Ngân hàng đề — AWS Certified AI Practitioner
Tìm thấy 623 câu.
Which of the following use cases is addressed by Amazon Personalize?
-
A
Extract layout elements such as paragraphs, titles, lists, and more from documents
-
B
Generate recommendations for items that are similar to an item you specify
-
C
To offer personalized experiences for mobile subscriber activities such as activating a SIM card, adding a phone line, purchasing prepaid cards, requesting a service change
-
D
Offers highly accurate and easy-to-use enterprise search service that’s powered by machine learning
Xem giải thích
Đáp án
B — Sinh gợi ý cho những món tương tự với một món bạn chỉ định
Vì sao đúng
Amazon Personalize có các công thức (recipe) dựng sẵn cho từng kiểu gợi ý, và mô tả trong phương án B tương ứng với công thức SIMS (Item-to-item similarities) — dùng cho phần "sản phẩm tương tự" trên trang chi tiết.
Các công thức chính của dịch vụ:
- User-Personalization — gợi ý cá nhân hoá theo từng người dùng.
- SIMS — món tương tự với một món cho trước.
- Personalized-Ranking — sắp xếp lại một danh sách có sẵn theo sở thích người dùng.
Vì sao các phương án khác sai
Ba phương án còn lại là mô tả của các dịch vụ khác:
- D. Dịch vụ tìm kiếm doanh nghiệp chính xác, dễ dùng, chạy bằng học máy — Amazon Kendra.
- A. Trích các thành phần bố cục như đoạn văn, tiêu đề, danh sách từ tài liệu — Amazon Textract.
- C. Trải nghiệm cá nhân hoá cho hoạt động của thuê bao di động (kích hoạt SIM, thêm số, mua thẻ trả trước, đổi dịch vụ) — đây là bẫy tinh vi nhất vì có chữ "cá nhân hoá". Nhưng nó mô tả một luồng nghiệp vụ giao dịch, tức là việc của Amazon Connect hoặc Amazon Lex, không phải bài toán gợi ý nội dung.
A company has recently migrated to AWS Cloud and it wants to optimize the hardware used for its AI workflows.
Which of the following would you suggest?
-
A
Leverage either AWS Trainium or AWS Inferentia for the deep learning (DL) and generative AI inference applications
-
B
Leverage either AWS Trainium or AWS Inferentia for high-performance, cost-effective Deep Learning training
-
C
Leverage AWS Inferentia for high-performance, cost-effective Deep Learning training. Leverage AWS Trainium for the deep learning (DL) and generative AI inference applications
-
D
Leverage AWS Trainium for high-performance, cost-effective Deep Learning training. Leverage AWS Inferentia for the deep learning (DL) and generative AI inference applications
Xem giải thích
Đáp án
D — Dùng AWS Trainium cho huấn luyện học sâu; dùng AWS Inferentia cho suy luận học sâu và AI sinh
Vì sao đúng
Hai loại chip chuyên dụng của AWS, mỗi cái tối ưu cho một giai đoạn, và tên gọi đã nói ra công dụng:
| Trainium | Inferentia | |
|---|---|---|
| Dùng cho | Huấn luyện (train) | Suy luận (inference) |
| Ưu tiên tối ưu | Thông lượng tính toán cho khối lượng lớn | Độ trễ thấp và chi phí mỗi lần suy luận |
| Instance EC2 | trn1, trn2 |
inf1, inf2 |
Lý do phải có hai loại chip riêng: hai giai đoạn có hình dạng tính toán khác nhau. Huấn luyện xử lý lô lớn và cần lan truyền ngược cùng bộ nhớ lớn; suy luận xử lý từng yêu cầu nhỏ và cần trả lời nhanh. Chip tối ưu cho việc này thì lãng phí ở việc kia.
Về chi phí, đây là quyết định đáng cân nhắc: chip chuyên dụng thường rẻ hơn đáng kể so với GPU phổ thông cho cùng khối lượng công việc.
Vì sao các phương án khác sai
- C — đảo ngược hai chip; đây là phương án nhiễu chính.
- A — dùng cả hai cho suy luận, bỏ mất giai đoạn huấn luyện.
- B — dùng cả hai cho huấn luyện, bỏ mất giai đoạn suy luận.
An e-learning company is developing a Large Language Model (LLM) chatbot using Amazon Bedrock to enhance the personalized learning experience on its platform. The chatbot needs to dynamically tailor its responses based on the user's age group. By leveraging Amazon Bedrock's foundation models, the company aims to create an adaptive learning tool that delivers relevant, engaging, and age-appropriate support to a diverse user base.
As an AI Practitioner, which of the following solutions would you recommend?
-
A
Implement dynamic prompt engineering to customize responses based on user characteristics like age
-
B
Perform fine-tuning for the model to adjust the style or tone of responses based on user age
-
C
Leverage Retrieval-Augmented Generation (RAG) to customize responses based on user characteristics like age
-
D
Perform model re-training for tailoring responses based on user age
Xem giải thích
Đáp án
A — Dùng prompt engineering động để tuỳ biến câu trả lời theo đặc điểm người dùng như độ tuổi
Vì sao đúng
Yêu cầu ở đây là đổi giọng điệu và mức độ phức tạp theo nhóm tuổi — không phải bổ sung kiến thức mới. Prompt engineering động giải đúng bài toán đó: ứng dụng chèn thông tin nhóm tuổi vào prompt lúc chạy.
Người dùng 8 tuổi → "Giải thích như nói với học sinh lớp 3, dùng từ đơn giản và ví dụ vui"
Người dùng 17 tuổi → "Giải thích ở mức trung học phổ thông, dùng thuật ngữ chính xác"
Ba lý do đây là lựa chọn đúng:
- Đổi ngay lập tức — cùng một mô hình phục vụ mọi nhóm tuổi, không cần triển khai gì thêm.
- Không tốn chi phí huấn luyện — chỉ là chuỗi ký tự khác nhau.
- Sửa dễ — muốn chỉnh giọng điệu thì sửa prompt, thấy kết quả ngay.
Vì sao các phương án khác sai
- B. Fine-tuning để chỉnh phong cách theo độ tuổi — về nguyên tắc thì fine-tuning đúng là để dạy phong cách, nên phương án này không vô lý. Nhưng nó đòi một mô hình tuỳ chỉnh riêng cho mỗi nhóm tuổi, mỗi cái cần Provisioned Throughput riêng — tốn kém và cứng nhắc so với việc đổi một dòng prompt. Đây là phương án nhiễu chính.
- C. RAG — cung cấp dữ kiện từ kho tài liệu; nó không đổi được giọng điệu.
- D. Huấn luyện lại mô hình — tốn kém nhất và hoàn toàn không cần thiết cho việc đổi cách diễn đạt.
Consider a scenario where a fully-managed AWS service needs to be used for automating the extraction of insights from legal briefs such as contracts and court records.
What do you recommend?
-
A
Amazon Comprehend
-
B
Amazon Rekognition
-
C
Amazon Translate
-
D
Amazon Transcribe
Xem giải thích
Đáp án
A — Amazon Comprehend
Vì sao đúng
Đề nêu hai điều kiện: dịch vụ được quản lý hoàn toàn và trích xuất hiểu biết từ văn bản — hợp đồng và hồ sơ toà án đều đã ở dạng chữ.
Comprehend làm đúng nhóm việc đó: nhận diện thực thể (tên người, tổ chức, ngày tháng, số tiền), rút cụm từ khoá, phát hiện chủ đề, và phân tích cảm xúc. Với văn bản pháp lý, nó còn có custom entity recognition để bạn dạy nó nhận ra những loại thực thể riêng của ngành như "bên thuê", "điều khoản chấm dứt", "thời hạn hiệu lực".
Vì sao các phương án khác sai
- B. Amazon Rekognition — phân tích ảnh và video.
- C. Amazon Translate — dịch văn bản sang ngôn ngữ khác; nó không rút ra hiểu biết nào.
- D. Amazon Transcribe — chuyển giọng nói thành văn bản; hồ sơ pháp lý đã là chữ rồi.
Lưu ý về một tình huống thường gặp
Nếu hợp đồng ở dạng ảnh quét hoặc PDF scan, quy trình đầy đủ là hai bước: Textract đọc chữ ra khỏi ảnh trước, rồi Comprehend phân tích chữ đó. Câu hỏi này giả định văn bản đã ở dạng đọc được nên chỉ cần Comprehend.
A wildlife research organization has gathered thousands of images from camera traps in natural reserves worldwide, capturing various animal species. To support their research and conservation efforts, the organization wants to build a system that can automatically identify and categorize each animal in these images accurately and efficiently. The organization is evaluating different AI and machine learning techniques to achieve this goal.
Which approach would you suggest to effectively recognize and categorize the various animal species in their image dataset?
-
A
The company should use named entity recognition, a technique for identifying entities like names, places, or dates
-
B
The company should use face recognition, a computer vision technique specifically designed to identify faces in images or videos
-
C
The company should use thermal imaging, a technique that detects heat patterns and variations, which can identify living beings in low-visibility conditions
-
D
The company should use object detection, which involves identifying and locating specific objects within an image
Xem giải thích
Đáp án
D — Object detection (phát hiện vật thể)
Vì sao đúng
Bài toán là nhận ra và phân loại từng con vật trong ảnh bẫy camera, và phát hiện vật thể làm đúng hai việc cùng lúc: xác định có gì trong ảnh và khoanh vùng nó nằm ở đâu.
Vế thứ hai mới là lý do nó hơn phân loại ảnh thuần trong trường hợp này: ảnh bẫy camera thường có nhiều con vật trong cùng một khung, hoặc con vật chỉ chiếm một góc nhỏ giữa cảnh rừng. Phân loại ảnh chỉ gán một nhãn cho cả bức; phát hiện vật thể tách được từng cá thể và đếm được số lượng — dữ liệu mà nghiên cứu bảo tồn cần.
Vì sao các phương án khác sai
- B. Face recognition — kỹ thuật thị giác máy tính dựng riêng cho khuôn mặt người; nó không áp dụng cho việc phân biệt loài động vật.
- A. Named entity recognition — kỹ thuật của NLP, làm việc với văn bản chứ không phải ảnh.
- C. Thermal imaging — là công nghệ cảm biến (chụp ảnh nhiệt), không phải kỹ thuật AI. Nó có thể cho ra loại ảnh khác để phân tích, nhưng bản thân không nhận dạng hay phân loại gì.
Which of the following represents the CORRECT statement regarding Amazon SageMaker Model Cards?
-
A
Model cards cannot be created for models not trained on Amazon SageMaker
-
B
Describes how a model should be used in a production environment
-
C
Model Cards can be customized to meet the business needs
-
D
The purpose of a Model card is to describe the technical requirements to which an ML model should be deployed
Xem giải thích
Đáp án
*B — Model card mô tả mô hình nên được dùng thế nào trong môi trường sản xuất
Vì sao đúng
Đây là mục đích cốt lõi của SageMaker Model Card: ghi lại mục đích sử dụng dự kiến của mô hình, kèm xếp hạng rủi ro, chi tiết huấn luyện, chỉ số đánh giá và những quan sát cần lưu ý.
Giá trị thực tế nằm ở tính bền theo thời gian: người xây mô hình có thể chuyển việc, nhưng model card vẫn ở đó để người tiếp quản biết mô hình được huấn luyện trên dữ liệu nào, đạt kết quả ra sao, và không nên dùng cho việc gì.
Vì sao các phương án khác sai
- A. Không tạo được model card cho mô hình không huấn luyện trên SageMaker — sai: model card tạo được cho mô hình huấn luyện ở bất cứ đâu, kể cả bên ngoài AWS. Đây là điểm quan trọng vì nhiều tổ chức có mô hình cũ cần đưa vào cùng một khuôn khổ quản trị.
- D. Mục đích là mô tả yêu cầu kỹ thuật để triển khai mô hình — thu hẹp sai: đó là việc của tài liệu triển khai. Model card nói về mục đích, rủi ro và giới hạn, không phải cấu hình hạ tầng.
- C. Model card tuỳ biến được theo nhu cầu doanh nghiệp — model card có những trường tự do để bạn ghi thêm, nhưng cấu trúc của nó do SageMaker định sẵn; câu này mô tả tính linh hoạt chứ không mô tả mục đích, nên không phải khẳng định đúng mà câu hỏi tìm.
A company is using Amazon Personalize to build a recommendations engine for its e-commerce application. As part of the process, the data from ten different sources needs to be processed and imported into Amazon Personalize.
Which AWS service will help import, prepare, and transform data before it is fed into Amazon Personalize?
-
A
Amazon SageMaker Clarify
-
B
Amazon SageMaker Feature Store
-
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 ba việc — nhập, chuẩn bị và biến đổi dữ liệu từ mười nguồn khác nhau trước khi nạp vào Personalize — và cả ba đều thuộc khâu chuẩn bị dữ liệu mà Data Wrangler phụ trách.
Chi tiết "mười nguồn" là chỗ Data Wrangler phát huy: nó nối được vào S3, Athena, Redshift, Snowflake, và nhiều cơ sở dữ liệu khác, rồi gộp chúng lại thành một tập thống nhất.
Đây là bước bắt buộc vì Personalize đòi dữ liệu theo đúng khuôn nó quy định — ba loại tập dữ liệu (tương tác, món hàng, người dùng) với các cột bắt buộc như USER_ID, ITEM_ID, TIMESTAMP. Dữ liệu thô từ mười hệ thống chắc chắn không sẵn ở dạng đó.
Vì sao các phương án khác sai
- B. Feature Store — lưu đặc trưng đã tính xong; nó không nhập và biến đổi dữ liệu thô.
- C. Ground Truth — gán nhãn dữ liệu; Personalize học từ hành vi thật của người dùng, không cần ai gán nhãn.
- A. Clarify — phát hiện sai lệch và giải thích dự đoán.
A retail company wants to simplify how its employees access and analyze sales data stored in a large database. To achieve this, the company aims to implement a solution that automatically converts plain English text commands, such as "show total sales for the last quarter" or "list top-selling products," into SQL queries. This would allow employees without technical skills to interact with the database seamlessly, improving efficiency and decision-making.
Which of the following solutions would be most suitable for this purpose?
-
A
The company should use a Residual Neural Network (ResNet), for generating text-based outputs like SQL queries, as it is specifically tailored for natural language understanding
-
B
The company should use Amazon Comprehend, to interpret natural language inputs and generating coherent outputs, such as SQL queries, by leveraging its understanding of language patterns and structures
-
C
The company should use WaveNet, which is suitable for understanding or generating text, and therefore can be used to create highly optimized SQL queries from input text
-
D
The company should use GPT (Generative Pre-trained Transformer), to interpret natural language inputs and generating coherent outputs, such as SQL queries, by leveraging its understanding of language patterns and structures
Xem giải thích
Đáp án
D — GPT (Generative Pre-trained Transformer)
Vì sao đúng
Bài toán ở đây là dịch từ ngôn ngữ tự nhiên sang SQL, và đó là nhiệm vụ sinh văn bản có cấu trúc — đúng thế mạnh của mô hình ngôn ngữ lớn dựa trên Transformer.
Nó làm được nhờ hai điều: hiểu được ý định trong câu tiếng Anh, và đã học cú pháp SQL từ khối lượng mã khổng lồ trong dữ liệu huấn luyện. Đầu ra là một câu truy vấn hợp lệ, không phải một mô tả về câu truy vấn.
Trong thực tế thì cách triển khai còn cần thêm lược đồ cơ sở dữ liệu đưa vào prompt để mô hình biết tên bảng và tên cột — nhưng loại mô hình thì đúng là GPT.
Vì sao các phương án khác sai
- B. Amazon Comprehend — hiểu văn bản (rút thực thể, cảm xúc, chủ đề) nhưng không sinh ra văn bản mới. Đây là phương án nhiễu chính, và điểm phân biệt là phân tích so với sinh.
- A. ResNet — mạng tích chập sâu dùng cho ảnh; câu mô tả gán cho nó khả năng "chuyên về hiểu ngôn ngữ tự nhiên" là sai hoàn toàn.
- C. WaveNet — mô hình sinh âm thanh, dùng cho chuyển văn bản thành giọng nói.
A legal firm is digitizing a large volume of contracts and other legal documents to streamline document management and analysis. The firm is looking for AWS machine learning services that can automatically detect and extract text from scanned images and photos of these documents. Understanding which services specialize in text extraction from images will help the firm choose the right solution for automating its document processing workflow.
Which AWS ML services will you recommend to the firm? (Select two)
-
A
Amazon Textract
-
B
Amazon Lex
-
C
Amazon Comprehend
-
D
Amazon Rekognition
-
E
Amazon Polly
Xem giải thích
Đáp án
A và D — Amazon Textract và Amazon Rekognition
Vì sao đúng
Cả hai đều đọc được chữ từ ảnh, nhưng ở hai mức độ khác nhau và phục vụ hai nhu cầu khác nhau:
| Amazon Textract | Amazon Rekognition | |
|---|---|---|
| Dựng cho | Tài liệu — hợp đồng, biểu mẫu, hoá đơn | Chữ trong cảnh vật — biển hiệu, biển số |
| Trả về | Chữ kèm cấu trúc: bảng, biểu mẫu, cặp trường–giá trị | Chuỗi chữ rời kèm toạ độ |
| Giới hạn | Xử lý được tài liệu nhiều trang | Chỉ vài chục từ mỗi ảnh |
Với công ty luật trong đề, Textract là lựa chọn chính — hợp đồng có bảng biểu và biểu mẫu cần giữ cấu trúc. Rekognition dùng được cho ảnh chụp nhanh bằng điện thoại, nơi chỉ cần lấy vài dòng chữ.
Vì sao các phương án khác sai
- C. Amazon Comprehend — phân tích văn bản đã có sẵn; nó là bước sau Textract, không đọc được ảnh. Đây là phương án nhiễu chính vì nó rất liên quan tới quy trình chung.
- B. Amazon Lex — xây giao diện hội thoại.
- E. Amazon Polly — chuyển văn bản thành giọng nói, tức là đi ngược chiều.
A large enterprise is looking to implement an AI-powered assistant to help employees across departments streamline their work by answering questions, summarizing reports, generating content, and securely accessing data from internal systems. The company needs a solution that can seamlessly integrate with its enterprise systems while ensuring data privacy and security. The team is exploring various generative AI-powered assistants that can fulfill these requirements.
Which of the following is a generative AI–powered assistant that can answer questions, provide summaries, generate content, and securely complete tasks based on data and information in the enterprise systems?
-
A
Amazon Q in QuickSight
-
B
Amazon Q in Connect
-
C
Amazon Q Business
-
D
Amazon Q Developer
Xem giải thích
Đáp án
C — Amazon Q Business
Vì sao đúng
Đề mô tả đúng Q Business: trợ lý AI sinh cho nhân viên toàn công ty, trả lời câu hỏi, tóm tắt báo cáo, sinh nội dung, và hoàn thành tác vụ an toàn dựa trên dữ liệu trong hệ thống nội bộ.
Vế cuối là điểm quyết định. Q Business có sẵn hàng chục connector vào S3, SharePoint, Salesforce, Confluence, Jira; nó đánh chỉ mục nội dung rồi trả lời theo mô hình RAG. Quan trọng hơn, nó tôn trọng quyền của từng người: nhân viên chỉ nhận được câu trả lời dựa trên tài liệu họ vốn được phép xem — nhờ tích hợp với IAM Identity Center.
Vì sao các phương án khác sai
Cả bốn đều là Q, nên phải phân biệt theo đối tượng phục vụ:
| Biến thể | Dành cho |
|---|---|
| C. Q Business | Nhân viên toàn doanh nghiệp |
| A. Q in QuickSight | Người phân tích — hỏi dữ liệu bằng ngôn ngữ tự nhiên |
| B. Q in Connect | Nhân viên tổng đài — gợi ý theo thời gian thực |
| D. Q Developer | Lập trình viên — viết mã, hiểu hạ tầng AWS |