Ngân hàng đề — AWS Certified AI Practitioner
Tìm thấy 623 câu.
Which of the following AWS services are regional in scope? (Select two)
-
A
AWS Lambda
-
B
AWS Identity and Access Management (AWS IAM)
-
C
Amazon CloudFront
-
D
Amazon Rekognition
-
E
AWS Web Application Firewall (AWS WAF)
Xem giải thích
Đáp án
A và D — AWS Lambda và Amazon Rekognition
Vì sao đúng
Dịch vụ theo khu vực (regional) nghĩa là tài nguyên tồn tại trong đúng một region, và bạn phải tạo lại ở từng region nếu muốn dùng nhiều nơi:
- A. AWS Lambda — hàm nằm trong một region cụ thể; hàm ở
ap-southeast-1không thấy được từus-east-1. - D. Amazon Rekognition — endpoint theo region, và các bộ sưu tập khuôn mặt cũng nằm trong region.
Vì sao các phương án khác sai
Ba dịch vụ còn lại là toàn cầu (global):
- B. IAM — người dùng, vai và chính sách áp cho toàn bộ tài khoản, không thuộc region nào. Đây là dịch vụ toàn cầu điển hình nhất.
- C. CloudFront — mạng phân phối nội dung, theo bản chất là toàn cầu với hàng trăm edge location.
- E. AWS WAF — được xếp vào nhóm toàn cầu. Cần lưu ý cho chính xác: WAF gắn với CloudFront thì là toàn cầu, còn gắn với Application Load Balancer hoặc API Gateway thì web ACL phải tạo trong cùng region với tài nguyên đó. Trong bối cảnh câu hỏi này thì nó được coi là toàn cầu.
Ghi nhớ
| Toàn cầu | Theo khu vực |
|---|---|
| IAM, CloudFront, Route 53, WAF, Organizations | Lambda, EC2, S3 (bucket thuộc một region), RDS, và phần lớn dịch vụ AI như Rekognition, Comprehend, Bedrock |
A healthcare company has deployed a machine learning model using Amazon SageMaker to predict patient health outcomes based on various clinical parameters. A data analyst at the company inputs new patient data, such as age, blood pressure, and cholesterol levels, into the SageMaker model to receive a prediction on the likelihood of a cardiovascular event. The analyst needs to understand the specific term for this process, where the trained model uses its learned patterns to provide a prediction or output based on new input data.
What is this term called?
-
A
This process is called testing, which involves assessing the model's final performance on an unseen dataset after training is complete to estimate its generalization ability to predict an output
-
B
This process is known as training, which involves using labeled data to adjust the model's parameters so it can generate a prediction or output based on new input data provided by the user
-
C
This process is referred to as validation, here the model uses its trained parameters to generate a prediction or output based on new input data provided by the user
-
D
This process is called inference, where the model uses its trained parameters to generate a prediction or output based on new input data provided by the user
Xem giải thích
Đáp án
D — Inference (suy luận)
Vì sao đúng
Suy luận là giai đoạn mô hình đã huấn luyện xong dùng các tham số đã học để tạo ra dự đoán từ dữ liệu mới. Đó đúng là điều nhà phân tích đang làm: nhập tuổi, huyết áp, cholesterol của một bệnh nhân và nhận về xác suất biến cố tim mạch.
Phân biệt bốn khái niệm hay bị lẫn:
| Giai đoạn | Khi nào | Dữ liệu | Trọng số mô hình |
|---|---|---|---|
| Training | Phát triển | Tập huấn luyện | Đang được cập nhật |
| Validation | Phát triển | Tập kiểm định | Không đổi — dùng để chỉnh siêu tham số |
| Testing | Cuối giai đoạn phát triển | Tập kiểm tra, dùng một lần | Không đổi — đo hiệu năng cuối |
| Inference | Sản xuất | Dữ liệu thật của người dùng | Không đổi |
Điểm phân biệt gọn: ba giai đoạn đầu diễn ra trước khi triển khai và trên dữ liệu đã biết đáp án; suy luận diễn ra sau khi triển khai trên dữ liệu chưa biết đáp án.
Vì sao các phương án khác sai
- A. Testing và C. Validation — cũng là chạy mô hình trên dữ liệu, nhưng thuộc giai đoạn phát triển và luôn có nhãn đúng để so sánh.
- B. Training — giai đoạn mô hình đang học, tức là trọng số còn thay đổi.
The product team at a media company needs to understand the key distinctions between the tasks performed by Natural Language Processing (NLP) compared to those performed by Computer Vision. This will help the team apply the right AI tools for different types of content.
Which of the following do you suggest to the team?
-
A
NLP is used for analyzing and generating human language, such as text and speech, while Computer Vision is used for interpreting and understanding visual information from images and videos
-
B
NLP and Computer Vision are both used for creating 3D models from textual descriptions
-
C
NLP and Computer Vision are both used exclusively for speech recognition tasks
-
D
NLP is used for tasks such as image recognition and object detection, while Computer Vision is used for text generation and sentiment analysis
Xem giải thích
Đáp án
A — NLP phân tích và sinh ngôn ngữ của con người (văn bản, lời nói); Computer Vision diễn giải và hiểu thông tin thị giác từ ảnh và video
Vì sao đúng
Hai lĩnh vực khác nhau ở phương thức dữ liệu mà chúng xử lý:
| NLP | Computer Vision | |
|---|---|---|
| Dữ liệu | Văn bản, lời nói | Ảnh, video |
| Nhiệm vụ | Dịch, tóm tắt, phân tích cảm xúc, hỏi đáp, nhận dạng thực thể | Nhận diện vật thể, phân loại ảnh, nhận dạng khuôn mặt, phân đoạn ảnh |
| Dịch vụ AWS | Comprehend, Translate, Transcribe, Polly, Lex | Rekognition, Textract (một phần) |
Với công ty truyền thông trong đề thì cả hai đều dùng và thường ghép với nhau: Computer Vision gắn nhãn nội dung trong video, NLP phân tích phụ đề và bình luận của khán giả.
Vì sao các phương án khác sai
- D — đảo ngược hai lĩnh vực: gán nhận diện vật thể cho NLP và phân tích cảm xúc cho Computer Vision. Đây là phương án nhiễu chính.
- C. Cả hai chỉ dùng cho nhận dạng giọng nói — thu hẹp vô lý; nhận dạng giọng nói chỉ là một nhánh nhỏ của NLP.
- B. Cả hai dùng để tạo mô hình 3D từ mô tả chữ — không phải nhiệm vụ của lĩnh vực nào trong hai cái.
A healthcare company is integrating AWS AI services to build models for patient data analysis and personalized treatment recommendations. The company is exploring the AWS AI service cards and it would like to know more about use cases relevant to AWS AI service cards.
Given this context, what would you identify as the primary purpose of AWS AI service cards??
-
A
To serve as a marketplace for purchasing third-party AI services using pre-paid cards
-
B
To provide detailed technical documentation for setting up AWS AI services
-
C
To provide a platform for users to share their AI models and datasets with the community
-
D
To offer transparency and information about the intended use, limitations, and potential impacts of AWS AI services, helping users implement Responsible AI practices
Xem giải thích
Đáp án
D — Cung cấp sự minh bạch về mục đích sử dụng, giới hạn và tác động tiềm tàng của các dịch vụ AI của AWS, giúp người dùng thực hành AI có trách nhiệm
Vì sao đúng
AI Service Card là tài liệu do chính AWS soạn về các dịch vụ AI của họ (Rekognition, Textract, Transcribe...). Mỗi thẻ nêu ba nhóm thông tin:
- Mục đích sử dụng dự kiến — dịch vụ này dựng cho việc gì.
- Giới hạn — nó kém chính xác trong điều kiện nào. Đây là phần giá trị nhất và cũng hiếm thấy nhất trong tài liệu sản phẩm thông thường.
- Lựa chọn thiết kế có trách nhiệm và cách dùng sao cho đúng.
Với công ty y tế trong đề, vế "giới hạn" là thứ cần đọc trước khi tích hợp: biết trước dịch vụ hoạt động kém ở nhóm dữ liệu nào giúp thiết kế được lớp kiểm soát bù đắp.
Phân biệt với Model Card
| AI Service Card | SageMaker Model Card | |
|---|---|---|
| Nói về | Dịch vụ AI của AWS | Mô hình do bạn xây |
| Ai viết | AWS | Bạn |
Vì sao các phương án khác sai
- B. Tài liệu kỹ thuật để thiết lập dịch vụ — đó là tài liệu hướng dẫn thông thường; service card nói về giới hạn và tác động, không phải cách cấu hình.
- A. Chợ mua dịch vụ AI bên thứ ba bằng thẻ trả trước — hiểu chữ "card" theo nghĩa đen.
- C. Nền tảng chia sẻ mô hình và dữ liệu với cộng đồng — đó là mô tả của một kho mô hình.
A company wants to improve the performance of a Foundation Model (FM) being used in Amazon Bedrock.
Which of the following lists the underlying techniques in the increasing order of complexity for implementing a solution?
-
A
Retrieval Augmented Generation (RAG), Prompt engineering, Fine-tuning
-
B
Prompt engineering, Retrieval Augmented Generation (RAG), Fine-tuning
-
C
Prompt engineering, Fine-tuning, Retrieval Augmented Generation (RAG)
-
D
Retrieval Augmented Generation (RAG), Fine-tuning, Prompt engineering
Xem giải thích
Đáp án
B — Prompt engineering → RAG → Fine-tuning
Vì sao đúng
Đây là thứ tự tăng dần về độ phức tạp và chi phí, và cũng chính là thứ tự bạn nên thử trong thực tế:
| Bậc | Kỹ thuật | Phải làm gì | Chi phí | Đổi trọng số |
|---|---|---|---|---|
| 1 | Prompt engineering | Chỉ viết lại prompt | Gần như bằng 0 | Không |
| 2 | RAG | Dựng kho vector, đường ống đánh chỉ mục | Trung bình | Không |
| 3 | Fine-tuning | Chuẩn bị dữ liệu có nhãn, chạy huấn luyện, đặt Provisioned Throughput | Cao | Có |
Nguyên tắc thực hành rút ra từ bảng này: luôn thử bậc thấp trước. Rất nhiều bài toán tưởng cần fine-tuning thực ra chỉ cần prompt tốt hơn, và fine-tuning còn có nhược điểm là lạc hậu khi dữ liệu thay đổi — trong khi RAG chỉ cần đánh chỉ mục lại.
Vì sao các phương án khác sai
- A — đặt RAG trước prompt engineering; dựng kho vector rõ ràng phức tạp hơn viết lại prompt.
- C — đặt fine-tuning trước RAG, đảo ngược hai bậc trên.
- D — đặt prompt engineering cuối cùng, tức là coi việc dễ nhất là khó nhất.
A media company is using Amazon Bedrock to generate content such as headlines, articles, and social media posts. The data science team is particularly interested in understanding how adjusting the Temperature parameter can influence the model’s behavior to meet the company’s content generation goals.
What do you recommend to the team regarding the Temperature parameter?
-
A
Influences the likelihood of the model selecting lower-probability outputs, thereby impacting the creativity of the model’s output
-
B
Specifies the sequences of characters that stop the model from generating further tokens
-
C
Influences the percentage of most-likely candidates that the model considers for the next token
-
D
Influences the number of most-likely candidates that the model considers for the next token
Xem giải thích
Đáp án
A — Ảnh hưởng tới khả năng mô hình chọn những đầu ra có xác suất thấp, qua đó tác động tới độ sáng tạo
Vì sao đúng
Temperature tác động vào phân bố xác suất trước khi mô hình chọn token kế tiếp — làm phẳng hoặc làm nhọn phân bố đó:
| Temperature | Phân bố | Kết quả | Hợp với nhu cầu của công ty truyền thông |
|---|---|---|---|
| Thấp (0,1–0,3) | Nhọn — token đầu bảng gần như luôn thắng | Ổn định, an toàn, khuôn mẫu | Tóm tắt bài báo, viết mô tả sản phẩm |
| Cao (0,8–1,0) | Phẳng — token ít khả năng vẫn có cửa | Đa dạng, bất ngờ | Đặt tiêu đề, viết bài mạng xã hội |
Điểm phân biệt với Top P và Top K: hai cái kia quyết định nhóm ứng viên gồm những ai, còn temperature quyết định cách chọn trong nhóm đó.
Vì sao các phương án khác sai
- C. Ảnh hưởng tới phần trăm ứng viên khả dĩ nhất — đó là Top P.
- D. Ảnh hưởng tới số lượng ứng viên khả dĩ nhất — đó là Top K.
- B. Chỉ định chuỗi ký tự làm mô hình ngừng sinh — đó là Stop sequences.
A customer support system frequently encounters database errors that result in incomplete sentences in the logs. The company wants to implement a machine learning model to automatically suggest missing words in these sentences to help resolve issues faster.
Which type of model should be used to suggest the missing words?
-
A
Bidirectional Encoder Representations from Transformers (BERT) based Model
-
B
Prescriptive AI Model
-
C
Clustering Model
-
D
Rule-based NLP Model
Xem giải thích
Đáp án
A — Mô hình dựa trên BERT (Bidirectional Encoder Representations from Transformers)
Vì sao đúng
Bài toán ở đây là điền từ còn thiếu vào giữa câu, và đó chính là nhiệm vụ mà BERT được huấn luyện để làm: masked language modeling — che một từ rồi bắt mô hình đoán.
Chữ Bidirectional giải thích vì sao nó hợp: BERT đọc cả phần trước lẫn phần sau chỗ trống cùng lúc. Điều này khác hẳn các mô hình chỉ đọc một chiều, vốn chỉ thấy được phần bên trái.
"Database connection ____ after 30 seconds"
▲
BERT nhìn cả hai phía → đoán "timeout" hoặc "failed"
Với nhật ký lỗi thì thông tin nằm ở cả hai bên: "database connection" gợi ý chủ đề, "after 30 seconds" gợi ý đó là timeout.
Vì sao các phương án khác sai
- D. Mô hình NLP dựa trên luật — cần viết tay luật cho mọi loại câu; nhật ký lỗi quá đa dạng để làm được, và mỗi loại lỗi mới lại phải thêm luật.
- C. Mô hình phân cụm — gom nhật ký thành nhóm giống nhau, không sinh ra từ nào.
- B. Mô hình Prescriptive AI — đưa ra khuyến nghị hành động, không phải bài toán điền từ.
A software development team is exploring tools to improve their coding efficiency and streamline their workflow. They are particularly interested in leveraging Amazon Q Developer to support their development processes, but they want to understand its specific capabilities.
Which of the following accurately describes what Amazon Q Developer can do to enhance the team's development efforts?
-
A
Amazon Q Developer can create Large Language Model (LLM) chatbots, enabling the design and deployment of large language model-based conversational agents
-
B
Amazon Q Developer can create SageMaker models, allowing users to develop, train, and deploy machine learning models within the Amazon SageMaker environment
-
C
Amazon Q Developer can deploy applications, automating the entire process of application deployment from development to production environments
-
D
Amazon Q Developer can suggest code snippets, providing developers with recommendations for code based on specific tasks or requirements
Xem giải thích
Đáp án
D — Gợi ý đoạn mã, đưa ra khuyến nghị dựa trên nhiệm vụ hoặc yêu cầu cụ thể
Vì sao đúng
Đây là năng lực cốt lõi của Amazon Q Developer: gợi ý mã ngay trong IDE dựa trên ngữ cảnh — mã xung quanh, comment mô tả ý định, và tên hàm.
Ngoài gợi ý mã, nó còn sinh unit test, giải thích đoạn mã có sẵn, rà lỗi bảo mật, và nâng cấp phiên bản ngôn ngữ cho dự án. Nhưng gợi ý mã là mô tả trung tâm và cũng là thứ dùng nhiều nhất hằng ngày.
Vì sao các phương án khác sai
Điểm chung của ba phương án sai: chúng gán cho Q Developer việc tự động hoá thay người, trong khi nó là công cụ hỗ trợ người viết mã:
- C. Tự động hoá toàn bộ việc triển khai ứng dụng từ phát triển tới sản xuất — Q Developer viết được cấu hình hạ tầng hoặc pipeline cho bạn, nhưng nó không tự thực hiện việc triển khai. Đây là phương án nhiễu chính.
- B. Tạo mô hình SageMaker, huấn luyện và triển khai — nó gợi ý được mã gọi SageMaker, nhưng không tự xây và huấn luyện mô hình.
- A. Tạo chatbot dựa trên LLM — đó là việc của Amazon Bedrock hoặc Amazon Q Business.
A financial services company is building machine learning models on AWS to automate loan approval processes. As an AI Practitioner, you have been tasked to build and maintain data lineage in the context of these machine learning models on AWS.
Which of the following would you identify as the key reason to maintain data lineage?
-
A
It reduces the storage costs by efficiently managing data
-
B
It improves the performance of machine learning models by optimizing data processing
-
C
It ensures data privacy and compliance by tracking the flow and transformation of data
-
D
It enhances the visualization capabilities of the data
Xem giải thích
Đáp án
C — Bảo đảm quyền riêng tư và tuân thủ, bằng cách theo dõi luồng đi và các phép biến đổi của dữ liệu
Vì sao đúng
Data lineage là bản ghi dữ liệu đến từ đâu, đi qua những bước xử lý nào, và kết thúc ở đâu:
Hồ sơ vay (nguồn) → làm sạch → kỹ nghệ đặc trưng → tập huấn luyện → mô hình → quyết định
Với hệ thống duyệt khoản vay tự động, đây không phải tài liệu cho vui mà là yêu cầu pháp lý. Nó trả lời được ba câu hỏi mà kiểm toán viên chắc chắn sẽ hỏi:
- Mô hình từ chối hồ sơ này dựa trên dữ liệu nào, và dữ liệu đó lấy từ đâu?
- Chúng ta có vô tình dùng thuộc tính nhạy cảm (hoặc biến thay thế cho nó) không?
- Khi một nguồn dữ liệu bị phát hiện lỗi, những mô hình nào bị ảnh hưởng?
Câu cuối là giá trị thực tế lớn nhất: không có lineage thì bạn phải rà tay khắp hệ thống.
Vì sao các phương án khác sai
- B. Cải thiện hiệu năng mô hình bằng cách tối ưu xử lý dữ liệu — lineage ghi lại quy trình, nó không làm quy trình chạy nhanh hơn.
- A. Giảm chi phí lưu trữ — không liên quan; lineage còn thêm siêu dữ liệu cần lưu.
- D. Tăng khả năng trực quan hoá dữ liệu — sơ đồ lineage có thể vẽ ra được, nhưng đó là cách trình bày chứ không phải lý do tồn tại.
A healthcare analytics company has recently migrated to AWS Cloud and it is preparing to build several Machine Learning (ML) models to predict patient outcomes, optimize treatment plans, and analyze health data trends. The company wants to leverage the capabilities of various tools offered by Amazon SageMaker.
Which of the following is a key use case addressed by Amazon SageMaker Data Wrangler?
-
A
Fix bias by balancing the dataset
-
B
Build ML models with no code
-
C
Monitor the quality of a model
-
D
Store and share the features used for model development
Xem giải thích
Đáp án
A — Sửa sai lệch bằng cách cân bằng lại tập dữ liệu
Vì sao đúng
Data Wrangler có sẵn phép biến đổi cân bằng dữ liệu, và nó là công việc thuộc đúng giai đoạn chuẩn bị dữ liệu mà dịch vụ này phụ trách. Ba cách nó hỗ trợ:
- Oversampling — nhân bản thêm mẫu của nhóm thiểu số.
- Undersampling — bớt mẫu của nhóm đa số.
- SMOTE — sinh mẫu tổng hợp mới cho nhóm thiểu số thay vì nhân bản.
Với công ty phân tích y tế, việc này rất thiết thực: dữ liệu bệnh án thường mất cân bằng nặng vì ca bệnh nặng hiếm hơn ca thường rất nhiều, mà đó lại chính là nhóm cần dự đoán đúng nhất.
Vì sao các phương án khác sai
Ba phương án còn lại là mô tả của các dịch vụ SageMaker khác:
- B. Xây mô hình ML không cần viết mã — SageMaker Canvas.
- C. Theo dõi chất lượng mô hình — SageMaker Model Monitor.
- D. Lưu và chia sẻ đặc trưng dùng cho phát triển mô hình — SageMaker Feature Store.