Ngân hàng đề — AWS Certified AI Practitioner
Tìm thấy 623 câu.
Match the following Amazon SageMaker services to the respective use cases:
A) SageMaker Data Wrangler
B) SageMaker Canvas
C) SageMaker Ground Truth
1) Harnessing human input across the ML lifecycle to improve the accuracy and relevancy of models
2) Offers 300+ pre-configured data transformations to prepare data for ML
3) No-code service with an intuitive, point-and-click interface
-
A
A-3, B-2, C-1
-
B
A-2, B-1, C-3
-
C
A-3, B-1, C-2
-
D
A-2, B-3, C-1
Xem giải thích
Đáp án
D — A-2, B-3, C-1
Ghép đúng
| Dịch vụ | Mô tả | Vì sao |
|---|---|---|
| A. Data Wrangler | 2 — hơn 300 phép biến đổi dữ liệu dựng sẵn | Công cụ chuẩn bị dữ liệu: làm sạch, biến đổi, khám phá |
| B. Canvas | 3 — dịch vụ không cần viết mã, giao diện bấm chọn | Dựng cho người không lập trình xây mô hình |
| C. Ground Truth | 1 — tận dụng sức người xuyên suốt vòng đời ML | Gán nhãn dữ liệu có con người tham gia |
Cách gỡ nhanh
Mỗi mô tả có một từ khoá nhận dạng, và chỉ cần chắc chắn về một cặp là loại được phần lớn phương án:
- "human input" → chỉ có Ground Truth liên quan tới con người → C-1. Riêng điều này đã loại A và C (cả hai đều ghép C với 2 hoặc 3).
- "no-code, point-and-click" → Canvas → B-3. Loại nốt B.
- Còn lại A-2, khớp với "300+ phép biến đổi" — đúng đặc điểm quảng bá của Data Wrangler.
Vì sao các phương án khác sai
- A. A-3, B-2, C-1 — ghép đúng Ground Truth nhưng đảo Data Wrangler với Canvas.
- C. A-3, B-1, C-2 — sai cả ba.
- B. A-2, B-1, C-3 — đúng Data Wrangler nhưng đảo Canvas với Ground Truth.
A tech company is leveraging generative AI to develop personalized customer experiences and is considering whether to use a pre-built Foundation Model (FM) or to customize a model tailored to their specific needs. The team needs to understand the key differences between using a Foundation Model as-is versus customizing a model with their own data to enhance performance for specific tasks. This distinction will guide their strategy for deploying the most effective AI solution.
What do you suggest?
-
A
Both model customization and FM refer to the process of using training data to adjust the model parameter values in a base model to create a custom model
-
B
Model customization refers to an AI model with a large number of parameters and trained on a massive amount of diverse data, whereas, FM refers to the process of using training data to adjust the model parameter values in a base model to create a custom model
-
C
Both model customization and FM refer to an AI model with a large number of parameters and trained on a massive amount of diverse data
-
D
FM is an AI model with a large number of parameters and trained on a massive amount of diverse data, whereas, model customization is the process of using training data to adjust the model parameter values in a base model to create a custom model
Xem giải thích
Đáp án
D — FM là mô hình có rất nhiều tham số, huấn luyện trên khối dữ liệu đa dạng khổng lồ; model customization là quá trình dùng dữ liệu huấn luyện để điều chỉnh tham số của mô hình nền, tạo ra mô hình riêng
Vì sao đúng
Hai khái niệm thuộc hai phạm trù khác nhau, và đó là điểm câu hỏi kiểm tra:
| Foundation Model | Model customization | |
|---|---|---|
| Là gì | Một vật — mô hình đã có | Một quá trình — việc bạn làm |
| Ai tạo ra | Nhà cung cấp (Anthropic, Amazon, Meta…) | Bạn, trên nền FM |
| Kết quả | Mô hình đa năng | Mô hình tuỳ chỉnh của riêng bạn |
Nói gọn: FM là danh từ, customization là động từ. Customization lấy FM làm điểm xuất phát.
Đáng nhớ thêm một hệ quả về chi phí: mô hình đã tuỳ chỉnh trên Bedrock chỉ chạy được ở chế độ Provisioned Throughput, nghĩa là trả tiền cho năng lực đặt trước dù có gọi hay không.
Vì sao các phương án khác sai
- B — đảo ngược hai định nghĩa; đây là phương án nhiễu chính.
- A và C — gán cùng một định nghĩa cho cả hai, xoá mất sự phân biệt giữa một vật và một quá trình.
A consulting firm is considering adopting Amazon Q Business to help its teams automate workflows, generate business insights, and streamline decision-making. To ensure smooth integration with their existing AWS infrastructure, the firm's IT department needs to understand which underlying AWS service powers Amazon Q Business.
What do you suggest?
-
A
Amazon Bedrock
-
B
Amazon Kendra
-
C
Amazon Q Apps
-
D
Amazon SageMaker Jumpstart
Xem giải thích
Đáp án
A — Amazon Bedrock
Vì sao đúng
Amazon Q Business được xây trên nền Amazon Bedrock: Bedrock cung cấp Foundation Model và lo phần hạ tầng suy luận, còn Q là lớp ứng dụng đóng gói sẵn đặt bên trên — kèm connector vào nguồn dữ liệu, quản lý người dùng qua IAM Identity Center, và giao diện chat.
Quan hệ này 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
- B. Amazon Kendra — dịch vụ tìm kiếm doanh nghiệp; nó có thể đóng vai trò nguồn truy xuất cho một kiến trúc RAG, nhưng nó không phải nền tảng mô hình. Đây là phương án nhiễu gần nhất vì Q Business cũng làm việc tìm kiếm trên tài liệu nội bộ.
- C. Amazon Q Apps — là một tính năng bên trong Q Business, không phải thứ nằm dưới nó.
- D. SageMaker JumpStart — kho mô hình để bạn tự triển khai vào tài khoản của mình.
A company is considering using Reinforcement Learning (RL) to optimize decision-making in dynamic environments. Which of the following would you recommend as the best-fit use case for Reinforcement Learning?
-
A
Reinforcement learning is used for performing regression analysis on large numerical datasets
-
B
Reinforcement learning is used for making predictions based on historical data trends
-
C
Reinforcement learning is primarily used for clustering large datasets without any predefined labels
-
D
Reinforcement learning is used for optimizing complex systems such as robotics, game playing, and industrial automation by learning optimal actions through trial and error
Xem giải thích
Đáp án
D — Tối ưu hoá các hệ thống phức tạp như robot, chơi game và tự động hoá công nghiệp, bằng cách học hành động tối ưu qua thử và sai
Vì sao đúng
Ba ví dụ trong phương án D có cùng một đặc điểm khiến học tăng cường là lựa chọn phù hợp:
- Quyết định nối tiếp nhau — hành động bây giờ ảnh hưởng tới tình huống sau đó.
- Không có đáp án đúng cho từng bước — không ai gán nhãn được "ở trạng thái này phải làm gì", nhưng đánh giá được kết quả cuối cùng.
- Có môi trường để thử — mô phỏng chạy được hàng triệu lượt mà không tốn gì.
Điểm cuối là điều kiện thực tế quan trọng nhất: học tăng cường cần rất nhiều lượt thử, nên nó mạnh ở nơi có mô phỏng và yếu ở nơi mỗi lần thử đều tốn kém.
Vì sao các phương án khác sai
Ba phương án còn lại đều mô tả các nhánh học máy khác:
- B. Dự đoán dựa trên xu hướng dữ liệu lịch sử — học có giám sát.
- A. Phân tích hồi quy trên tập số lớn — cũng là học có giám sát.
- C. Phân cụm dữ liệu lớn không có nhãn định trước — học không giám sát.
A financial services company is developing machine learning models to automate credit risk assessments and ensure regulatory compliance. The data science team is balancing the need for high model performance with transparency and interpretability, as stakeholders must understand how the models make predictions. The team is evaluating how these factors — model transparency, interpretability, and performance — interact and affect each other.
What do you suggest to the team?
-
A
Increasing model transparency always reduces model interpretability, leading to poorer performance
-
B
Improving model interpretability and transparency may sometimes involve trade-offs with model performance, as simpler models are often easier to interpret but may not achieve the highest performance
-
C
Model performance is independent of model transparency and interpretability, so optimizing one does not affect the others
-
D
High model transparency and interpretability always lead to the best model performance
Xem giải thích
Đáp án
B — Cải thiện tính diễn giải và minh bạch đôi khi phải đánh đổi với hiệu năng, vì mô hình đơn giản dễ hiểu hơn nhưng có thể không đạt hiệu năng cao nhất
Vì sao đúng
Đây là câu trả lời đúng vì nó có chừng mực — dùng chữ "đôi khi" thay vì "luôn luôn".
Sự đánh đổi là có thật:
| Mô hình | Diễn giải | Hiệu năng thường gặp |
|---|---|---|
| Hồi quy tuyến tính, cây quyết định | Cao | Vừa phải |
| Gradient boosting | Trung bình | Cao |
| Mạng nơ-ron sâu | Thấp | Cao nhất trên dữ liệu phức tạp |
Nhưng nó không phải quy luật tuyệt đối. Với dữ liệu dạng bảng như hồ sơ tín dụng, một mô hình đơn giản nhiều khi ngang ngửa mô hình phức tạp — chênh lệch chỉ vài phần trăm, và đổi lấy khả năng giải thích thì hoàn toàn xứng đáng.
Với công ty tài chính còn có lối thoát thứ ba: dùng mô hình phức tạp kèm SHAP hoặc LIME để giải thích từng quyết định. Bạn không hiểu nội bộ mô hình, nhưng vẫn nói được vì sao hồ sơ này bị từ chối — và đó thường là điều quy định thật sự đòi hỏi.
Vì sao các phương án khác sai
- A. Tăng minh bạch luôn giảm diễn giải — vô lý, hai thứ này đi cùng chiều chứ không ngược nhau.
- D. Minh bạch và diễn giải cao luôn cho hiệu năng tốt nhất — quá tuyệt đối theo chiều ngược lại.
- C. Hiệu năng độc lập hoàn toàn với minh bạch — phủ nhận sự đánh đổi vốn có thật.
A financial services company is developing a machine learning model to predict credit risk and optimize loan approvals. The data science team is preparing the dataset for model development and needs to understand how to properly split the data into training, validation, and test sets. Each of these sets serves a different purpose in ensuring the model’s accuracy and generalization. Understanding the key differences between a training set, validation set, and test set will help the team implement an effective model evaluation strategy.
What do you recommend to the company?
-
A
The training set is used for evaluating model performance, the validation set is used for training the model, and the test set is used for hyperparameter tuning
-
B
The training set, validation set, and test set all serve the same purpose of evaluating the model performance
-
C
The training set is used for training the model, the validation set is used for tuning hyperparameters and model selection, and the test set is used for evaluating the final model performance
-
D
The training set is used for tuning hyperparameters, the validation set is used for evaluating the final model performance, and the test set is used for training the model
Xem giải thích
Đáp án
*C — Tập huấn luyện để huấn luyện, tập kiểm định để chỉnh siêu tham số và chọn mô hình, tập kiểm tra để đánh giá cuối cùng
Vì sao đúng
Ba tập, ba vai trò, và thứ tự sử dụng cũng chính là thứ tự đó:
Training set → mô hình học trọng số (dùng nhiều lần)
Validation set → chỉnh siêu tham số, dừng sớm,
chọn giữa các mô hình ứng viên (dùng nhiều lần)
Test set → đo hiệu năng cuối cùng (dùng ĐÚNG MỘT LẦN)
Lý do phải tách tập kiểm tra ra là: mỗi lần bạn nhìn vào một tập rồi ra quyết định dựa trên nó, tập đó mất tính khách quan. Tập kiểm định đã bị dùng để chọn siêu tham số nên điểm số trên nó lạc quan hơn thực tế. Chỉ tập kiểm tra — chưa hề ảnh hưởng tới quyết định nào — mới cho ước lượng trung thực về hiệu năng khi triển khai.
Với bài toán duyệt khoản vay, ước lượng trung thực đó không phải chuyện học thuật: nó là con số bạn báo cho bộ phận rủi ro.
Vì sao các phương án khác sai
- A và D — hoán vị vai trò lung tung, đặc biệt là dùng tập kiểm tra để chỉnh siêu tham số, lỗi làm hỏng hoàn toàn thước đo cuối cùng.
- B. Cả ba tập cùng một mục đích — xoá mất lý do tồn tại của việc chia ba.
A retail company wants to leverage machine learning to analyze customer behavior and predict future purchasing trends but lacks in-house coding expertise. The company’s goal is to build a model that can identify patterns in customer data and forecast sales, helping to tailor marketing strategies and inventory management. Since the team does not have any programming skills, they are considering different tools or services that would enable them to develop a machine learning model without writing any code.
Given this limitation, which of the following tools or services would be most suitable for the company to use?
-
A
The company should use SageMaker Clarify, as it enables users to create machine learning models using a visual interface
-
B
The company should use SageMaker Data Wrangler to simplify data preparation and feature engineering, which are mandatory steps towards building a machine learning model
-
C
The company should use SageMaker Built-in Algorithms, which provide a collection of pre-built algorithms for building machine learning models
-
D
The company should use SageMaker Canvas, as it enables users to create machine learning models using a visual interface
Xem giải thích
Đáp án
D — SageMaker Canvas, vì nó cho phép tạo mô hình học máy bằng giao diện trực quan
Vì sao đúng
Ràng buộc trong đề rất rõ: đội ngũ không có kỹ năng lập trình nào. Canvas là dịch vụ SageMaker duy nhất trong danh sách đi trọn đường từ dữ liệu tới mô hình dự đoán được mà không cần viết mã.
Hai bài toán của công ty đều nằm trong tầm: dự báo doanh số (dự đoán số) và tìm mẫu hình hành vi khách hàng (phân loại). Kết quả còn xuất sang QuickSight được để làm báo cáo.
Vì sao các phương án khác sai
- A. Clarify "cho phép tạo mô hình bằng giao diện trực quan" — mô tả sai dịch vụ: Clarify phát hiện sai lệch và giải thích dự đoán. Đây là bẫy đặt cạnh D với cùng một câu mô tả, nên phải nhớ đúng dịch vụ nào làm gì chứ không đọc lướt phần mô tả.
- B. Data Wrangler — chuẩn bị dữ liệu bằng giao diện trực quan, nhưng dừng ở đó; nó không huấn luyện hay triển khai mô hình.
- C. SageMaker Built-in Algorithms — thuật toán dựng sẵn, nhưng vẫn phải viết mã để gọi và cấu hình chúng.
A retail company is deploying machine learning models to predict customer demand and optimize inventory management. The company needs to decide between using real-time inference vs batch inference. Understanding the key differences between these approaches, including their use cases, latency requirements, and processing needs, is crucial for optimizing the company's operations.
Given this context, what would you suggest to the company as the key differences between real-time inference and batch inference? (Select two)
-
A
Batch inference follows a synchronous execution mode, whereas real-time inference follows an asynchronous execution mode
-
B
Real-time inference processes data in large batches at scheduled intervals, while batch inference processes individual data points immediately as they arrive
-
C
Real-time inference is used for applications requiring immediate predictions with low latency, whereas batch inference is used for processing large volumes of data at once, often with higher latency
-
D
Real-time inference follows a synchronous execution mode, whereas batch inference follows an asynchronous execution mode
-
E
Batch inference follows an API-based invocation, whereas real-time inference follows a schedule-based invocation
Xem giải thích
Đáp án
C và D
Vì sao đúng
- C. Real-time cho ứng dụng cần dự đoán ngay với độ trễ thấp; batch để xử lý khối lượng lớn một lượt, độ trễ cao hơn — nêu đúng mục đích của từng loại.
- *D. Real-time chạy đồng bộ, batch chạy bất đồng bộ — nêu đúng cơ chế thực thi: real-time giữ kết nối chờ kết quả trả về ngay, còn batch khởi động một job rồi ghi kết quả ra S3.
| Real-time | Batch | |
|---|---|---|
| Thực thi | Đồng bộ | Bất đồng bộ |
| Độ trễ | Mili giây | Phút tới giờ |
| Gọi bằng | API | Theo lịch hoặc kích hoạt thủ công |
| Hạ tầng | Endpoint chạy thường trực | Tài nguyên chỉ tồn tại trong lúc chạy job |
| Trong bài toán bán lẻ | Gợi ý sản phẩm ngay khi khách xem trang | Dự báo nhu cầu toàn bộ kho, chạy đêm |
Vì sao các phương án khác sai
- A — đảo ngược chế độ thực thi của C và D.
- B — đảo ngược mô tả: nói real-time xử lý theo lô định kỳ còn batch xử lý từng điểm dữ liệu ngay lập tức.
- E — cũng đảo ngược: batch mới là loại chạy theo lịch, còn real-time gọi qua API.
A logistics company is building machine learning models using Amazon SageMaker to predict delivery times and optimize routes. The data science team needs to clean and preprocess large datasets efficiently but wants to minimize manual coding to speed up development. They are looking for an Amazon SageMaker service that offers built-in data transformations, allowing them to quickly prepare the data without writing code.
Which of the following options is the best-fit for these requirements?
-
A
Amazon SageMaker Feature Store
-
B
Amazon SageMaker Clarify
-
C
Amazon SageMaker Ground Truth
-
D
Amazon SageMaker Data Wrangler
Xem giải thích
Đáp án
D — Amazon SageMaker Data Wrangler
Vì sao đúng
Đề nêu đúng ba từ khoá của Data Wrangler: làm sạch và tiền xử lý dữ liệu lớn, các phép biến đổi dựng sẵn, và không phải viết mã.
Nó có hơn 300 phép biến đổi sẵn dùng — xử lý giá trị thiếu, mã hoá biến phân loại, chuẩn hoá thang đo, tách cột ngày giờ — cùng biểu đồ để xem ngay kết quả sau mỗi bước.
Một điểm thực dụng đáng nhớ: các bước bạn làm được xuất ra thành pipeline chạy lại được, nên công chuẩn bị dữ liệu không phải làm lại từ đầu ở mỗi lần huấn luyện mới.
Vì sao các phương án khác sai
- A. Feature Store — lưu và phục vụ đặc trưng đã tính xong; nó nằm ở bước sau Data Wrangler trong cùng một luồng.
- C. Ground Truth — gán nhãn dữ liệu; bài toán ở đây là làm sạch chứ không phải gán nhãn.
- B. Clarify — phát hiện sai lệch và giải thích dự đoán.
A tech company is integrating generative AI into its customer support system to automatically answer user queries. During testing, the team notices that the AI occasionally generates responses that sound convincing but contain inaccurate information. To address this issue, the team needs to understand the phenomenon where a generative AI model produces information that may appear plausible but is factually incorrect.
What is this phenomenon called?
-
A
Controllability
-
B
Fairness
-
C
Hallucination
-
D
Explainability
Xem giải thích
Đáp án
C — Hallucination (ảo giác)
Vì sao đúng
Ảo giác là hiện tượng mô hình sinh ra nội dung nghe rất thuyết phục nhưng sai sự thật — đúng mô tả trong đề.
Điều làm nó nguy hiểm chính là vẻ ngoài: mô hình trình bày thông tin bịa với cùng giọng tự tin như thông tin đúng, nên người dùng không có tín hiệu nào để nghi ngờ. Trong hệ thống hỗ trợ khách hàng thì hậu quả rất trực tiếp — khách nhận hướng dẫn sai về sản phẩm mà vẫn tin.
Nguyên nhân nằm ở bản chất mô hình: nó dự đoán token có khả năng cao nhất, chứ không tra cứu sự thật. Ba biện pháp giảm thiểu thông dụng: RAG để buộc câu trả lời bám vào tài liệu thật, hạ temperature, và yêu cầu mô hình dẫn nguồn.
Vì sao các phương án khác sai
Ba phương án còn lại là các khái niệm khác trong AI có trách nhiệm:
- D. Explainability — khả năng giải thích vì sao mô hình cho ra kết quả đó.
- B. Fairness — công bằng, không thiên lệch giữa các nhóm.
- A. Controllability — khả năng điều khiển và giới hạn hành vi của mô hình.