Ngân hàng đề — AWS Certified AI Practitioner
Tìm thấy 623 câu.
Match the following AWS services to the respective use cases:
A) Amazon Textract
B) Amazon Forecast
C) Amazon Kendra
1) Easy-to-use enterprise search service that’s powered by machine learning
2) Automatically extract printed text, handwriting, layout elements, and data from any document
3) Forecast business outcomes easily and accurately using machine learning
-
A
A-1, B-3, C-2
-
B
A-3, B-2, C-1
-
C
A-2, B-1, C-3
-
D
A-2, B-3, C-1
Xem giải thích
Đáp án
D — A-2, B-3, C-1
Ghép đúng
| Dịch vụ | Mô tả | Từ khoá nhận dạng |
|---|---|---|
| A. Textract | 2 — trích chữ in, chữ viết tay, thành phần bố cục và dữ liệu từ tài liệu | document |
| B. Forecast | 3 — dự báo kết quả kinh doanh bằng học máy | forecast |
| C. Kendra | 1 — dịch vụ tìm kiếm doanh nghiệp dễ dùng, chạy bằng học máy | search |
Cách gỡ nhanh
Mỗi cặp đều có một từ khoá trùng tên hoặc trùng chức năng, nên chỉ cần chắc chắn về một cặp là loại được phần lớn phương án:
- "Forecast business outcomes" → Amazon Forecast → B-3. Riêng điều này loại A, B và C.
- Còn lại A-2 (Textract đọc tài liệu) và C-1 (Kendra tìm kiếm) đều khớp.
Vì sao các phương án khác sai
- A. A-1, B-3, C-2 — đúng Forecast nhưng đảo Textract với Kendra.
- C. A-2, B-1, C-3 — đúng Textract nhưng đảo Forecast với Kendra.
- B. A-3, B-2, C-1 — đúng Kendra nhưng đảo hai cái còn lại.
A financial services company is developing machine learning models using Amazon SageMaker to automate loan approvals and fraud detection. To ensure transparency and compliance with industry regulations, the data science team needs a tool that documents the model’s intended uses, performance metrics, and any assumptions made during development. This documentation is crucial for maintaining accountability and ensuring that the models are used appropriately.
Which Amazon SageMaker tool meets these requirements?
-
A
Amazon SageMaker Canvas
-
B
Amazon SageMaker Model Cards
-
C
Amazon SageMaker Clarify
-
D
Amazon SageMaker Model Monitor
Xem giải thích
Đáp án
B — Amazon SageMaker Model Cards
Vì sao đúng
Đề nêu ba thứ cần ghi lại — mục đích sử dụng dự kiến, chỉ số hiệu năng, và các giả định đặt ra trong quá trình phát triển — và cả ba đều là trường thông tin của model card.
Model card là hồ sơ đi kèm mô hình, phục vụ quản trị và trách nhiệm giải trình. Với công ty tài chính thì giá trị lớn nhất là tính bền theo thời gian: khi cơ quan quản lý hỏi về một mô hình duyệt khoản vay đã chạy hai năm, model card là nơi có câu trả lời — kể cả khi người xây nó đã nghỉ việc.
Vì sao các phương án khác sai
- D. Model Monitor — theo dõi mô hình đang chạy để phát hiện trôi dữ liệu; nó tạo ra số liệu, không phải tài liệu.
- C. Clarify — phát hiện sai lệch và giải thích dự đoán; kết quả của nó được ghi vào model card chứ bản thân không phải công cụ lập hồ sơ.
- A. Canvas — xây mô hình không cần viết mã.
A company is building an image recognition model to automate its quality assurance process. High accuracy in image annotation is critical to ensure the model can correctly identify defective products. To minimize the risk of incorrect annotations, the company needs a reliable labeling solution.
What is the best approach to achieve high accuracy and reduce the risk of errors in image annotations?
-
A
Automatically generate labels using an existing pre-trained model
-
B
Allow a small team of internal employees to manually label the images
-
C
Use GroundTruth Plus to label the data
-
D
Use a simple rule-based algorithm to assign labels based on image characteristics
Xem giải thích
Đáp án
C — Dùng Ground Truth Plus để gán nhãn dữ liệu
Vì sao đúng
Chữ khoá của đề là độ chính xác cao và giảm thiểu rủi ro gán nhãn sai cho bài toán kiểm tra chất lượng sản phẩm.
Ground Truth Plus là dịch vụ được quản lý trọn gói: AWS cung cấp đội gán nhãn đã qua đào tạo, quy trình kiểm soát chất lượng, và cơ chế đồng thuận nhiều người — cùng một ảnh được nhiều người gán rồi đối chiếu. Bạn chỉ cần đưa dữ liệu và yêu cầu.
Đây là điểm khác với Ground Truth thường: bản thường cho bạn công cụ để tự tổ chức việc gán nhãn; bản Plus làm hộ cả việc quản lý đội và bảo đảm chất lượng.
Vì sao các phương án khác sai
- A. Tự sinh nhãn bằng mô hình huấn luyện sẵn — mô hình sẵn có không biết thế nào là lỗi sản phẩm của riêng công ty này; nó sẽ truyền chính sai sót của nó vào tập nhãn.
- B. Để một nhóm nhỏ nhân viên nội bộ gán tay — không mở rộng được, và không có cơ chế kiểm soát chất lượng: một người gán sai thì không ai phát hiện.
- D. Dùng thuật toán dựa trên luật theo đặc điểm ảnh — lỗi sản phẩm quá đa dạng để mô tả bằng luật; nếu viết được luật thì đã chẳng cần mô hình học máy.
A company needs to process a large inference payload of several gigabytes (GBs) for its machine learning model built using Amazon SageMaker. The company's systems can tolerate some waiting time for the responses. Which inference method would be the most suitable for this scenario?
-
A
The company should use batch inference, which processes multiple data points at once in large batches, suitable for processing large datasets in a single operation when immediate real-time responses are not required
-
B
The company should use serverless inference, which automatically scales resources based on traffic
-
C
The company should use real-time inference, which is designed for low-latency predictions where responses are needed instantly
-
D
The company should use asynchronous inference, which allows the model to handle large or complex payloads by queuing requests and processing them in the background, making it ideal when systems can wait for responses
Xem giải thích
Đáp án
A — Batch inference
Vì sao đúng
Dữ kiện quyết định là payload vài gigabyte. Con số đó vượt giới hạn của mọi kiểu suy luận khác:
| Kiểu suy luận | Payload tối đa |
|---|---|
| Real-time | 6 MB |
| Serverless | 4 MB |
| Asynchronous | 1 GB |
| Batch transform | Rất lớn — không bị chặn ở mức GB |
Batch transform không phục vụ qua endpoint mà khởi động một job, xử lý trọn tệp dữ liệu từ S3 rồi ghi kết quả về S3. Tài nguyên chỉ tồn tại trong lúc chạy, nên cũng rẻ hơn.
Vì sao các phương án khác sai
- D. Asynchronous inference — mô tả trong phương án nghe rất khớp ("payload lớn hoặc phức tạp, xếp hàng chờ, hợp khi hệ thống chờ được"), và đây là phương án nhiễu chính. Nhưng nó có trần cứng 1 GB, mà đề nói "vài GB" — nên loại vì con số, không phải vì mô tả.
- C. Real-time — giới hạn 6 MB và trả giá cho endpoint chạy 24/7 trong khi đề nói chờ được.
- B. Serverless — giới hạn còn nhỏ hơn nữa, chỉ 4 MB.
Ghi nhớ
Với dạng câu hỏi chọn kiểu suy luận, hãy tìm kích thước payload trước — nó thường loại được ba phương án chỉ bằng một con số.
A traffic monitoring application needs to detect license plate numbers for the vehicles that pass a certain location from 11 PM to 7 AM every day.
Which ML-powered AWS service is the right fit for this requirement?
-
A
Amazon Textract
-
B
Amazon Rekognition
-
C
Amazon SageMaker JumpStart
-
D
Amazon SageMaker image classification algorithm
Xem giải thích
Đáp án
B — Amazon Rekognition
Vì sao đúng
Nhận diện biển số xe từ camera giao thông là bài toán đọc chữ trong cảnh vật, và đó đúng là thứ API DetectText của Rekognition được thiết kế cho: chữ xuất hiện trong ảnh chụp thế giới thực — biển hiệu, biển số, chữ trên áo — thường bị nghiêng, mờ, hoặc thiếu sáng.
Chi tiết từ 23 giờ tới 7 giờ sáng trong đề càng củng cố lựa chọn này: đây là ảnh camera ban đêm, không phải tài liệu quét.
Rekognition cũng xử lý được video theo luồng, nên phù hợp với camera giám sát liên tục.
Vì sao các phương án khác sai
- A. Amazon Textract — dựng cho tài liệu: hợp đồng, biểu mẫu, hoá đơn. Nó mạnh ở việc giữ cấu trúc bảng biểu, nhưng không tối ưu cho chữ trong cảnh vật. Đây là phương án nhiễu chính.
- C. SageMaker JumpStart — kho mô hình dựng sẵn; bạn vẫn phải tự triển khai và tuỳ chỉnh.
- D. Thuật toán phân loại ảnh của SageMaker — gán một nhãn cho cả bức ảnh, không đọc được chuỗi ký tự trên biển số.
A company needs to extract handwritten words and letters from scanned documents. Which ML-powered AWS service is the right fit for this requirement?
-
A
Amazon Textract
-
B
Amazon Rekognition
-
C
Amazon Kendra
-
D
Amazon Transcribe
Xem giải thích
Đáp án
A — Amazon Textract
Vì sao đúng
Textract đọc được cả chữ in lẫn chữ viết tay từ tài liệu quét — và khả năng đọc chữ viết tay là điểm phân biệt chính trong câu này.
Nó cũng làm nhiều hơn OCR thuần: nhận ra bảng, biểu mẫu và cặp trường–giá trị, nên với biểu mẫu điền tay thì bạn nhận được dữ liệu đã gắn đúng vào từng ô chứ không phải một khối chữ rời rạc.
Vì sao các phương án khác sai
-
B. Amazon Rekognition — đọc được chữ trong ảnh, nhưng dựng cho chữ trong cảnh vật (biển hiệu, biển số) chứ không phải tài liệu; nó cũng không xử lý tốt chữ viết tay. Đây là phương án nhiễu chính, và cặp Textract–Rekognition bị hỏi đối chiếu liên tục:
Textract Rekognition Dựng cho Tài liệu Cảnh vật Chữ viết tay Có Kém Giữ cấu trúc Có — bảng, biểu mẫu Không -
C. Amazon Kendra — dịch vụ tìm kiếm doanh nghiệp; nó tìm trong văn bản đã có, không trích chữ từ ảnh.
-
D. Amazon Transcribe — chuyển giọng nói thành văn bản.
A law firm is handling an increasing volume of legal documents, including contracts, agreements, and case files, and seeks to streamline its document review process by automatically extracting key information such as important clauses, dates, and entities. The firm wants to implement an automated solution that can efficiently handle this task, reducing the time and effort required for manual review while ensuring accuracy in identifying critical details within the documents.
Which of the following options would you suggest for achieving this goal? (Select three)
-
A
Amazon Comprehend
-
B
Convolutional Neural Network (CNN)
-
C
Generative AI powered summarization chatbot
-
D
Amazon Textract
-
E
Amazon Personalize
-
F
WaveNet
Xem giải thích
Đáp án
A, C và D — Amazon Comprehend, chatbot tóm tắt dùng AI sinh, và Amazon Textract
Vì sao đúng
Ba lựa chọn này ghép thành một quy trình xử lý tài liệu hoàn chỉnh:
Hợp đồng bản quét
│
▼ D. Amazon Textract → trích chữ và cấu trúc ra khỏi ảnh
Văn bản có cấu trúc
│
├──▶ A. Amazon Comprehend → nhận diện thực thể: ngày, tên bên, số tiền,
│ và với custom entity thì cả "điều khoản chấm dứt"
│
└──▶ C. Chatbot AI sinh → tóm tắt nội dung, trả lời câu hỏi về hợp đồng
Mỗi cái lo một tầng: Textract lo đọc, Comprehend lo trích có cấu trúc, AI sinh lo hiểu và diễn đạt. Với công ty luật thì cả ba đều cần vì tài liệu vào ở dạng quét còn kết quả ra phải vừa là dữ liệu vừa là bản tóm tắt cho người đọc.
Vì sao các phương án khác sai
- B. CNN — mạng tích chập cho ảnh; về lý thuyết là nền của OCR, nhưng tự xây CNN cho việc này là làm lại thứ Textract đã có.
- E. Amazon Personalize — hệ gợi ý cá nhân hoá, không liên quan.
- F. WaveNet — mô hình sinh âm thanh.
A tech company is building machine learning models using Amazon SageMaker Studio and wants to streamline its development process. The data science team prefers using familiar Integrated Development Environments (IDEs) to write, test, and debug code more efficiently. To ensure a smooth workflow, the team is exploring which IDEs are supported within SageMaker Studio to maximize productivity and compatibility with their existing tools.
Which of the following address the given requirement?
-
A
RStudio
-
B
JupyterLab
-
C
Code Editor
-
D
All
Xem giải thích
Đáp án
D — Tất cả
Vì sao đúng
Amazon SageMaker Studio hỗ trợ cả ba môi trường phát triển, và bạn chọn theo thói quen của từng người trong đội:
| IDE | Hợp với |
|---|---|
| JupyterLab | Notebook — khám phá dữ liệu, thử nghiệm tương tác |
| Code Editor | Dựa trên Visual Studio Code — Open Source; viết mã dạng dự án, gỡ lỗi |
| RStudio | Người dùng ngôn ngữ R, phổ biến trong thống kê và nghiên cứu y sinh |
Điểm quan trọng là tất cả chạy trong cùng một môi trường Studio: chung dữ liệu, chung quyền IAM, chung tài nguyên tính toán. Đội không phải chọn một cái rồi ép mọi người theo — nhà khoa học dữ liệu dùng JupyterLab, kỹ sư dùng Code Editor, nhà thống kê dùng RStudio, mà vẫn làm chung một dự án.
Vì sao các phương án khác sai
A, B và C đều đúng nhưng không đầy đủ. Với dạng câu hỏi có phương án "tất cả", cách làm đúng là kiểm từng cái xem có sai cái nào không — ở đây không cái nào sai.
A healthcare analytics company is using Amazon SageMaker Automatic Model Tuning (AMT) to optimize its machine learning models for predicting patient outcomes. To ensure the models are performing at their best, the data science team is configuring the autotune settings but needs to understand which parameters are mandatory for successful tuning. Properly setting these configurations will allow the team to enhance model accuracy and performance efficiently.
Which of the following options is mandatory for the given use case?
-
A
Hyperparameter ranges
-
B
Number of jobs
-
C
None
-
D
Tuning strategy
Xem giải thích
Đáp án
C — Không có tham số nào bắt buộc
Vì sao đúng
Đây là điểm mấu chốt của tính năng autotune trong SageMaker Automatic Model Tuning: nó tự chọn mọi thứ giúp bạn.
Khi bật autotune, SageMaker tự quyết định:
- Khoảng giá trị siêu tham số — dựa trên thuật toán bạn dùng và kinh nghiệm tích luỹ từ các job trước.
- Số lượng job huấn luyện cần chạy.
- Chiến lược tìm kiếm (Bayesian, ngẫu nhiên, lưới).
- Cấu hình dừng sớm và tài nguyên.
Mục đích của tính năng là hạ rào cản: người chưa có kinh nghiệm tinh chỉnh vẫn chạy được một vòng tối ưu hợp lý, thay vì phải đoán xem learning rate nên nằm trong khoảng nào.
Bạn vẫn khai được bất kỳ tham số nào nếu muốn kiểm soát — nhưng đó là tuỳ chọn, không phải bắt buộc.
Vì sao các phương án khác sai
- A. Hyperparameter ranges, B. Number of jobs, D. Tuning strategy — cả ba đều là tham số có thật và khai được, nhưng khi dùng autotune thì không cái nào bắt buộc. Đó chính là điều câu hỏi kiểm tra.
A financial services company is scaling its machine learning operations on AWS to automate loan approvals and detect fraud. To ensure compliance with industry regulations and maintain model transparency, the data science team needs to implement governance tools provided by Amazon SageMaker to ensure models are used responsibly.
Which of the following would you recommend as governance tools for the given use case?
-
A
Amazon SageMaker Model Dashboard, Amazon SageMaker Role Manager, Amazon SageMaker Model Monitor
-
B
Amazon SageMaker Model Dashboard, Amazon SageMaker Role Manager, Amazon SageMaker Clarify
-
C
Amazon SageMaker Role Manager, Amazon SageMaker Model Monitor, Amazon SageMaker Studio
-
D
Amazon SageMaker Role Manager, Amazon SageMaker Model Cards, Amazon SageMaker Model Dashboard
Xem giải thích
Đáp án
D — SageMaker Role Manager, SageMaker Model Cards, SageMaker Model Dashboard
Vì sao đúng
Đây là đúng ba công cụ mà AWS xếp vào nhóm quản trị (governance) của SageMaker, và mỗi cái phủ một mặt của quản trị:
| Công cụ | Trả lời câu hỏi |
|---|---|
| Role Manager | Ai được làm gì? — tạo vai IAM theo mẫu quyền tối thiểu |
| Model Cards | Mô hình này dùng để làm gì, rủi ro ra sao, đã đánh giá thế nào? |
| Model Dashboard | Chúng ta đang có những mô hình nào, tình trạng ra sao? |
Ba câu hỏi đó — quyền, hồ sơ, và bức tranh tổng thể — chính là ba trụ của quản trị mô hình. Với công ty tài chính bị quản lý chặt thì thiếu bất kỳ cái nào cũng là lỗ hổng khi kiểm toán.
Vì sao các phương án khác sai
Ba phương án còn lại đều thay một công cụ quản trị bằng một công cụ kỹ thuật:
- A và C — thay Model Cards bằng Model Monitor; Model Monitor theo dõi chất lượng vận hành của mô hình, hữu ích nhưng không phải công cụ lập hồ sơ quản trị. Đây là nhầm lẫn dễ mắc nhất.
- B — thay Model Cards bằng Clarify; Clarify là công cụ phân tích sai lệch, kết quả của nó được ghi vào model card.
- C còn thay Model Dashboard bằng Studio, vốn là môi trường phát triển.