Ngân hàng đề — AWS Certified AI Practitioner

Tìm thấy 623 câu.

Câu 211 Applications of Foundation Models

A retail company needs a solution that can help in forecasting foot traffic, visitor counts, and channel demand to efficiently manage the operating costs.

Which AWS ML service is the right fit for this use case?

  1. A

    Amazon SageMaker Feature Store
  2. B

    Amazon Personalize
  3. C

    Amazon Forecast
  4. D

    Amazon Lex
Xem giải thích

Đáp án

C — Amazon Forecast

Vì sao đúng

Cả ba nhu cầu trong đề — lưu lượng khách ra vào, số lượt khách, nhu cầu theo kênh — đều là dự báo chuỗi thời gian: dựa trên dữ liệu lịch sử theo thời gian để ước tính giá trị trong tương lai.

Forecast là dịch vụ được quản lý cho đúng bài toán đó, và nó xử lý sẵn những thứ khó của chuỗi thời gian: tính mùa vụ (cuối tuần đông hơn ngày thường, cao điểm cuối năm), xu hướng dài hạn, và dữ liệu liên quan như ngày lễ hoặc chương trình khuyến mãi.

Một điểm đáng nhớ: Forecast trả về khoảng dự báo theo phân vị (ví dụ p10, p50, p90) chứ không chỉ một con số. Với việc quản lý chi phí vận hành thì điều này quan trọng — bạn bố trí nhân sự theo kịch bản p90 để không thiếu người vào lúc đông nhất.

Vì sao các phương án khác sai

  • B. Amazon Personalize — hệ gợi ý cá nhân hoá; nó dự đoán cá nhân này thích gì, không phải tổng lượng khách ngày mai là bao nhiêu.
  • A. SageMaker Feature Store — lưu và phục vụ đặc trưng.
  • D. Amazon Lex — xây giao diện hội thoại.
Câu 212 Applications of Foundation Models

A technology company is exploring AWS DeepRacer to introduce its employees to machine learning through an engaging and hands-on platform. The team wants to understand the key features and capabilities of AWS DeepRacer. Which of the following represents the CORRECT statement about AWS DeepRacer?

  1. A

    AWS DeepRacer vehicle is only a virtual vehicle running on AWS DeepRacer simulator
  2. B

    AWS DeepRacer car is based on a model that uses a supervised learning ML algorithm
  3. C

    The AWS DeepRacer vehicle is a Wi-Fi enabled, physical vehicle that can drive itself on a physical track
  4. D

    You need an AWS DeepRacer car to use the AWS DeepRacer simulator
Xem giải thích

Đáp án

C — Xe AWS DeepRacer là xe vật lý có Wi-Fi, tự chạy được trên đường đua thật

Vì sao đúng

DeepRacer có hai phần, và đây là điều câu hỏi kiểm tra:

  • Xe mô hình vật lý tỷ lệ 1/18 — có Wi-Fi, camera, và chạy tự động trên đường đua thật.
  • Trình mô phỏng trên đám mây — nơi bạn huấn luyện mô hình mà không cần phần cứng nào.

Ý tưởng sư phạm nằm ở chỗ nối hai phần: bạn huấn luyện trong mô phỏng rồi nạp mô hình xuống xe thật và xem nó chạy. Việc thấy mô hình hoạt động ngoài đời làm khái niệm học tăng cường trở nên cụ thể theo cách không màn hình nào thay thế được.

Vì sao các phương án khác sai

  • A. Xe chỉ là xe ảo trong trình mô phỏng — sai; xe vật lý có thật và mua được.
  • D. Phải có xe mới dùng được trình mô phỏng — sai và là điểm quan trọng: trình mô phỏng dùng độc lập hoàn toàn. Phần lớn người học DeepRacer chưa bao giờ chạm vào xe thật, và giải đua ảo cũng tổ chức hoàn toàn trên đám mây.
  • *B. Xe dựa trên mô hình dùng thuật toán học có giám sát — sai; DeepRacer là nền tảng dạy học tăng cường, xe học qua thử và sai với hàm phần thưởng do bạn viết.
Câu 213 Security, Compliance, and Governance for AI Solutions

A financial services company is developing several machine learning models to handle fraud detection, credit scoring, and customer segmentation. To ensure consistent use of data and foster collaboration among its data scientists, the company needs an efficient way to share and manage the variables used in these models across different teams and projects. The goal is to create a centralized repository where these variables can be accessed and reused to maintain uniformity, reduce redundancy, and improve productivity.

Which of the following AWS tools would be the most suitable for achieving this objective?

  1. A

    SageMaker Feature Store
  2. B

    SageMaker Clarify
  3. C

    SageMaker Model Monitor
  4. D

    SageMaker Data Wrangler
Xem giải thích

Đáp án

A — SageMaker Feature Store

Vì sao đúng

Đề nêu đúng bốn từ khoá của Feature Store: chia sẻ và quản lý biến dùng chung, kho tập trung, dùng lại, và giảm trùng lặp.

Vấn đề nó giải rất cụ thể trong bối cảnh này: ba mô hình — phát hiện gian lận, chấm điểm tín dụng, phân khúc khách hàng — đều cần những đặc trưng giống nhau như "số giao dịch 30 ngày qua" hay "tuổi tài khoản". Nếu mỗi đội tự tính thì có ba định nghĩa hơi khác nhau, và khi kết quả hai mô hình mâu thuẫn thì không ai biết vì sao.

Feature Store giữ một định nghĩa duy nhất kèm siêu dữ liệu để tra cứu, và có hai kho song song — offline cho huấn luyện, online cho suy luận độ trễ thấp — dùng chung định nghĩa đó nên tránh được lệch giữa huấn luyện và phục vụ.

Vì sao các phương án khác sai

  • D. Data Wrangler — tạo ra đặc trưng; Feature Store lưu và chia sẻ chúng. Hai bước nối tiếp, và đề hỏi về bước sau.
  • B. Clarify — phát hiện sai lệch và giải thích dự đoán.
  • C. Model Monitor — theo dõi mô hình đã triển khai.
Câu 214 Applications of Foundation Models

Which AWS service helps you set up a cloud contact center in just a few clicks and onboard agents to help customers?

  1. A

    Amazon SageMaker Clarify
  2. B

    Amazon Personalize
  3. C

    Amazon Lex
  4. D

    Amazon Connect
Xem giải thích

Đáp án

D — Amazon Connect

Vì sao đúng

Amazon Connect là dịch vụ trung tâm liên lạc trên đám mây của AWS, dựng sẵn để triển khai trong vài phút: tạo instance, lấy số điện thoại, vẽ luồng cuộc gọi bằng giao diện kéo thả, và thêm nhân viên vào là chạy được.

Mô hình giá trả theo phút sử dụng, không có chi phí giấy phép trả trước — đó là điểm khác biệt lớn so với hệ thống tổng đài truyền thống.

Vì sao các phương án khác sai

  • C. Amazon Lex — xây giao diện hội thoại (chatbot, IVR). Nó tích hợp vào Connect để làm phần trả lời tự động, nhưng bản thân không phải trung tâm liên lạc: nó không có số điện thoại, không định tuyến cuộc gọi, không quản lý nhân viên. Đây là phương án nhiễu gần nhất.
  • B. Amazon Personalize — hệ gợi ý cá nhân hoá.
  • A. SageMaker Clarify — phát hiện sai lệch và giải thích dự đoán.

Ghi nhớ hệ sinh thái trung tâm liên lạc của AWS

Dịch vụ Vai trò
Connect Nền tảng trung tâm liên lạc
Lex Bot trả lời tự động trong Connect
Q in Connect Gợi ý theo thời gian thực cho nhân viên
Transcribe + Comprehend Chuyển lời thoại thành chữ rồi phân tích cảm xúc
Câu 215 Fundamentals of Generative AI

A media production company is looking to enhance its creative workflows by using AI to generate high-quality images from text prompts for marketing materials, storyboards, and content development. The company plans to use Amazon Bedrock for this purpose and wants to identify the most suitable Foundation Model to generate realistic and detailed images based on text descriptions provided by the creative team.

Which of the following Foundation Models would you recommend for generating images from text prompts in this use case?

  1. A

    Llama
  2. B

    Claude
  3. C

    Jurassic
  4. D

    Stable Diffusion
Xem giải thích

Đáp án

D — Stable Diffusion

Vì sao đúng

Trong các Foundation Model có trên Amazon Bedrock, Stable Diffusion (của Stability AI) là mô hình sinh ảnh từ mô tả bằng chữ. Nó dùng kiến trúc diffusion: bắt đầu từ nhiễu ngẫu nhiên rồi khử nhiễu dần qua nhiều bước cho tới khi ra ảnh khớp với mô tả.

Với công ty sản xuất nội dung trong đề, nó phục vụ được cả ba nhu cầu: ảnh cho tài liệu tiếp thị, dựng storyboard nhanh, và thử nghiệm ý tưởng hình ảnh.

Vì sao các phương án khác sai

Ba phương án còn lại đều là mô hình ngôn ngữ — chúng nhận và sinh ra văn bản, không sinh ảnh:

  • B. Claude (Anthropic) — mô hình ngôn ngữ; đọc được ảnh nhưng không sinh ra ảnh. Đây là chỗ dễ nhầm nhất: hiểu ảnh và tạo ảnh là hai năng lực khác nhau.
  • A. Llama (Meta) — mô hình ngôn ngữ mã nguồn mở.
  • C. Jurassic (AI21 Labs) — mô hình ngôn ngữ.

Lưu ý

Bedrock còn có Amazon Titan Image Generator cũng sinh ảnh từ chữ, nhưng nó không nằm trong bốn phương án của câu này.

Câu 216 Security, Compliance, and Governance for AI Solutions

A financial services company is developing a machine-learning model to classify loan applications as either "approved" or "denied." To ensure the model performs effectively, the company wants to evaluate how accurately it predicts these outcomes. Specifically, they are interested in knowing the overall percentage of correct predictions, including both approved and denied applications. The company is considering several metrics to assess the model's performance in terms of the number of correct outcomes.

Which metric would be most appropriate for this purpose?

  1. A

    The company should use F1 Score, a metric that considers both precision and recall by calculating their harmonic mean
  2. B

    The company should use R-squared, a statistical measure that indicates the proportion of variance in the dependent variable explained by the independent variables
  3. C

    The company should use Root Mean Squared Error (RMSE), a metric that calculates the square root of the average of the squared differences between predicted and actual values
  4. D

    The company should use Accuracy, which measures the proportion of correctly predicted instances (both true positives and true negatives) out of the total number of instances
Xem giải thích

Đáp án

D — Accuracy (độ chính xác tổng thể)

Vì sao đúng

Đề hỏi rất cụ thể: tỷ lệ phần trăm dự đoán đúng trên tổng số, tính cả hồ sơ được duyệt lẫn hồ sơ bị từ chối. Đó chính là định nghĩa của accuracy:

                 TP + TN
Accuracy = ───────────────────
            TP + TN + FP + FN

Nó gộp cả true positive (duyệt đúng) và true negative (từ chối đúng) trên tổng số hồ sơ.

Vì sao các phương án khác sai

  • A. F1 Score — cân bằng precision và recall; hữu ích khi dữ liệu mất cân bằng, nhưng nó không trả lời câu hỏi "bao nhiêu phần trăm dự đoán đúng". Đây là phương án nhiễu chính.
  • B. R-squared và C. RMSE — là chỉ số của bài toán hồi quy, đo sai lệch giữa hai con số; ở đây đầu ra là nhãn "duyệt" hoặc "từ chối" nên không trừ nhau được.

Cảnh báo cần nhớ về accuracy

Accuracy đúng là thứ đề hỏi, nhưng trong thực tế nó gây hiểu nhầm khi dữ liệu mất cân bằng. Nếu 95% hồ sơ được duyệt, một mô hình luôn đoán "duyệt" đạt accuracy 95% mà không bao giờ phát hiện được hồ sơ rủi ro nào. Với bài toán tín dụng, cần xem thêm precision, recall và ma trận nhầm lẫn mới thấy được bức tranh thật.

Câu 217 Fundamentals of Generative AI

An ecommerce company is transitioning to AWS Cloud and wants to use Amazon Bedrock for product recommendations. The company wants to provide its own labeled training dataset to improve the selected Foundation Model's (FM) performance.

Which of the following represents the best-fit solution for the given use case?

  1. A

    Leverage Amazon Bedrock to make a separate copy of the base FM model and train this private copy of the model using the labeled training dataset
  2. B

    Leverage Amazon Bedrock to train the base FM itself using the labeled training dataset
  3. C

    Leverage Amazon Bedrock to make a public copy of the base FM model and train this public copy of the model using the labeled training dataset
  4. D

    Leverage Amazon Bedrock to discard the selected FM and create a new model from scratch by using the labeled training dataset
Xem giải thích

Đáp án

A — Dùng Bedrock để tạo một bản sao riêng của mô hình nền rồi huấn luyện bản sao đó bằng tập dữ liệu có nhãn

Vì sao đúng

Đây là cách Amazon Bedrock thực hiện việc tuỳ chỉnh mô hình, và mô tả trên chính xác về mặt kỹ thuật:

  • Mô hình nền không bao giờ bị thay đổi — nó phục vụ mọi khách hàng, nên không ai được huấn luyện lên nó.
  • Bạn nhận một bản sao riêng tư — nằm trong tài khoản của bạn, mã hoá bằng khoá của bạn.
  • Bản sao đó được huấn luyện bằng dữ liệu của bạn, tạo ra mô hình tuỳ chỉnh chỉ bạn dùng được.

Hai hệ quả đáng nhớ: dữ liệu của bạn không rò sang khách hàng khác vì mô hình nền không đổi; và mô hình tuỳ chỉnh chỉ chạy được ở chế độ Provisioned Throughput, tức là trả tiền cho năng lực đặt trước dù có gọi hay không.

Vì sao các phương án khác sai

  • B. Huấn luyện chính mô hình nền — không thể, và nếu làm được thì dữ liệu riêng của bạn sẽ ảnh hưởng tới mô hình mà mọi khách hàng khác đang dùng.
  • *C. Tạo bản sao công khai — đi ngược yêu cầu bảo mật; bản sao luôn là riêng tư.
  • D. Bỏ mô hình nền và xây mới từ đầu — huấn luyện một Foundation Model từ con số không tốn hàng triệu đô la và hàng tháng trời; toàn bộ ý nghĩa của việc tuỳ chỉnh là tận dụng những gì mô hình nền đã học.
Câu 218 Fundamentals of Generative AI

A call center has introduced a chatbot to help employees respond to customer inquiries more efficiently during calls. The goal is to improve overall efficiency and reduce time spent on calls.

Which of the following metrics should be monitored to evaluate the success of this initiative?

  1. A

    Average Call Duration
  2. B

    Chat API Calls per Day
  3. C

    First-Call Resolution Rate
  4. D

    Average Chat Sessions per Day
Xem giải thích

Đáp án

A — Average Call Duration (thời lượng cuộc gọi trung bình)

Vì sao đúng

Đề nêu mục tiêu rất rõ: cải thiện hiệu suất và giảm thời gian dành cho mỗi cuộc gọi. Thời lượng cuộc gọi trung bình đo đúng điều đó, và nó đo kết quả nghiệp vụ chứ không đo hoạt động của công cụ.

Cơ chế cũng hợp lý: chatbot giúp nhân viên tìm thông tin nhanh hơn ngay trong lúc nói chuyện, nên thời gian mỗi cuộc gọi rút ngắn. Nếu chỉ số này không giảm, chatbot không đem lại giá trị như kỳ vọng — bất kể nó được gọi bao nhiêu lần.

Vì sao các phương án khác sai

  • C. First-Call Resolution Rate — là chỉ số rất tốt cho chất lượng dịch vụ, nhưng nó đo giải quyết được ngay hay không, còn đề hỏi về thời gian. Đây là phương án nhiễu chính, và điểm phân biệt nằm ở đúng mục tiêu mà đề nêu.
  • B. Số lượt gọi API chat mỗi ngày và D. Số phiên chat trung bình mỗi ngày — là chỉ số hoạt động: chúng cho biết công cụ được dùng nhiều hay ít, không cho biết nó có giúp ích hay không. Nhân viên có thể gọi chatbot rất nhiều mà cuộc gọi vẫn dài y như cũ.

Ghi nhớ

Khi đánh giá thành công của một sáng kiến, hãy chọn chỉ số đo kết quả (thời lượng cuộc gọi, tỷ lệ giải quyết, mức hài lòng) thay vì chỉ số đo mức độ sử dụng (số lượt gọi, số phiên).

Câu 219 Applications of Foundation Models

Which AWS service is specifically designed for converting medical speech to text, ensuring compliance with healthcare regulations such as HIPAA?

  1. A

    Amazon Polly
  2. B

    Amazon Transcribe medical
  3. C

    Amazon Rekognition
  4. D

    Amazon Transcribe
Xem giải thích

Đáp án

B — Amazon Transcribe Medical

Vì sao đúng

Transcribe Medical là biến thể chuyên ngành y tế của Amazon Transcribe, và nó khác bản thường ở ba điểm mà đề nhắm tới:

  • Từ vựng y khoa — nhận đúng tên thuốc, thuật ngữ giải phẫu, tên bệnh, liều lượng. Bản thường sẽ phiên âm sai những từ này rất thường xuyên.
  • Đủ điều kiện HIPAA — ký được BAA để xử lý thông tin sức khoẻ được bảo vệ.
  • Hiểu bối cảnh lâm sàng — phân biệt được lời bác sĩ đọc bệnh án với hội thoại bác sĩ và bệnh nhân.

Vì sao các phương án khác sai

  • D. Amazon Transcribe — bản thường cũng đủ điều kiện HIPAA, nhưng nó không có từ vựng y khoa chuyên biệt. Đề hỏi dịch vụ được thiết kế riêng cho lời nói y khoa, nên bản Medical mới đúng. Đây là phương án nhiễu chính.
  • A. Amazon Polly — đi ngược chiều: chuyển văn bản thành giọng nói.
  • C. Amazon Rekognition — phân tích ảnh và video.

Ghi nhớ cặp dịch vụ chuyên ngành y tế

Bản thường Bản y tế Việc
Transcribe Transcribe Medical Giọng nói → văn bản
Comprehend Comprehend Medical Trích thông tin từ văn bản
Câu 220 Applications of Foundation Models

A healthcare company wants to extract relevant health information from unstructured clinical data such as physician's notes, discharge summaries, and test results from multiple hospitals.

Which ML-powered AWS service is the right fit to extract this data?

  1. A

    Amazon Rekognition
  2. B

    Amazon Comprehend
  3. C

    Amazon SageMaker
  4. D

    Amazon Comprehend Medical
Xem giải thích

Đáp án

D — Amazon Comprehend Medical

Vì sao đúng

Comprehend Medical là dịch vụ NLP chuyên ngành y tế, dựng để trích thông tin từ văn bản lâm sàng phi cấu trúc — đúng ba nguồn mà đề nêu: ghi chép của bác sĩ, tóm tắt ra viện, kết quả xét nghiệm.

Nó trích ra được những thực thể mà mô hình NLP thông thường không nhận ra: thuốc kèm liều lượng và tần suất, bệnh lý và triệu chứng, thủ thuật, kết quả xét nghiệm kèm giá trị. Quan trọng hơn, nó hiểu quan hệ và ngữ cảnh — biết được "không có tiền sử đái tháo đường" là phủ định, chứ không gắn nhãn bệnh nhân mắc bệnh đó.

Nó cũng có API riêng nhận diện PHI (thông tin sức khoẻ được bảo vệ) để che khi cần chia sẻ dữ liệu nghiên cứu.

Vì sao các phương án khác sai

  • B. Amazon Comprehend — bản thường trích được thực thể chung (người, địa điểm, ngày tháng) nhưng không hiểu thuật ngữ y khoa, không nhận ra quan hệ thuốc–liều, và không xử lý được phủ định lâm sàng. Đây là phương án nhiễu chính.
  • C. Amazon SageMaker — nền tảng để tự xây mô hình; làm được nhưng tốn công lớn so với dịch vụ đã có sẵn năng lực này.
  • A. Amazon Rekognition — phân tích ảnh và video, không đọc văn bản lâm sàng.