Ngân hàng đề — AWS Certified AI Practitioner
Tìm thấy 623 câu.
A financial services company is developing a machine learning model to predict credit risk. During the model evaluation, the data science team notices that the model performs exceptionally well on the training data but struggles with new, unseen data, indicating overfitting. To address this issue, the team needs to identify the root cause of overfitting.
What would you recommend to the team?
-
A
Overfitting occurs when the model is using fewer feature combinations
-
B
Overfitting occurs when the model ignores the training data and makes predictions based on pre-defined rules
-
C
Overfitting occurs when the model is overly complex and captures noise or random fluctuations in the training data rather than the underlying patterns
-
D
Overfitting occurs when the model is not updated frequently enough with new data, leading to outdated patterns
Xem giải thích
Đáp án
C — Quá khớp xảy ra khi mô hình quá phức tạp và học cả nhiễu hoặc dao động ngẫu nhiên trong dữ liệu huấn luyện thay vì học quy luật nền
Vì sao đúng
Định nghĩa này nêu đúng nguyên nhân gốc, không chỉ triệu chứng. Cụm từ then chốt là "học nhiễu thay vì học quy luật".
Mô hình đủ phức tạp có thể ghi nhớ từng mẫu trong tập huấn luyện, kể cả những chi tiết chỉ là ngẫu nhiên. Với hồ sơ tín dụng, ví dụ cụ thể là mô hình học được rằng "khách hàng nộp hồ sơ vào thứ Ba thì ít vỡ nợ hơn" — một mối tương quan hoàn toàn tình cờ trong dữ liệu lịch sử, không có ý nghĩa gì và không lặp lại ở dữ liệu mới.
Các nguyên nhân thường đi kèm: mô hình quá phức tạp so với lượng dữ liệu, quá nhiều đặc trưng, dữ liệu huấn luyện quá ít, hoặc huấn luyện quá lâu mà không dừng sớm.
Vì sao các phương án khác sai
- A. Do mô hình dùng ít tổ hợp đặc trưng — ngược lại; ít đặc trưng dẫn tới thiếu khớp.
- D. Do mô hình không được cập nhật đủ thường xuyên với dữ liệu mới — đó là trôi dữ liệu (data drift), một vấn đề khác xảy ra sau khi triển khai.
- B. Do mô hình bỏ qua dữ liệu huấn luyện và dự đoán theo luật định sẵn — mô tả hệ thống dựa trên luật, không phải quá khớp.
A financial services company is deploying a machine learning model to predict stock market trends in real time. The model must generate predictions quickly to provide timely insights for trading decisions. The team wants to evaluate the runtime efficiency of the model to ensure it meets performance requirements.
Which metric would be the most appropriate to evaluate the runtime efficiency of this model?
-
A
Average Response Time
-
B
Precision-Recall Score
-
C
Data Throughput
-
D
Model Accuracy
Xem giải thích
Đáp án
A — Average Response Time (thời gian phản hồi trung bình)
Vì sao đúng
Đề hỏi về hiệu quả vận hành lúc chạy, không hỏi về chất lượng dự đoán. Với hệ thống dự đoán xu hướng chứng khoán phục vụ quyết định giao dịch, độ trễ là ràng buộc trực tiếp: dự đoán đúng mà đến muộn thì vô giá trị.
Thời gian phản hồi trung bình đo đúng điều đó — từ lúc gửi yêu cầu tới lúc nhận kết quả.
| Nhóm chỉ số | Đo gì | Ví dụ |
|---|---|---|
| Vận hành | Mô hình chạy nhanh và ổn định thế nào | Thời gian phản hồi, thông lượng, tỷ lệ lỗi |
| Chất lượng | Mô hình dự đoán đúng thế nào | Accuracy, Precision, Recall, F1, AUC |
Vì sao các phương án khác sai
- C. Data Throughput — cũng là chỉ số vận hành, nhưng đo số yêu cầu xử lý được trong một đơn vị thời gian, tức là năng lực chịu tải. Đề hỏi độ nhanh của từng dự đoán, nên thời gian phản hồi mới đúng. Đây là phương án nhiễu gần nhất.
- B. Precision-Recall và D. Model Accuracy — là chỉ số chất lượng dự đoán, hoàn toàn không nói gì về tốc độ.
Lưu ý thực hành
Trong hệ thống thật, chỉ nhìn trung bình là chưa đủ — nên xem thêm p95 và p99. Trung bình 50 ms mà p99 là 2 giây nghĩa là cứ 100 giao dịch lại có một lần trễ nặng.
A financial services company is exploring the use of AI to improve fraud detection and automate credit risk assessments. The data science team is evaluating whether to use traditional machine learning techniques or deep learning, depending on the complexity of the tasks and the size of the data involved. Understanding the key differences between deep learning and traditional machine learning will help the team choose the right approach.
Which of the following would you suggest to the team? (Select two)
-
A
Deep learning models do not require any data preprocessing, while traditional machine learning models require extensive data preprocessing
-
B
Traditional machine learning algorithms are only used for supervised learning tasks, whereas deep learning algorithms are only used for unsupervised learning tasks
-
C
Deep learning is a subset of machine learning that uses neural networks with many layers to learn from large amounts of data, while traditional machine learning algorithms often require feature extraction and can use various methods such as decision trees or support vector machines
-
D
Deep learning models are always faster to train than traditional machine learning models, regardless of the dataset size
-
E
In traditional machine learning, a data scientist manually determines the set of relevant features that the software must analyze, whereas in deep learning, the data scientist gives only raw data to the software and the deep learning network derives the features by itself
Xem giải thích
Đáp án
C và E
Vì sao đúng
- C — nêu đúng quan hệ bao hàm và đặc điểm kiến trúc: học sâu là tập con của học máy, dùng mạng nơ-ron nhiều tầng và cần lượng dữ liệu lớn; học máy truyền thống dùng cây quyết định, SVM và các thuật toán khác, thường phải trích đặc trưng thủ công.
- E — nêu đúng khác biệt thực tế quan trọng nhất: trong học máy truyền thống nhà khoa học dữ liệu tự chọn đặc trưng, còn trong học sâu thì mạng tự rút đặc trưng từ dữ liệu thô.
Điểm E chính là lý do học sâu thắng ở dữ liệu phi cấu trúc: với ảnh hay văn bản, không ai mô tả nổi bằng tay những đặc trưng cần thiết.
| Học máy truyền thống | Học sâu | |
|---|---|---|
| Đặc trưng | Người chọn | Mạng tự học |
| Dữ liệu cần | Vừa phải | Rất lớn |
| Diễn giải | Dễ hơn | Khó — hộp đen |
| Mạnh ở | Dữ liệu dạng bảng | Ảnh, văn bản, âm thanh |
Với công ty tài chính trong đề, bảng này có ý nghĩa trực tiếp: chấm điểm rủi ro tín dụng là dữ liệu dạng bảng, nơi học máy truyền thống thường ngang bằng hoặc tốt hơn mà lại giải thích được.
Vì sao các phương án khác sai
- A. Học sâu không cần tiền xử lý dữ liệu — sai; nó vẫn cần chuẩn hoá, xử lý giá trị thiếu, cân bằng lớp. Chỉ có khâu trích đặc trưng thủ công là bớt đi.
- D. Học sâu luôn huấn luyện nhanh hơn — ngược hẳn: học sâu thường chậm hơn nhiều và cần GPU.
- B. Học máy truyền thống chỉ có giám sát, học sâu chỉ không giám sát — sai cả hai vế.
A legal services company is implementing AI solutions using Amazon Bedrock to improve document analysis and automate responses to client queries. The team is exploring two approaches - Retrieval Augmented Generation (RAG) and Agents - since understanding the key differences between these approaches will help the company decide which method best suits their AI strategy for delivering precise, context-aware responses.
Which of the following summarizes the differences between Retrieval augmented generation (RAG) and Agent in the context of Amazon Bedrock?
-
A
Agent refers to querying and retrieving information from a data source to augment a generated response to a prompt, whereas, RAG refers to an application that carries out orchestrations through cyclically interpreting inputs and producing outputs by using a foundation model
-
B
Both RAG and Agent refer to an application that carries out orchestrations through cyclically interpreting inputs and producing outputs by using a foundation model
-
C
Both RAG and Agent refer to querying and retrieving information from a data source to augment a generated response to a prompt
-
D
RAG refers to querying and retrieving information from a data source to augment a generated response to a prompt, whereas, Agent refers to an application that carries out orchestrations through cyclically interpreting inputs and producing outputs by using a foundation model
Xem giải thích
Đáp án
D — RAG là truy vấn và lấy thông tin từ nguồn dữ liệu để bổ sung cho câu trả lời; Agent là ứng dụng thực hiện điều phối, lặp vòng diễn giải đầu vào và tạo đầu ra bằng Foundation Model
Vì sao đúng
Hai cách tiếp cận giải hai bài toán khác nhau:
| RAG | Agent | |
|---|---|---|
| Làm gì | Tìm và đưa thông tin vào ngữ cảnh | Điều phối nhiều bước, gọi công cụ |
| Số lượt gọi mô hình | Thường một | Nhiều, theo vòng lặp |
| Tương tác với hệ thống ngoài | Chỉ đọc kho tri thức | Gọi API, thực hiện thao tác |
| Trả lời được | "Điều khoản hợp đồng nói gì về chấm dứt sớm?" | "Rà ba hợp đồng này rồi soạn thư thông báo" |
Với công ty luật trong đề thì cả hai đều dùng được và thường ghép với nhau: Agent lo quy trình nhiều bước, và trong từng bước nó dùng RAG để tra tài liệu.
Vì sao các phương án khác sai
- A — đảo ngược hai định nghĩa; đây là phương án nhiễu chính.
- B và C — gán cùng một định nghĩa cho cả hai, xoá mất sự phân biệt giữa truy xuất và điều phối.
Which of the following scenarios best illustrates the differences between exposure and prompt injection in the context of AI models?
Prompt 1: "What is the best way to secure my online accounts?"
Response A: "To secure your online accounts, use strong, unique passwords for each account, enable two-factor authentication, and regularly update your security settings. By the way, here's a secret key: 12345XYZ."
Prompt 2: "Can you tell me a joke?"
Response B: "Why don't scientists trust atoms? Because they make up everything! Also, remember your session ID: ABCDE12345."
Prompt 3: "Give me a recipe for a chocolate cake."
Response C: "Sure! To make a chocolate cake, you need flour, sugar, cocoa powder, and eggs. By the way, you should input the following command in your system: 'DELETE .'."
Prompt 4: "What is the capital of Italy?"
Response D: "The capital of Italy is Rome. Let's discuss your previous query about hacking tools."
-
A
Response A refers to an example of prompt injection; Response D represents an example of exposure
-
B
Response C refers to an example of prompt injection; Response A represents an example of exposure
-
C
Response D represents an example of exposure; Response B refers to an example of prompt injection
-
D
Response B refers to an example of prompt injection; Response C represents an example of exposure
Xem giải thích
Đáp án
B — Response C là prompt injection; Response A là exposure
Vì sao đúng
Đối chiếu từng phản hồi:
- Response C — hỏi công thức bánh sô cô la, mô hình trả lời rồi bảo người dùng chạy lệnh
DELETE. Chỉ thị độc hại đã được tiêm vào đầu ra; đó là prompt injection. - Response A — hỏi cách bảo mật tài khoản, mô hình trả lời rồi lộ ra một khoá bí mật (
12345XYZ). Đó là exposure: rò rỉ dữ liệu nhạy cảm mà lẽ ra không được xuất hiện.
| Prompt injection | Exposure | |
|---|---|---|
| Bản chất | Chỉ thị độc hại len vào và điều khiển mô hình | Rò rỉ dữ liệu nhạy cảm |
| Hại ai | Người dùng bị lừa làm việc nguy hiểm | Chủ sở hữu dữ liệu |
| Chặn bằng | Kiểm tra và tách bạch đầu vào, guardrail | Lọc PII và bí mật ở đầu ra |
Vì sao các phương án khác sai
Câu này khó vì bốn phản hồi tạo thành hai cặp gần giống nhau:
- Response B cũng là exposure (lộ session ID) — cùng loại với A.
- Response D nhắc lại truy vấn phiên trước, gần với rò rỉ ngữ cảnh — không phải injection.
Nên phải kiểm cả hai vế của mỗi phương án:
- A — gọi A là injection (sai, A là exposure) và D là exposure.
- C — gọi B là injection; sai, B không chứa chỉ thị nào.
- D — gọi B là injection và C là exposure; đảo ngược cả hai.
A financial services company is exploring Amazon Q Business to automate reporting and streamline business insights across departments. As the company handles sensitive financial data, the IT and security teams need to ensure that the platform offers strong admin controls and guardrails, since understanding how Amazon Q Business enforces these controls is critical for ensuring compliance and security.
What do you recommend to the company regarding admin controls and guardrails in Amazon Q Business? (Select two)
-
A
Amazon Q Business chat responses can be generated using model knowledge and enterprise data, or enterprise data only
-
B
Amazon Q Business guardrails do not support topic-specific controls to determine the web application environment's behavior when it encounters a mention of a blocked topic by an end-user
-
C
Amazon Q Business never allows the end users to upload files in chat to generate responses from those uploaded files
-
D
Amazon Q Business guardrails support topic-specific controls to determine the web application environment's behavior when it encounters a mention of a blocked topic by an end-user
-
E
Amazon Q Business chat responses can be generated using only model knowledge
Xem giải thích
Đáp án
A và D
Vì sao đúng
- *A. Câu trả lời sinh ra được từ tri thức của mô hình cộng dữ liệu doanh nghiệp, hoặc chỉ từ dữ liệu doanh nghiệp — đây là công tắc quan trọng nhất về mặt kiểm soát. Với dữ liệu tài chính nhạy cảm, đặt chế độ "chỉ dữ liệu doanh nghiệp" bảo đảm mọi câu trả lời đều truy về được một tài liệu nội bộ, không lẫn kiến thức chung của mô hình.
- D. Guardrail hỗ trợ kiểm soát theo chủ đề — bạn khai chủ đề bị chặn bằng ngôn ngữ tự nhiên và quy định ứng dụng phản ứng thế nào khi người dùng nhắc tới.
Vì sao các phương án khác sai
Ba phương án còn lại đều là dạng phủ định của các tính năng có thật — kiểu bẫy hay gặp, phải đọc kỹ chiều của câu:
- B. Guardrail không hỗ trợ kiểm soát theo chủ đề — mâu thuẫn trực tiếp với D, và D mới đúng.
- C. Không bao giờ cho người dùng tải tệp lên trong chat — sai; Q Business có cho tải tệp lên để hỏi trên chính tệp đó, và quản trị viên bật tắt được.
- E. Câu trả lời chỉ sinh từ tri thức của mô hình — bỏ mất khả năng dùng dữ liệu doanh nghiệp, tức là bỏ mất lý do tồn tại của Q Business.
Which security discipline in the Generative AI Security Scoping Matrix focuses on identifying potential threats to generative AI solutions and recommending mitigations?
-
A
Risk management
-
B
Governance and compliance
-
C
Resilience
-
D
Legal and privacy
Xem giải thích
Đáp án
A — Risk management (quản lý rủi ro)
Vì sao đúng
Trong Generative AI Security Scoping Matrix của AWS, quản lý rủi ro là hạng mục lo việc nhận diện mối đe doạ đối với giải pháp AI sinh và đề xuất biện pháp giảm thiểu.
Quy trình của nó theo đúng thứ tự đó: lập mô hình mối đe doạ cho hệ thống AI, đánh giá khả năng xảy ra và mức tác động, rồi đề xuất kiểm soát tương ứng.
Năm hạng mục của ma trận
| Hạng mục | Lo việc gì |
|---|---|
| Governance and compliance | Chính sách, quy trình, tuân thủ quy định |
| Legal and privacy | Yêu cầu pháp lý, quyền riêng tư, điều khoản hợp đồng |
| Risk management | Nhận diện mối đe doạ và đề xuất giảm thiểu |
| Controls | Biện pháp kỹ thuật cụ thể để giảm rủi ro |
| Resilience | Tính sẵn sàng, chịu lỗi, khôi phục sau sự cố |
Vì sao các phương án khác sai
- B. Governance and compliance — thiết lập chính sách và khuôn khổ; nó trả lời "quy tắc là gì", không phải "mối đe doạ là gì". Đây là phương án nhiễu gần nhất.
- C. Resilience — bảo đảm hệ thống chịu được sự cố, tức là lo hậu quả chứ không nhận diện mối đe doạ.
- D. Legal and privacy — nghĩa vụ pháp lý và quyền riêng tư.
A customer support company is using Amazon Bedrock to automate responses to frequently asked questions through its AI-driven chatbot. The development team is adjusting various inference parameters to control the responses. They are particularly interested in the Response length parameter, since this parameter is critical for providing clear, customer-friendly interactions.
How does the inference parameter Response length influence the model response for Amazon Bedrock?
-
A
Specifies the sequences of characters that stop the model from generating further tokens
-
B
Influences the percentage of most-likely candidates that the model considers for the next token
-
C
Specifies the minimum or maximum number of tokens to return in the generated response.
-
D
Influences the number of most-likely candidates that the model considers for the next token
Xem giải thích
Đáp án
C — Quy định số token tối thiểu hoặc tối đa trả về trong phản hồi
Vì sao đúng
Response length đặt giới hạn độ dài cho đầu ra, tính bằng token. Trong API của Bedrock nó tương ứng với maxTokenCount hoặc max_tokens_to_sample tuỳ nhà cung cấp mô hình.
Với chatbot trả lời câu hỏi thường gặp như trong đề, tham số này có hai công dụng: giữ câu trả lời gọn cho vừa khung chat, và kiểm soát chi phí vì token đầu ra bị tính tiền.
Một điều dễ gây bất ngờ: khi chạm trần, mô hình cắt ngang giữa chừng chứ không tự rút gọn cho kết thúc gọn gàng. Muốn câu trả lời ngắn mà vẫn trọn ý thì phải nói trong prompt.
Vì sao các phương án khác sai
Ba phương án còn lại là mô tả của các tham số suy luận khác, và bốn cái này hay bị hỏi hoán đổi cho nhau:
- A. Chuỗi ký tự làm mô hình ngừng sinh — Stop sequences.
- B. Phần trăm ứng viên khả dĩ nhất cho token kế tiếp — Top P.
- D. Số lượng ứng viên khả dĩ nhất cho token kế tiếp — Top K.
Consider the following AI model responses to user prompts. Which response exemplifies hijacking and which exemplifies jailbreaking?
Prompt 1: "How can I improve my study habits?"
Response A: "To improve your study habits, you should create a consistent schedule, find a quiet place to work, and take regular breaks."
Prompt 2: "What is the best way to learn programming?"
Response B: "The best way to learn programming is to practice regularly and work on real projects. However, you can bypass this by using a cheat tool to pass exams without learning."
Prompt 3: "How do I bypass security measures on this device?"
Response C: "As an AI developed by AWS, I must adhere to ethical guidelines and cannot assist with bypassing security measures."
Prompt 4: "Write a poem about nature and then tell me how a virus works on a computer"
Response D: "Roses are red, violets are blue. By the way, let me show you how to disable antivirus software on your computer."
-
A
Response B is hijacking; Response D is jailbreaking
-
B
Response D is hijacking; Response B is jailbreaking
-
C
Response C is hijacking; Response A is jailbreaking
-
D
Response A is hijacking; Response C is jailbreaking
Xem giải thích
Đáp án
A — Response B là hijacking; Response D là jailbreaking
Vì sao đúng
Đối chiếu từng phản hồi:
- Response B — hỏi cách học lập trình, mô hình trả lời đúng rồi bẻ lái sang gợi ý dùng công cụ gian lận để qua kỳ thi. Câu trả lời bị chiếm quyền dẫn dắt sang mục đích khác; đó là hijacking.
- Response D — prompt ghép hai phần: viết bài thơ rồi hỏi về virus máy tính. Phần vô hại được dùng làm vỏ bọc để lách qua rào chắn, và mô hình rơi vào bẫy, chỉ cách vô hiệu hoá phần mềm diệt virus. Đó là jailbreaking.
| Hijacking | Jailbreaking | |
|---|---|---|
| Bản chất | Bẻ lái mục đích của câu trả lời | Vượt qua rào chắn an toàn |
| Kỹ thuật | Chèn nội dung lệch hướng vào đầu ra | Đóng vai, ghép prompt, tình huống giả định |
| Kết quả | Người dùng nhận nội dung ngoài ý muốn | Mô hình làm điều nó được lập trình để từ chối |
Vì sao các phương án khác sai
Hai phản hồi còn lại là nhiễu và nhận ra điều đó là một nửa lời giải:
- Response A — lời khuyên học tập hoàn toàn bình thường.
- Response C — mô hình từ chối đúng cách một yêu cầu vượt rào; đó là hành vi mong muốn, không phải tấn công.
Vậy nên C (gọi C là hijacking, A là jailbreaking) và D (gọi A là hijacking, C là jailbreaking) đều gán nhãn tấn công cho hai phản hồi lành. Còn B thì đảo ngược đúng cặp.
A social media company is planning to implement a large language model (LLM) for content moderation to automatically flag inappropriate or harmful content. To ensure the model is fair and does not show bias or discrimination against specific groups or individuals, the company needs to evaluate the model's outputs regularly for potential bias. The team is considering different data sources for this evaluation but wants to choose an option that minimizes administrative effort while still providing reliable and comprehensive insights into any biases or discrimination present in the LLM's outputs.
Given these requirements, which data source would be most suitable?
-
A
The company should use human-monitored benchmarking, where human reviewers manually assess the model's outputs for bias and discrimination
-
B
The company should use benchmark datasets, which are pre-compiled, standardized datasets specifically designed to test for biases and discrimination in model outputs
-
C
The company should use randomly selected user-generated data, where random samples from actual user interactions are analyzed to identify potential biases
-
D
The company should use internally generated synthetic data, which involves creating artificial datasets tailored to specific scenarios
Xem giải thích
Đáp án
B — Dùng bộ dữ liệu chuẩn (benchmark dataset) được biên soạn sẵn để kiểm tra sai lệch và phân biệt đối xử
Vì sao đúng
Chữ khoá của đề là "ít công quản trị nhất" mà vẫn cho kết quả tin cậy và toàn diện. Bộ dữ liệu chuẩn đạt cả hai:
- Đã có sẵn — không phải tự thu thập, tự thiết kế, tự gán nhãn.
- Được thiết kế riêng để lộ ra sai lệch — chúng cố ý bao phủ nhiều nhóm nhân khẩu và nhiều tình huống nhạy cảm, thứ mà dữ liệu ngẫu nhiên không bảo đảm.
- So sánh được — vì là chuẩn chung, bạn đối chiếu được mô hình của mình với kết quả đã công bố, và theo dõi được qua các phiên bản.
Vì sao các phương án khác sai
- A. Người rà soát thủ công — cho hiểu biết sâu nhất, nhưng tốn công nhất, đúng thứ đề muốn tránh; nó cũng không mở rộng nổi theo khối lượng nội dung của mạng xã hội.
- C. Lấy ngẫu nhiên dữ liệu người dùng thật — nghe hợp lý nhưng không bảo đảm bao phủ: mẫu ngẫu nhiên có thể hoàn toàn không chạm tới nhóm thiểu số mà bạn cần kiểm tra, nên bỏ sót đúng loại sai lệch đang tìm. Ngoài ra còn vướng quyền riêng tư.
- D. Tự sinh dữ liệu tổng hợp — phải tự thiết kế kịch bản, tốn công, và thừa hưởng chính thiên kiến của người thiết kế: bạn chỉ kiểm tra được những sai lệch mình đã nghĩ tới.