Ngân hàng đề — AWS Certified AI Practitioner
Tìm thấy 623 câu.
A healthcare company is considering leveraging generative AI to enhance its data analysis and patient care services. The team is exploring the AWS cloud environment as a platform for deploying generative AI solutions and wants to understand the key benefits of using AWS for these purposes. They are particularly interested in how AWS can support the scalability, security, and flexibility needed to integrate AI models into their existing workflows and handle large amounts of sensitive data.
What is one of the primary advantages of using generative AI in the AWS cloud environment?
-
A
Generative AI can perform all cloud maintenance tasks without any human intervention
-
B
Generative AI can replace all human roles in software development
-
C
Generative AI ensures 100% security against all cyber threats
-
D
Generative AI can automate the creation of new data based on existing patterns, enhancing productivity and innovation
Xem giải thích
Đáp án
D — AI sinh có thể tự động tạo ra dữ liệu mới dựa trên mẫu có sẵn
Vì sao đúng
Đây là mô tả đúng và có chừng mực về năng lực của AI sinh: nó học các mẫu từ dữ liệu huấn luyện rồi tạo ra nội dung mới mang những đặc điểm tương tự — văn bản, ảnh, mã, dữ liệu tổng hợp.
Trong y tế, ứng dụng thường thấy là tóm tắt hồ sơ bệnh án, soạn nháp báo cáo, và sinh dữ liệu tổng hợp để nghiên cứu mà không phơi thông tin bệnh nhân thật.
Vì sao các phương án khác sai
Ba phương án còn lại đều là những lời hứa quá mức, và nhận ra chúng là một phần của việc hiểu đúng công nghệ này:
- A. Tự làm mọi tác vụ bảo trì đám mây mà không cần con người — không có hệ thống nào như vậy.
- B. Thay thế hoàn toàn vai trò con người trong phát triển phần mềm — nó hỗ trợ chứ không thay thế.
- C. Bảo đảm an toàn 100% trước mọi mối đe doạ — không công nghệ nào đưa ra cam kết tuyệt đối này; và bản thân AI sinh còn tạo ra rủi ro bảo mật mới.
A healthcare analytics company aims to enhance its AI capabilities by fine-tuning a foundation model (FM) in Amazon Bedrock to specialize in medical text analysis. To achieve this, the company plans to use its own task-specific labeled dataset, consisting of annotated clinical notes and medical records, to fine-tune the model for greater accuracy in extracting relevant information.
Given these requirements, which approach would be most suitable?
-
A
The company should leverage batch inference to facilitate fine-tuning of the model
-
B
The company should use Provisioned Throughput mode, which allows the company to reserve a specific amount of capacity in advance
-
C
The company should leverage Amazon Bedrock playground to facilitate fine-tuning of the model
-
D
The company should use On-Demand mode, which provides flexibility by charging only for the resources consumed
Xem giải thích
Đáp án
B — Dùng chế độ Provisioned Throughput
Vì sao đúng
Đây là một ràng buộc cụ thể của Amazon Bedrock cần nhớ: mô hình đã tinh chỉnh (fine-tuned) chỉ chạy được ở chế độ Provisioned Throughput, không dùng được chế độ on-demand.
Lý do có tính kỹ thuật: mô hình tuỳ chỉnh là của riêng bạn, nên AWS phải dành riêng năng lực tính toán để phục vụ nó thay vì gộp chung vào nhóm dùng chung như mô hình nền.
Hệ quả về chi phí rất đáng cân nhắc: bạn trả cho năng lực đã đặt trước dù có gọi hay không — nên tinh chỉnh chỉ đáng khi mô hình được dùng đủ nhiều.
Vì sao các phương án khác sai
- D. On-Demand mode — linh hoạt và chỉ trả theo lượt gọi, nhưng không hỗ trợ mô hình tuỳ chỉnh.
- A. Batch inference — cách chạy suy luận theo lô cho khối lượng lớn, không phải cơ chế phục vụ mô hình đã tinh chỉnh.
- C. Bedrock playground — môi trường để thử nghiệm prompt, không phải nơi tinh chỉnh.
Which of the following represents a valid use case for a generative AI-powered model?
-
A
Utilizing generative AI to predict housing prices based on historical market data
-
B
Using generative AI to create photorealistic images from textual descriptions
-
C
Applying generative AI for financial analysis to forecast stock market trends
-
D
Classifying medical images to detect anomalies or diagnose diseases using generative AI
Xem giải thích
Đáp án
B — Dùng AI sinh để tạo ảnh chân thực từ mô tả bằng chữ
Vì sao đúng
Đây là trường hợp dùng đúng bản chất: AI sinh tạo ra nội dung mới. Đầu ra là một bức ảnh chưa từng tồn tại, được tạo từ mô tả ngôn ngữ.
Vì sao các phương án khác sai
Ba phương án còn lại đều là bài toán dự đoán hoặc phân loại, tức là học máy truyền thống chứ không phải AI sinh:
- A. Dự đoán giá nhà từ dữ liệu lịch sử — hồi quy, đầu ra là một con số.
- C. Dự báo xu hướng chứng khoán — cũng là dự báo chuỗi thời gian.
- D. Phân loại ảnh y tế để phát hiện bất thường — phân loại, đầu ra là một nhãn.
Câu hỏi phân biệt gọn: đầu ra là nội dung mới, hay là một nhãn hoặc một con số? Vế đầu mới là AI sinh.
A software development company is building generative AI solutions for its clients, including applications for content creation and automated responses. As part of the development process, the team needs to clearly understand the distinctions between model inference and model evaluation to ensure accurate performance tracking and deployment. Model inference is required for generating outputs from the model, while model evaluation is necessary for assessing how well the model performs based on specific metrics.
Which of the following options best summarizes the differences between model inference and model evaluation in the context of generative AI?
-
A
Model evaluation is the process of evaluating and comparing model outputs to determine the model that is best suited for a use case, whereas, model inference is the process of a model generating an output (response) from a given input (prompt)
-
B
Both model inference and model evaluation refer to the process of a model generating an output (response) from a given input (prompt)
-
C
Model inference is the process of evaluating and comparing model outputs to determine the model that is best suited for a use case, whereas, model evaluation is the process of a model generating an output (response) from a given input (prompt)
-
D
Both model inference and model evaluation refer to the process of evaluating and comparing model outputs to determine the model that is best suited for a use case
Xem giải thích
Đáp án
A — Model evaluation là việc so sánh đầu ra để chọn mô hình phù hợp; model inference là việc mô hình sinh ra đầu ra từ đầu vào
Vì sao đúng
Hai khái niệm thuộc hai giai đoạn khác nhau của vòng đời:
| Inference | Evaluation | |
|---|---|---|
| Là gì | Mô hình sinh ra kết quả từ một prompt | So sánh kết quả của nhiều mô hình |
| Khi nào | Mỗi lần ứng dụng gọi mô hình, chạy liên tục trên sản xuất | Giai đoạn chọn mô hình, trước khi triển khai |
| Trả lời câu hỏi | "Kết quả cho đầu vào này là gì?" | "Mô hình nào hợp với bài toán của tôi?" |
Nói ngắn: inference là dùng, evaluation là chọn.
Vì sao các phương án khác sai
- C — đảo ngược hai định nghĩa, và đây là phương án nhiễu chính.
- B và D — gộp cả hai vào cùng một nghĩa, xoá mất sự phân biệt mà câu hỏi kiểm tra.
A customer support company is using a large language model developed with Amazon Bedrock to enhance its automated chatbot's ability to understand and respond accurately to customer queries. To improve the chatbot's performance, the company wants the model to correctly identify the intent behind various user interactions, such as whether a user is asking for a refund, seeking product information, or needing technical support. To achieve this, the company decides to use few-shots prompting to train the model effectively.
Given this goal, what type of data should be included in the few-shots examples to help the model accurately recognize and distinguish the correct user intent?
-
A
The data should contain user-input along with the correct model-response, focusing on matching input to the specific response
-
B
The data should consist of model-response along with the correct user intent, where the model's output is matched with the intended user intent
-
C
The data should include user-input along with the correct user intent, providing examples of user queries and the corresponding intent
-
D
The data should include user-input along with model-response, where the model's generated output is paired with the initial user-input
Xem giải thích
Đáp án
C — Dữ liệu gồm câu người dùng nhập kèm ý định đúng tương ứng
Vì sao đúng
Mục tiêu trong đề là nhận diện ý định — biết người dùng đang muốn hoàn tiền, hỏi thông tin sản phẩm, hay khiếu nại. Đó là bài toán phân loại, và dữ liệu huấn luyện cho phân loại phải gồm đầu vào cộng nhãn đúng.
Ở đây đầu vào là câu người dùng nói, còn nhãn là ý định. Ví dụ: "Tôi muốn trả lại đơn hàng" → hoan_tien.
Vì sao các phương án khác sai
- A và D. Ghép câu người dùng với câu trả lời của mô hình — đó là dữ liệu để dạy mô hình cách trả lời, một mục tiêu khác. Muốn nhận diện ý định thì nhãn phải là ý định.
- B. Ghép câu trả lời của mô hình với ý định — đảo ngược vai trò đầu vào và đầu ra.
A company has developed an app that translates text from English to various other languages. To enhance the quality and accuracy of these translations, the company seeks to evaluate and improve its translation model's performance.
Which metric would be most appropriate for assessing the accuracy of the translations?
-
A
The company should use Accuracy, a general metric that measures the proportion of correctly predicted outputs
-
B
The company should use BERT score, a metric that leverages contextual embeddings from BERT to evaluate the semantic similarity between machine-generated translations and reference translations
-
C
The company should use ROUGE (Recall-Oriented Understudy for Gisting Evaluation), a metric primarily used for evaluating the quality of text summarization and comparing the overlap between predicted and reference summaries
-
D
The company should use BLEU (Bilingual Evaluation Understudy) score, a metric specifically designed to evaluate the quality of text that has been machine-translated by comparing it with one or more reference translations
Xem giải thích
Đáp án
D — Điểm BLEU (Bilingual Evaluation Understudy)
Vì sao đúng
BLEU là thước đo được thiết kế riêng cho dịch máy. Nó so sánh bản dịch của máy với một hoặc nhiều bản dịch tham chiếu do người làm, đo mức trùng khớp của các cụm từ liên tiếp (n-gram) và phạt bản dịch quá ngắn.
Đây là chỉ số tiêu chuẩn của ngành cho đúng bài toán mà đề mô tả.
Vì sao các phương án khác sai
- C. ROUGE — cũng đo mức trùng khớp n-gram nhưng dựng cho tóm tắt văn bản: nó thiên về recall (bản tóm tắt có bắt được ý chính không), còn dịch thuật cần precision. Đây là phương án nhiễu gần nhất.
- B. BERT score — dùng embedding ngữ cảnh nên đo được sự tương đồng về nghĩa; hiện đại hơn BLEU nhưng không phải chỉ số chuẩn được hỏi tới cho dịch máy.
- A. Accuracy — chỉ số cho bài toán phân loại; dịch thuật không có "câu trả lời đúng duy nhất" để mà đếm tỷ lệ đúng.
A content marketing company is using a generative AI model to automatically draft articles, social media posts, and product descriptions. As the team feeds various text inputs into the model, they notice that the AI can only consider a certain amount of text at once before generating its response. They want to understand the concept that determines this limit, as it affects the length and complexity of the inputs the model can effectively handle.
What is this concept called that defines the maximum amount of text or characters the AI model can process at one time?
-
A
This concept is known as embeddings, which are numerical representations of text data used by AI models to understand and process the meaning of words in context
-
B
This concept is called tokens, which are units of text (like words or subwords) that the model processes
-
C
This concept is referred to as a context window, which determines the amount of text or information the model can consider at once while generating a response, typically measured in tokens rather than characters
-
D
This concept is referred to as character count, which directly counts the number of individual characters in a text
Xem giải thích
Đáp án
C — Context window (cửa sổ ngữ cảnh)
Vì sao đúng
Context window là lượng thông tin tối đa mô hình xử lý được trong một lần gọi, tính bằng token, và nó bao gồm cả đầu vào lẫn đầu ra.
Đây là ràng buộc có hậu quả thực tế rất rõ: vượt quá thì mô hình không thấy phần đầu của nội dung bạn gửi — nên với tài liệu dài, phải chia nhỏ hoặc dùng RAG thay vì nhét tất cả vào một prompt.
Vì sao các phương án khác sai
- B. Token — là đơn vị đo, còn context window là giới hạn được đo bằng đơn vị đó. Đây là cặp hay bị lẫn, và cách phân biệt là hỏi: đang nói về đơn vị hay về cái trần?
- A. Embedding — biểu diễn số của văn bản dưới dạng vector.
- D. Đếm số ký tự — mô hình không đếm ký tự mà đếm token; một token trung bình khoảng bốn ký tự với tiếng Anh, và tỷ lệ này khác hẳn với ngôn ngữ khác.
In the context of the shared responsibility model for AWS cloud services, which of the following best describes the division of responsibilities between the customer and AWS?
-
A
Customers are responsible for ensuring the physical security of data centers, while AWS is responsible for monitoring network traffic and managing user identities
-
B
AWS is responsible for the security "of" the cloud, including infrastructure, hardware, and software, while the customer is responsible for security "in" the cloud, including data, applications, and access management
-
C
AWS is responsible for configuring and managing the security settings of the customer's applications, while the customer is responsible for the underlying hardware infrastructure
-
D
AWS handles all security aspects including data encryption, user access management, and application security, while the customer only needs to manage their virtual machines
Xem giải thích
Đáp án
B — AWS chịu trách nhiệm về bảo mật của đám mây, bao gồm hạ tầng
Vì sao đúng
Mô hình trách nhiệm chung của AWS chia bằng đúng hai giới từ:
| Trách nhiệm | Gồm | |
|---|---|---|
| AWS | Bảo mật CỦA đám mây | Trung tâm dữ liệu, phần cứng, mạng nền, tầng ảo hoá |
| Khách hàng | Bảo mật TRONG đám mây | Dữ liệu, mã hoá, cấu hình IAM, luật mạng, vá hệ điều hành khách |
Ranh giới dịch chuyển theo loại dịch vụ — với dịch vụ được quản lý thì AWS gánh nhiều hơn — nhưng dữ liệu và quản lý truy cập luôn thuộc về khách hàng.
Vì sao các phương án khác sai
- C — nói AWS cấu hình và quản lý thiết lập bảo mật cho khách hàng; sai, đó là việc của bạn.
- D — nói AWS lo mọi thứ kể cả mã hoá dữ liệu và quản lý truy cập; sai theo cùng lý do.
- A — nói khách hàng chịu trách nhiệm về an ninh vật lý trung tâm dữ liệu; đảo ngược hoàn toàn, và đó là thứ khách hàng không bao giờ chạm tới được.
A retail company is looking to implement AI-driven solutions to enhance its in-store operations, such as automating inventory management and improving security through visual monitoring. The company wants to leverage pre-trained computer vision (CV) models for fast deployment but also needs the flexibility to customize these models to fit specific business needs. To make an informed decision, the team is evaluating AWS services that offer both pre-trained and customizable computer vision capabilities.
What do you suggest?
-
A
Amazon Rekognition
-
B
Amazon SageMaker
-
C
Amazon DeepRacer
-
D
Amazon Textract
Xem giải thích
Đáp án
A — Amazon Rekognition
Vì sao đúng
Hai nhu cầu trong đề — tự động hoá quản lý tồn kho và tăng cường an ninh bằng giám sát trực quan — đều là bài toán phân tích hình ảnh và video, và Rekognition là dịch vụ dựng sẵn cho đúng nhóm đó: nhận diện vật thể, đếm số lượng, phát hiện và so khớp khuôn mặt, nhận biết hoạt động đáng ngờ trong video.
Điểm mạnh là không cần huấn luyện mô hình nào — gọi API là có kết quả.
Vì sao các phương án khác sai
- B. Amazon SageMaker — nền tảng để tự xây mô hình; làm được nhưng tốn công lớn hơn nhiều so với dùng dịch vụ đã có sẵn năng lực này.
- D. Amazon Textract — trích xuất chữ và dữ liệu từ tài liệu, không phân tích cảnh trong cửa hàng.
- C. Amazon DeepRacer — xe đua mô hình để học về học tăng cường, không phải dịch vụ sản xuất.
A company is deploying a generative AI model on Amazon Bedrock and needs to reduce the cost of usage while using prompt examples of up to 10 sample tasks as part of each input.
Which approach would be the most effective in minimizing the costs associated with model usage?
-
A
The company should reduce the batch size while training the model
-
B
The company should reduce the
top-Pinference parameter for the model -
C
The company should reduce the
temperatureinference parameter for the model -
D
The company should reduce the number of tokens in the input
Xem giải thích
Đáp án
D — Giảm số token trong đầu vào
Vì sao đúng
Amazon Bedrock tính tiền theo số token, gồm cả token đầu vào lẫn đầu ra. Đề nói rõ mỗi prompt kèm tới 10 ví dụ mẫu — đó là phần chiếm nhiều token nhất, và cũng là phần cắt giảm được.
Cách làm thực tế: giảm số ví dụ (few-shot xuống còn 2–3 thay vì 10), rút gọn từng ví dụ, hoặc chuyển sang RAG để chỉ đưa vào đúng phần ngữ cảnh liên quan thay vì đưa tất cả.
Vì sao các phương án khác sai
- C. Giảm tham số temperature và B. Giảm top-P — hai tham số này điều chỉnh mức độ ngẫu nhiên của đầu ra, ảnh hưởng tới phong cách chứ không ảnh hưởng tới giá.
- A. Giảm batch size khi huấn luyện — đề nói về suy luận trên mô hình có sẵn, không có giai đoạn huấn luyện nào.