàng triệu bình luận, nhưng chỉ vài nghìn cái được người gán nhãn. Mô hình học từ phần có nhãn rồi tận dụng cấu trúc của phần còn lại.
- E. Phát hiện gian lận — bài toán mất cân bằng cực độ: gian lận rất hiếm, và phần lớn giao dịch chưa được xác minh là sạch hay bẩn. Có rất ít nhãn chắc chắn, có rất nhiều dữ liệu không nhãn — đúng điều kiện của học bán giám sát.
Vì sao các phương án khác sai
- B. Phân cụm và C. Giảm chiều dữ liệu — là kỹ thuật hoàn toàn không giám sát: chúng không dùng nhãn nào cả.
- D. Mạng nơ-ron — là kiến trúc mô hình, không phải một kiểu học. Mạng nơ-ron dùng được cho cả có giám sát, không giám sát lẫn bán giám sát.
Ghi chú về cách đọc câu hỏi
Hai đáp án đúng là ứng dụng, còn hai phương án sai là kỹ thuật — nghĩa là câu hỏi trộn hai loại khái niệm trong cùng một danh sách. Cách gỡ là hỏi: bài toán này thường có nhiều dữ liệu không nhãn kèm ít nhãn không? Phân tích cảm xúc và phát hiện gian lận đều đúng như vậy; còn phân cụm và giảm chiều thì theo định nghĩa không dùng nhãn nào.
A logistics company is exploring the use of Machine Learning models to optimize its supply chain operations, such as demand forecasting, route optimization, and inventory management. The company's data science team needs to understand the fundamental principles of Machine Learning models, including how they are trained, evaluated, and applied to real-world problems. This understanding will help the team select the right model for their use cases and improve operational efficiency.
Which of the following is correct regarding Machine Learning models?
-
A
Machine Learning models are deterministic for supervised learning and probabilistic for unsupervised learning
-
B
Machine Learning models can only be probabilistic
-
C
Machine Learning models can be deterministic or probabilistic or a mix of both
-
D
Machine Learning models can only be deterministic
Xem giải thích
Đáp án
C — Mô hình học máy có thể là tất định, xác suất, hoặc pha trộn cả hai
Vì sao đúng
Cả hai kiểu đều tồn tại, và một mô hình còn có thể mang cả hai tính chất:
| Tất định (deterministic) | Xác suất (probabilistic) | |
|---|---|---|
| Cùng đầu vào | Luôn cho cùng đầu ra | Có thể khác nhau giữa các lần |
| Trả về | Một kết quả | Phân bố xác suất trên các kết quả |
| Ví dụ | Cây quyết định đã huấn luyện, hồi quy tuyến tính | Naive Bayes, LLM khi temperature > 0 |
Ví dụ về pha trộn cũng rất phổ biến: mô hình phân loại tính ra xác suất cho từng lớp (phần xác suất), rồi áp ngưỡng 0,5 để chọn nhãn cuối (phần tất định).
Với công ty logistics trong đề, phân biệt này có ý nghĩa trực tiếp: dự báo nhu cầu ở dạng phân bố xác suất hữu ích hơn nhiều so với một con số duy nhất, vì nó cho biết khoảng dao động để quyết định mức tồn kho an toàn.
Vì sao các phương án khác sai
- B. Chỉ có thể là xác suất và D. Chỉ có thể là tất định — mỗi câu loại bỏ một nửa thực tế.
- A. Có giám sát thì tất định, không giám sát thì xác suất — gán ghép tuỳ tiện; hai cách phân loại này độc lập với nhau. K-means là không giám sát nhưng tất định (với cùng khởi tạo), còn hồi quy logistic là có giám sát nhưng cho ra xác suất.