Ngân hàng đề — AWS Certified AI Practitioner
Tìm thấy 623 câu.
A biotech company is building machine learning models using Amazon SageMaker to analyze large genomic datasets for research purposes. The team is considering Amazon SageMaker Asynchronous Inference to handle these predictions efficiently. To ensure that this deployment model aligns with their requirements, they need to understand which use cases are best suited for asynchronous inference.
What do you recommend?
-
A
Requests with large payload sizes up to 1GB and long processing times
-
B
To get predictions for an entire dataset
-
C
For persistent, real-time endpoints that make one prediction at a time
-
D
For workloads that can tolerate cold starts
Xem giải thích
Đáp án
A — Yêu cầu có payload lớn tới 1 GB và thời gian xử lý dài
Vì sao đúng
Asynchronous inference sinh ra cho đúng hai điều kiện đó, và cả hai đều khớp với bài toán phân tích dữ liệu gen: tệp lớn, xử lý lâu, không cần trả lời tức thì.
Cách hoạt động: yêu cầu được xếp vào hàng chờ nội bộ, xử lý xong thì kết quả ghi vào S3 và gửi thông báo qua SNS. Nhờ vậy không có kết nối HTTP nào bị treo suốt thời gian xử lý.
| Kiểu suy luận | Payload tối đa | Thời gian xử lý | Đặc điểm riêng |
|---|---|---|---|
| Real-time | 6 MB | 60 giây | Endpoint chạy 24/7 |
| Serverless | 4 MB | 60 giây | Có khởi động nguội |
| Asynchronous | 1 GB | Tới 1 giờ | Tự co về 0 instance |
| Batch transform | Rất lớn | Không giới hạn | Không cần endpoint |
Điểm cộng về chi phí: async tự co về 0 instance khi hàng chờ rỗng, nên giữa các lần chạy không tốn gì.
Vì sao các phương án khác sai
- B. Lấy dự đoán cho cả một tập dữ liệu — đó là batch transform; nó xử lý trọn tệp dữ liệu chứ không phục vụ từng yêu cầu.
- C. Endpoint thường trực, một dự đoán mỗi lần — mô tả real-time inference.
- D. Workload chịu được khởi động nguội — đặc điểm của serverless inference.
A healthcare company is developing a machine learning model to predict patient outcomes based on medical data. To ensure the model generalizes well, the company needs to understand the balance between underfitting and overfitting and how to address these issues.
Which of the following would you identify as correct regarding underfitting and overfitting in machine learning?
-
A
Underfit models experience high bias, whereas, overfit models experience high variance
-
B
Underfit models experience high bias, whereas, overfit models experience low variance
-
C
Underfit models experience low bias, whereas, overfit models experience low variance
-
D
Underfit models experience low bias, whereas, overfit models experience high variance
Xem giải thích
Đáp án
*A — Mô hình thiếu khớp có bias cao, mô hình quá khớp có variance cao
Vì sao đúng
Đây là cách nói khác của cùng một cặp khái niệm, và ghép đúng là điều câu hỏi kiểm tra:
| Thiếu khớp | Quá khớp | |
|---|---|---|
| Lỗi chủ đạo | Bias cao | Variance cao |
| Nghĩa là | Mô hình đặt giả định quá đơn giản, sai về bản chất bài toán | Mô hình quá nhạy với đúng bộ dữ liệu nó thấy |
| Biểu hiện | Kém ở cả tập huấn luyện lẫn dữ liệu mới | Rất tốt khi huấn luyện, kém khi triển khai |
| Chữa bằng | Tăng độ phức tạp, thêm đặc trưng, huấn luyện lâu hơn | Điều chuẩn, dropout, thêm dữ liệu, giảm độ phức tạp |
Cách nhớ: bias là sai lệch có hệ thống — mô hình luôn trượt theo cùng một hướng vì giả định sai; variance là dao động — đổi tập huấn luyện một chút là mô hình cho kết quả khác hẳn.
Vì sao các phương án khác sai
- B — thiếu khớp đúng nhưng gán quá khớp là variance thấp; ngược.
- D — đảo ngược cả hai vế.
- C — nói cả hai đều thấp, tức là mô tả một mô hình vừa đủ tốt, không phải hai lỗi này.
A software company is looking for tools to help its IT professionals streamline the process of coding, testing, and upgrading applications. The team is evaluating different solutions that can improve efficiency, automate routine tasks, and enhance productivity for its workflow.
Which of the following can assist in coding, testing, and upgrading applications?
-
A
Amazon Q Developer
-
B
Amazon Q in QuickSight
-
C
Amazon Q in Connect
-
D
Amazon Q Business
Xem giải thích
Đáp án
A — Amazon Q Developer
Vì sao đúng
Đề nêu ba việc — viết mã, kiểm thử và nâng cấp ứng dụng — và cả ba đều là năng lực trung tâm của Q Developer: gợi ý mã trong IDE, sinh unit test, rà lỗi bảo mật, và nâng cấp phiên bản ngôn ngữ (ví dụ chuyển dự án Java 8 lên Java 17) qua tính năng chuyển đổi mã.
Điểm cuối là thứ hay bị bỏ qua nhưng lại là lý do đề nhắc tới chữ "upgrading": nâng cấp phiên bản ngôn ngữ trên một dự án lớn vốn là công việc thủ công tốn hàng tuần.
Vì sao các phương án khác sai
Cả bốn phương án đều là Q, nên phải phân biệt theo đối tượng phục vụ:
| Biến thể | Dành cho |
|---|---|
| A. Q Developer | Lập trình viên và kỹ sư CNTT |
| B. Q in QuickSight | Người phân tích dữ liệu — hỏi dữ liệu bằng ngôn ngữ tự nhiên |
| C. Q in Connect | Nhân viên tổng đài — gợi ý theo thời gian thực |
| D. Q Business | Nhân viên nói chung — hỏi đáp trên tài liệu nội bộ |
A retail company is building multiple machine learning models using Amazon SageMaker to optimize inventory management and customer recommendations. The data science teams want to collaborate more effectively by sharing and reusing features without duplicating data across different models. They are looking for a service within Amazon SageMaker that allows them to maintain a centralized catalog of features, ensuring consistency and efficiency in their machine learning workflows.
What do you suggest?
-
A
Amazon SageMaker Model Dashboard
-
B
Amazon SageMaker Feature Store
-
C
Amazon SageMaker Clarify
-
D
Amazon SageMaker Data Wrangler
Xem giải thích
Đáp án
B — Amazon SageMaker Feature Store
Vì sao đúng
Đề nêu đúng ba từ khoá của Feature Store: chia sẻ và dùng lại đặc trưng, không nhân bản dữ liệu, và danh mục tập trung.
Vấn đề nó giải rất cụ thể: khi đội tối ưu tồn kho và đội hệ gợi ý cùng cần đặc trưng "tổng chi tiêu 90 ngày gần nhất của khách hàng", nếu mỗi đội tự tính thì có hai định nghĩa hơi khác nhau, hai bản sao dữ liệu, và không ai biết bản nào đúng. Feature Store giữ một định nghĩa duy nhất kèm siêu dữ liệu để tra cứu.
Nó cũng chống được lệch giữa huấn luyện và phục vụ, nhờ hai kho song song: offline store (đọc khối lớn cho huấn luyện) và online store (tra cứu độ trễ mili giây cho suy luận) dùng chung một định nghĩa.
Vì sao các phương án khác sai
- D. Data Wrangler — tạo ra đặc trưng bằng giao diện trực quan; Feature Store lưu và chia sẻ chúng. Hai bước nối tiếp nhau.
- A. Model Dashboard — theo dõi mô hình đã triển khai.
- C. Clarify — phát hiện sai lệch và giải thích dự đoán.
A retail company is exploring machine learning to improve customer segmentation and discover hidden patterns in sales data. The data science team is particularly interested in using unsupervised learning to analyze large volumes of unlabeled customer and product data to identify trends and groupings without predefined categories. To determine the best approach, they need to understand which methods fall under unsupervised learning.
Which of the following would you suggest to the company as examples of unsupervised learning? (Select two)
-
A
Dimensionality reduction
-
B
Sentiment analysis
-
C
Clustering
-
D
Decision tree
-
E
Neural network
Xem giải thích
Đáp án
A và C — giảm chiều dữ liệu và phân cụm
Vì sao đúng
Học không giám sát làm việc với dữ liệu hoàn toàn không nhãn — nó tự tìm cấu trúc ẩn thay vì học theo đáp án cho sẵn. Hai kỹ thuật này là ví dụ chuẩn:
- C. Phân cụm — tự gom dữ liệu thành nhóm dựa trên độ tương tự. Đúng bài toán phân khúc khách hàng trong đề: bạn không biết trước có bao nhiêu nhóm khách và mỗi nhóm là ai, thuật toán tự tìm.
- A. Giảm chiều dữ liệu — nén nhiều đặc trưng xuống ít chiều mà giữ lại phần lớn thông tin (PCA là điển hình). Hữu ích cả để trực quan hoá lẫn để làm đầu vào cho bước sau.
Vì sao các phương án khác sai
- B. Phân tích cảm xúc — cần dữ liệu có nhãn (câu nào tích cực, câu nào tiêu cực), nên là học có giám sát hoặc bán giám sát.
- D. Cây quyết định — thuật toán có giám sát dùng cho phân loại và hồi quy.
- E. Mạng nơ-ron — là kiến trúc, không phải một kiểu học; nó dùng được cho cả ba nhóm.
Ghi nhớ
| Kiểu học | Nhãn | Ví dụ |
|---|---|---|
| Có giám sát | Có | Phân loại, hồi quy, cây quyết định |
| Không giám sát | Không | Phân cụm, giảm chiều, phát hiện bất thường |
| Bán giám sát | Ít nhãn + nhiều không nhãn | Phát hiện gian lận, phân tích cảm xúc quy mô lớn |
A healthcare organization is deploying AI systems on AWS to manage sensitive patient data and support clinical decision-making. To meet strict regulatory requirements, the IT and compliance teams are seeking a service that offers continuous monitoring, tracks changes in resource configurations, and ensures compliance with healthcare standards. The company is evaluating which AWS service can help maintain governance and security throughout the AI system lifecycle.
What do you recommend?
-
A
AWS Artifact
-
B
Amazon Inspector
-
C
AWS Config
-
D
AWS Audit Manager
Xem giải thích
Đáp án
C — AWS Config
Vì sao đúng
Ba yêu cầu trong đề — giám sát liên tục, theo dõi thay đổi cấu hình tài nguyên, và bảo đảm tuân thủ chuẩn — đều là mô tả trực tiếp của AWS Config.
Nó ghi lại lịch sử cấu hình của từng tài nguyên theo thời gian, nên trả lời được câu hỏi kiểm toán viên hay hỏi: "bucket S3 này có bao giờ bị bật public không, và lúc nào?". Đồng thời Config Rules đánh giá liên tục theo luật bạn khai (ví dụ "mọi bucket phải bật mã hoá") và đánh dấu tài nguyên vi phạm — có cả tự động khắc phục.
Vì sao các phương án khác sai
- D. Audit Manager — thu thập bằng chứng và lập báo cáo kiểm toán theo chuẩn như HIPAA; nó dùng Config làm nguồn dữ liệu. Đề nhấn vào theo dõi thay đổi cấu hình, tức là lớp bên dưới. Đây là phương án nhiễu gần nhất.
- B. Amazon Inspector — quét lỗ hổng phần mềm trong workload, không theo dõi cấu hình tài nguyên.
- A. AWS Artifact — kho tải chứng chỉ tuân thủ của chính AWS; không đánh giá gì trong môi trường của bạn.
A retail company is developing machine learning models to analyze customer behavior and optimize inventory management. The data science team is working with both structured data as well as unstructured data and needs to understand how these two types of data differ in terms of how they are processed and used in machine learning models. Understanding this key difference will help the team select the right algorithms and preprocessing methods.
Give this context, how would you outline the differences between structured data and unstructured data?
-
A
Structured data is used exclusively for training machine learning models, whereas unstructured data is used solely for storing information without any analytical purpose
-
B
Structured data includes data like text, images, and videos, whereas unstructured data is limited to numerical data only
-
C
Structured data is typically freeform text that lacks any specific format, whereas unstructured data is organized in a tabular format with rows and columns
-
D
Structured data is organized in a predefined manner, often in rows and columns, making it easy to search and analyze, while unstructured data lacks a specific format and includes data like text, images, and videos
Xem giải thích
Đáp án
D — Dữ liệu có cấu trúc được tổ chức theo khuôn định trước (hàng và cột) nên dễ tìm và phân tích; dữ liệu phi cấu trúc không có khuôn cố định, gồm văn bản, ảnh, video
Vì sao đúng
Phương án này nêu đúng cả định nghĩa lẫn hệ quả:
| Có cấu trúc | Phi cấu trúc | |
|---|---|---|
| Hình dạng | Hàng và cột, kiểu dữ liệu xác định | Không khuôn cố định |
| Ví dụ | Bảng giao dịch, bảng khách hàng | Đánh giá của khách, ảnh sản phẩm, video |
| Truy vấn bằng | SQL | Phải xử lý trước rồi mới tìm được |
| Tiền xử lý cho ML | Chuẩn hoá thang đo, xử lý giá trị thiếu | Tách token, vector hoá, trích đặc trưng ảnh |
| Tỷ trọng thực tế | Ít hơn | Phần lớn dữ liệu doanh nghiệp |
Vế cuối giải thích vì sao câu hỏi này quan trọng: phần lớn dữ liệu một công ty bán lẻ có là phi cấu trúc, mà loại đó phải biến thành số trước thì mô hình mới dùng được.
Vì sao các phương án khác sai
- C — đảo ngược hai định nghĩa; đây là phương án nhiễu chính.
- B — nói dữ liệu có cấu trúc gồm văn bản, ảnh, video; cũng đảo ngược.
- A — nói dữ liệu phi cấu trúc chỉ để lưu trữ, không dùng phân tích; sai hoàn toàn, chính nó là nguồn giá trị lớn nhất của AI hiện nay.
Which of the following best describes the Amazon SageMaker Canvas ML tool?
-
A
Provides one-click, end-to-end solutions for many common machine learning use cases
-
B
Explains how input features contribute to the model predictions during model development and inference
-
C
Gives the ability to use machine learning to generate predictions without the need to write any code
-
D
The fastest and easiest way to prepare tabular and image data for machine learning
Xem giải thích
Đáp án
C — Cho phép dùng học máy để tạo dự đoán mà không cần viết dòng mã nào
Vì sao đúng
Đây là mô tả chính thức của SageMaker Canvas, và đối tượng nó nhắm tới là chuyên viên phân tích nghiệp vụ chứ không phải kỹ sư: nối dữ liệu, chọn cột cần dự đoán, bấm huấn luyện, xem kết quả.
Bên dưới nó vẫn chạy SageMaker Autopilot để thử nhiều thuật toán và chọn cái tốt nhất — nhưng người dùng không cần biết điều đó.
Vì sao các phương án khác sai
Ba phương án còn lại là mô tả của các dịch vụ SageMaker khác, và đây là dạng câu hỏi kiểm tra xem có nhớ đúng khẩu hiệu của từng cái không:
- A. Giải pháp trọn gói một cú bấm cho nhiều bài toán phổ biến — SageMaker JumpStart.
- B. Giải thích đặc trưng đầu vào đóng góp thế nào vào dự đoán — SageMaker Clarify.
- D. Cách nhanh và dễ nhất để chuẩn bị dữ liệu dạng bảng và dữ liệu ảnh — SageMaker Data Wrangler.
Phương án D là bẫy gần nhất vì Canvas cũng có giao diện trực quan, nhưng Data Wrangler dừng ở chuẩn bị dữ liệu còn Canvas đi tới dự đoán.
An organization deploys its IT infrastructure in a combination of its on-premises data center along with AWS Cloud. How would you categorize this deployment model?
-
A
Cloud deployment
-
B
Mixed deployment
-
C
Hybrid deployment
-
D
Private deployment
Xem giải thích
Đáp án
C — Hybrid deployment (triển khai lai)
Vì sao đúng
Mô hình lai là khi hạ tầng chạy đồng thời ở trung tâm dữ liệu tại chỗ và trên đám mây, hai bên nối với nhau (qua VPN hoặc Direct Connect) và làm việc như một hệ thống.
Đây là mô hình rất phổ biến trong thực tế vì hiếm ai chuyển hết một lần. Lý do giữ lại phần tại chỗ thường là: hệ thống cũ khó di chuyển, quy định bắt dữ liệu phải nằm trong nước, hoặc thiết bị đã đầu tư chưa hết khấu hao.
| Mô hình | Nghĩa là |
|---|---|
| Cloud | Toàn bộ trên đám mây |
| On-premises / Private | Toàn bộ tại trung tâm dữ liệu riêng |
| Hybrid | Kết hợp cả hai |
Vì sao các phương án khác sai
- A. Cloud deployment — chỉ đúng nếu mọi thứ đã ở trên đám mây.
- D. Private deployment — là mô hình đám mây riêng, tức là toàn bộ hạ tầng riêng biệt.
- B. Mixed deployment — không phải thuật ngữ chuẩn của AWS; nghe hợp lý nhưng không tồn tại trong tài liệu.
A financial services company manages a machine learning model to assess loan eligibility for its customers. The company wants to migrate to AWS Cloud and is looking at understanding the capabilities of the various SageMaker services to operationalize and manage its Machine Learning workflow.
As an AI Practitioner, what would you recommend to the company as the best-fit use case for the SageMaker Clarify service?
-
A
You can use SageMaker Clarify to automate hyperparameter tuning, which is the process of automatically optimizing the hyperparameters of a model to achieve the best performance.
-
B
You can use SageMaker Clarify to monitor the quality of a model, which involves assessing and optimizing model performance in real-time during deployment to improve its accuracy and reliability
-
C
You can use SageMaker Clarify to prepare ML models with no coding involved, which offers a no-code interface for building, training, and deploying machine learning models without requiring any programming skills
-
D
You can use SageMaker Clarify to identify potential bias in data preparation, allowing you to detect and measure bias in datasets and models to ensure fairness and transparency in machine learning applications
Xem giải thích
Đáp án
D — Dùng Clarify để phát hiện sai lệch tiềm ẩn trong khâu chuẩn bị dữ liệu, đo được sai lệch trong tập dữ liệu và trong mô hình
Vì sao đúng
Clarify có hai năng lực, và cả hai đều cần cho bài toán xét duyệt khoản vay:
- Phát hiện sai lệch — đo ở hai thời điểm: trong dữ liệu huấn luyện (trước khi huấn luyện) và trong dự đoán của mô hình (sau khi huấn luyện). Đo được ở khâu dữ liệu là quan trọng vì đó thường là gốc rễ.
- Giải thích dự đoán — chỉ ra đặc trưng nào đóng góp bao nhiêu, dựa trên giá trị SHAP.
Với dịch vụ tài chính thì đây không phải tính năng cho vui: quy định chống phân biệt đối xử trong cho vay buộc phải chứng minh được mô hình không lệch theo các thuộc tính nhạy cảm, và phải giải thích được từng quyết định từ chối.
Vì sao các phương án khác sai
- B. Theo dõi chất lượng mô hình khi triển khai — đó là Model Monitor. Đây là phương án nhiễu gần nhất vì hai dịch vụ thường dùng chung.
- A. Tự động tinh chỉnh siêu tham số — đó là SageMaker Automatic Model Tuning.
- C. Xây mô hình không cần viết mã — đó là SageMaker Canvas.