Ngân hàng đề — AWS Certified AI Practitioner

🔎 Phân tích câu hỏi
Câu hỏi yêu cầu một giải pháp tự động nhận diện và phân loại các loài động vật trong một kho ảnh mà không cần can thiệp của con người. Điều này thuộc về xử lý ảnh (computer vision): cần một mô hình có khả năng “nhìn” vào ảnh, xác định các đối tượng (động vật) và gán nhãn (loài, loại).

Trong môi trường AWS, các dịch vụ thường được dùng cho nhu cầu này bao gồm:

• Amazon Rekognition – có sẵn các API Object & Scene Detection và Custom Labels cho phép phát hiện và gán nhãn các đối tượng trong ảnh.
• Amazon SageMaker – có các thuật toán Object Detection (ví dụ: SSD, Faster‑RCNN) và tính năng Ground Truth để gán nhãn tự động.

Do đó, chiến lược cần chọn là Object detection – một kỹ thuật Machine Learning chuyên dùng để phát hiện vị trí (bounding box) và lớp (class) của các đối tượng trong ảnh.

✅ Đáp án đúng: Object detection

Lý do lựa chọn

• Object detection cho phép xác định (detect) vị trí và phân loại (classify) các đối tượng trong ảnh, đúng với yêu cầu “identify and categorize the animals”.
• Trên AWS, có thể triển khai nhanh bằng Amazon Rekognition Custom Labels hoặc SageMaker Object Detection mà không cần viết code phức tạp.
• Hoạt động hoàn toàn tự động, không cần sự can thiệp của con người sau khi mô hình được huấn luyện.

🧩 Giải thích các phương án còn lại

• Anomaly detection
  ❌ Anomaly detection (phát hiện bất thường) dùng để nhận diện các mẫu dữ liệu lệch so với xu hướng chung – ví dụ phát hiện giao dịch gian lận hoặc lỗi trong log.
  👉 Trong bối cảnh ảnh động vật, nó chỉ có thể chỉ ra “ảnh nào khác biệt” mà không biết đó là loài gì. Vì vậy không đáp ứng yêu cầu nhận dạng & phân loại.
  📘 Tham khảo: Amazon SageMaker Anomaly Detection

• Named entity recognition
  ❌ Named Entity Recognition (NER) là kỹ thuật xử lý ngôn ngữ tự nhiên (NLP), dùng để nhận diện các thực thể (person, organization, location…) trong văn bản.
  👉 Không áp dụng cho ảnh; không thể “nhìn” và “gán nhãn” các loài động vật.
  📘 Tham khảo: Amazon Comprehend – Named Entity Recognition

• Inpainting
  ❌ Inpainting là kỹ thuật tái tạo/điền đầy các vùng thiếu hoặc bị hỏng trong ảnh (hoặc video). Mục tiêu là khôi phục hình ảnh, không phải phát hiện hoặc phân loại đối tượng.
  👉 Không liên quan tới việc nhận dạng các loài động vật.
  📘 Tham khảo: Amazon SageMaker Image Inpainting Example

🛠️ Cách triển khai “Object detection” trên AWS (2026)

1. Amazon Rekognition – Custom Labels

   • Tải lên bộ dữ liệu ảnh và gán nhãn (loài động vật) bằng công cụ auto‑labeling hoặc manual labeling.
   • Rekognition tự động huấn luyện mô hình object detection và cung cấp API DetectCustomLabels.
   • Ưu điểm: không cần quản lý hạ tầng, thời gian triển khai nhanh (vài giờ).

2. Amazon SageMaker – Built‑in Algorithm

   • Sử dụng SageMaker Object Detection (với thuật toán SSD hoặc Faster‑RCNN) và Ground Truth để gán nhãn tự động.
   • Cho phép tùy chỉnh sâu (hyper‑parameter, kiến trúc) và mở rộng quy mô bằng SageMaker Training Jobs và Endpoints.
   • Ưu điểm: linh hoạt, kiểm soát tối đa, phù hợp với tập dữ liệu lớn và yêu cầu độ chính xác cao.

3. Pipeline tự động (AWS Step Functions + SageMaker Pipelines)

   • Xây dựng quy trình tự động: ingest → pre‑process → train → deploy → inference.
   • Dễ dàng tích hợp với Amazon S3 để lưu trữ ảnh, Amazon EventBridge để kích hoạt khi có ảnh mới.

📚 Tham khảo tài liệu

• Amazon Rekognition Custom Labels – https://docs.aws.amazon.com/rekognition/latest/customlabels-dg/what-is.html
• Amazon SageMaker Object Detection Algorithm – https://docs.aws.amazon.com/sagemaker/latest/dg/object-detection.html
• Amazon SageMaker Ground Truth – https://docs.aws.amazon.com/sagemaker/latest/dg/gt.html
• AWS Well‑Architected Framework – Machine Learning Lens (2025 update) – https://d1.awsstatic.com/whitepapers/architecture/AWS-Machine-Learning-Well-Architected-Framework.pdf

Tóm tắt:
✅ Object detection là chiến lược duy nhất đáp ứng yêu cầu tự động nhận diện và phân loại các loài động vật trong ảnh. Các lựa chọn còn lại (Anomaly detection, Named entity recognition, Inpainting) không phù hợp vì chúng giải quyết các vấn đề hoàn toàn khác (phát hiện bất thường, xử lý ngôn ngữ, phục hồi ảnh).

Hy vọng phân tích chi tiết này giúp bạn nắm rõ lý do lựa chọn và cách thực hiện trên AWS! 🚀

🔎 Phân tích câu hỏi

• Bối cảnh: Một công ty muốn xây dựng ứng dụng bằng Amazon Bedrock.
• Ràng buộc: ngân sách hạn chế, mong muốn tính linh hoạt và không muốn ký hợp đồng dài hạn.
• Yêu cầu: chọn mô hình định giá của Amazon Bedrock phù hợp nhất với những tiêu chí trên.

Amazon Bedrock (dịch vụ ML đám mây cho các mô hình ngôn ngữ lớn) hiện hỗ trợ các hình thức thanh toán chính:

1. On‑Demand – trả tiền theo lượng sử dụng (số token đầu vào/đầu ra). Không cần đặt trước tài nguyên, không có cam kết thời gian.
2. Provisioned Throughput – mua băng thông/throughput cố định (đơn vị “request per second”) với mức giá chiết khấu, nhưng yêu cầu cam kết và dự trữ tài nguyên.
3. Model customization – là tính năng “tùy chỉnh mô hình”, không phải mô hình giá.
4. Spot Instance – chỉ áp dụng cho EC2, không liên quan tới Bedrock.

Vì công ty muốn tiết kiệm chi phí, trả theo nhu cầu và không ràng buộc dài hạn, mô hình On‑Demand là lựa chọn phù hợp nhất.

✅ Đáp án đúng: On‑Demand

• Lý do:
  • ✅ Pay‑as‑you‑go: chỉ trả tiền cho số token thực tế sử dụng, giúp kiểm soát chi phí khi ngân sách hạn chế.
  • ✅ Không cần đặt trước (no upfront commitment): không yêu cầu cam kết throughput hay thời gian thuê.
  • ✅ Linh hoạt: có thể tăng/giảm khối lượng công việc bất cứ lúc nào mà không phải thay đổi hợp đồng.

🧩 Giải thích các phương án

1️⃣ On‑Demand (đúng)

• Mô tả: Thanh toán dựa trên số token (input + output) mà mỗi model tiêu thụ.
• Ưu điểm:
  • Không có phí cố định hay cam kết thời gian.
  • Thích hợp cho môi trường prototype, thử nghiệm, hoặc khối lượng công việc không ổn định.
• Nhược điểm: Nếu khối lượng sử dụng ổn định, chi phí có thể cao hơn so với Provisioned Throughput.

2️⃣ Model customization (sai)

• Mô tả: Tính năng cho phép người dùng “fine‑tune” hoặc “customize” một mô hình đã có sẵn.
• Giải thích: Đây không phải là một mô hình giá mà là một tùy chọn kỹ thuật. Việc tùy chỉnh có thể gây thêm chi phí (đối với training, lưu trữ), nhưng không thay đổi cách tính phí cơ bản (On‑Demand hoặc Provisioned Throughput).
• Vì sao sai: Câu hỏi hỏi “pricing model”, còn “Model customization” là tính năng, không phải mô hình định giá.

3️⃣ Provisioned Throughput (sai)

• Mô tả: Mua trước một mức throughput cố định (ví dụ 10 K requests/sec) với mức giá chiết khấu so với On‑Demand.
• Giải thích: Yêu cầu cam kết về lượng throughput và thường đi kèm với hợp đồng dài hạn (thường tháng hoặc năm). Điều này trái ngược với yêu cầu “không muốn cam kết dài hạn”.
• Vì sao sai: Mặc dù có thể giảm chi phí nếu sử dụng liên tục, nhưng không đáp ứng tiêu chí “flexibility without long‑term commitment”.

4️⃣ Spot Instance (sai)

• Mô tả: Giá rẻ cho các EC2 Spot Instances – tài nguyên tính toán không được bảo đảm, giá thay đổi theo nhu cầu thị trường.
• Giải thích: Spot Instances không áp dụng cho Amazon Bedrock, vì Bedrock là dịch vụ managed và không yêu cầu người dùng quản lý EC2.
• Vì sao sai: Không phải là mô hình giá của Bedrock và không liên quan tới việc sử dụng các mô hình ngôn ngữ.

📚 Tham khảo

• Amazon Bedrock Pricing – Official AWS Documentation (cập nhật đến tháng 3 / 2026):
  https://aws.amazon.com/bedrock/pricing/
• AWS Blogs – “Understanding Bedrock pricing and cost‑optimization” (2025):
  https://aws.amazon.com/blogs/machine-learning/understanding-bedrock-pricing/
• AWS Well‑Architected Framework – Cost Optimisation Pillar (2024‑2026):
  https://docs.aws.amazon.com/wellarchitected/latest/cost-optimization-pillar/welcome.html

Tóm lại: Với ngân sách hạn chế và nhu cầu linh hoạt, On‑Demand là mô hình giá phù hợp nhất cho Amazon Bedrock. Các lựa chọn còn lại không đáp ứng yêu cầu về giá hoặc không phải là mô hình giá của dịch vụ. 🚀

📖 Phân tích câu hỏi
Câu hỏi hỏi: “Which AWS service or feature can help an AI development team quickly deploy and consume a foundation model (FM) within the team's VPC?”

• Foundation model (FM): mô hình ngôn ngữ lớn, mô hình thị giác, … đã được huấn luyện sẵn và có thể được fine‑tune hoặc dùng trực tiếp.
• Yêu cầu “quickly deploy and consume” → cần một công cụ cho phép tạo endpoint trong vài phút, không phải phải tự viết script triển khai toàn bộ.
• Yêu cầu “within the team's VPC” → mô hình phải chạy trong VPC, tức là có thể gắn VPC endpoint / PrivateLink hoặc được khởi tạo trên SageMaker notebook/processing job mà có cấu hình VPC.

Vì vậy, câu trả lời phải là dịch vụ/đặc tính cho phép triển khai nhanh một foundation model và chạy trong VPC của khách hàng.

✅ Đáp án đúng: Amazon SageMaker JumpStart

• SageMaker JumpStart cung cấp hàng chục foundation models (LLM, CV, audio…) đã được chuẩn bị sẵn, kèm script mẫu để tạo SageMaker endpoint chỉ trong vài cú click hoặc lệnh CLI.
• Khi tạo endpoint, bạn có thể định cấu hình VPC (subnet, security groups) để model chạy trong VPC của bạn, đáp ứng yêu cầu “quickly deploy and consume … within the team's VPC”.
• JumpStart còn hỗ trợ fine‑tuning nhanh chóng và tích hợp sẵn với SageMaker Pipelines, Feature Store, … giúp đội AI tập trung vào việc xây dựng ứng dụng chứ không phải hạ tầng.

📚 Nguồn tham khảo:

• AWS Documentation – Amazon SageMaker JumpStart (phiên bản 2026) – https://docs.aws.amazon.com/sagemaker/latest/dg/jumpstart.html
• AWS Blog – “Deploy foundation models in seconds with SageMaker JumpStart” (2025)

❌ Giải thích các phương án sai

• Amazon Personalize

  • Amazon Personalize là dịch vụ đề xuất (recommendation), giúp tạo mô hình cá nhân hoá dựa trên dữ liệu người dùng (ví dụ: sản phẩm gợi ý, video đề xuất).
  • Nó không cung cấp foundation models và không có tính năng “quickly deploy FM”.
  • Ngoài ra, Personalize chạy như một managed service và không cho phép cấu hình VPC để chạy mô hình trong VPC của bạn.

• PartyRock, an Amazon Bedrock Playground

  • “PartyRock” không phải là một dịch vụ AWS chính thức; đây có thể là đề cập sai hoặc một tên giả tưởng.
  • Amazon Bedrock (đúng là dịch vụ quản lý foundation models) cho phép truy cập qua API nhưng không hỗ trợ triển khai trực tiếp trong VPC (các endpoint Bedrock hiện vẫn là public, hoặc qua PrivateLink chỉ cho phép kết nối mạng, không phải chạy model trong VPC).
  • Vì vậy, “PartyRock, an Amazon Bedrock Playground” không đáp ứng yêu cầu “quickly deploy … within VPC”.

• Amazon SageMaker endpoints

  • SageMaker endpoints là cơ chế hosting cho mô hình đã được triển khai, nhưng không phải là tính năng giúp “quickly deploy” một foundation model.
  • Để có một endpoint, bạn cần chuẩn bị model, đóng gói, định nghĩa container, tạo training job, rồi mới tạo endpoint – quá trình này phức tạp hơn so với JumpStart.
  • Mặc dù endpoint có thể được cấu hình VPC, nhưng câu hỏi nhấn mạnh “quickly deploy and consume a FM”, nên JumpStart (cung cấp model + script tạo endpoint) là lựa chọn phù hợp hơn.

🧩 Tổng kết

• Câu trả lời đúng: Amazon SageMaker JumpStart – cung cấp các foundation model đã chuẩn bị sẵn, cho phép tạo SageMaker endpoint trong VPC chỉ trong vài phút, đáp ứng đầy đủ yêu cầu của câu hỏi.
• Các lựa chọn còn lại đều không cung cấp foundation model nhanh chóng trong VPC, hoặc không phải dịch vụ AWS thực tế.

💡 Mẹo thi: Khi câu hỏi đề cập “quickly deploy” và “within VPC”, hãy nghĩ tới SageMaker JumpStart (đã tích hợp sẵn VPC) và SageMaker Studio/Endpoints (cần cấu hình thủ công). Các dịch vụ như Bedrock vẫn là managed và không chạy trong VPC, còn Personalize phục vụ mục đích hoàn toàn khác.

🚀 Chúc bạn ôn luyện hiệu quả và đạt điểm cao trong kỳ thi AWS Certified DevOps Engineer – Professional!

🔍 Phân tích câu hỏi
Câu hỏi hỏi: “How can companies use large language models (LLMs) securely on Amazon Bedrock?” – tức là các doanh nghiệp muốn khai thác các mô hình ngôn ngữ lớn trên dịch vụ Amazon Bedrock một cách an toàn, bảo vệ dữ liệu và tuân thủ các quy tắc truy cập.
Để đạt được bảo mật, AWS khuyến cáo 2 yếu tố cốt lõi:

1. Xây dựng prompt (lệnh yêu cầu) rõ ràng, chi tiết – giúp tránh việc mô hình “tự do” sinh ra thông tin nhạy cảm hoặc vi phạm chính sách nội dung.
2. Cấu hình IAM (Identity and Access Management) với nguyên tắc “least‑privilege” – chỉ cấp quyền tối thiểu cần thiết cho người hay dịch vụ thực hiện các cuộc gọi tới Bedrock.

✅ Đáp án đúng

- Design clear and specific prompts. Configure AWS Identity and Access Management (IAM) roles and policies by using least privilege access.

Giải thích:

• Prompt rõ ràng, chi tiết: Khi prompt được viết cụ thể, mô hình sẽ ít khả năng “phát sinh” dữ liệu không mong muốn (ví dụ: đưa ra thông tin bí mật, nội dung vi phạm). AWS khuyến cáo luôn kiểm soát nội dung đầu vào để giảm rủi ro.
• IAM least‑privilege: Bedrock tích hợp chặt chẽ với IAM. Bằng cách tạo role chỉ cho phép bedrock:InvokeModel (hoặc các hành động cần thiết) trên các model cụ thể, công ty giảm thiểu khả năng lạm dụng quyền truy cập. Đây là cách chuẩn nhất để bảo mật việc gọi LLM trên Bedrock.

❌ Các phương án sai và lý do

• - Enable AWS Audit Manager for automatic model evaluation jobs.

  • Giải thích: AWS Audit Manager là dịch vụ giúp tự động thu thập và đánh giá bằng chứng tuân thủ (ví dụ: PCI, HIPAA). Nó không có chức năng “automatic model evaluation” cho Bedrock và cũng không cung cấp bảo mật trực tiếp cho việc gọi LLM. Việc bật Audit Manager không bảo vệ dữ liệu đầu vào/đầu ra hay kiểm soát quyền truy cập.

• - Enable Amazon Bedrock automatic model evaluation jobs.

  • Giải thích: Tính đến tháng 4/2026, Amazon Bedrock chưa có tính năng “automatic model evaluation jobs”. Bedrock chỉ cung cấp API để gọi mô hình và các công cụ như Guardrails (được tích hợp trong 2024) để kiểm soát nội dung. Vì vậy, mô tả này không phản ánh thực tế và không liên quan tới bảo mật.

• - Use Amazon CloudWatch Logs to make models explainable and to monitor for bias.

  • Giải thích: CloudWatch Logs có thể giám sát các cuộc gọi API, latency, lỗi, nhưng không làm cho mô hình “explainable” (có thể giải thích) hay phát hiện bias tự động. Việc phát hiện bias cần các công cụ phân tích đầu ra hoặc Amazon Bedrock Guardrails + Amazon SageMaker Clarify (đối với mô hình tùy chỉnh). Do đó, câu này không đề cập đến các biện pháp bảo mật thực tế (IAM, VPC, encryption) và không đúng với mục tiêu “securely use LLMs”.

🛠️ Các biện pháp bảo mật bổ sung (đến 2026)

Mặc dù đáp án duy nhất là phương án đầu tiên, dưới đây là một số thực tiễn bổ sung mà AWS hiện đang khuyến nghị để tăng cường bảo mật khi làm việc với LLM trên Bedrock:

1. Sử dụng VPC endpoints cho Bedrock – cho phép lưu lượng gọi model không phải đi ra internet công cộng.
2. Kích hoạt Encryption at rest và in‑transit – Bedrock tự động mã hoá dữ liệu ở trạng thái nghỉ; các API gọi qua TLS 1.2+.
3. Kích hoạt Guardrails (từ 2024) – cho phép thiết lập các quy tắc nội dung (ví dụ: không cho phép thông tin cá nhân, không trả lời các câu hỏi nhạy cảm).
4. Audit Trail bằng CloudTrail – ghi lại mọi hành động InvokeModel, giúp phát hiện hành vi bất thường.
5. Sử dụng Resource‑Based Policies nếu cần chia sẻ model giữa các tài khoản một cách hạn chế.

📚 Tham khảo

• AWS Documentation – Amazon Bedrock (phiên bản cập nhật 2026): https://docs.aws.amazon.com/bedrock/latest/userguide/what-is-bedrock.html
• AWS Identity and Access Management Best Practices (2025): https://docs.aws.amazon.com/IAM/latest/UserGuide/best-practices.html
• Amazon Bedrock Guardrails (ra mắt 2024, cập nhật 2026): https://docs.aws.amazon.com/bedrock/latest/userguide/guardrails.html
• AWS Audit Manager User Guide (2025): https://docs.aws.amazon.com/audit-manager/latest/userguide/what-is-audit-manager.html

Tóm lại:
✅ Đáp án đúng là “Design clear and specific prompts. Configure AWS Identity and Access Management (IAM) roles and policies by using least privilege access.” – vì đây là hai yếu tố cốt lõi để bảo mật khi sử dụng LLM trên Amazon Bedrock.
❌ Các lựa chọn còn lại không liên quan trực tiếp tới bảo mật hoặc không tồn tại trong dịch vụ hiện tại.

Hy vọng phân tích chi tiết này giúp bạn nắm vững cách bảo mật LLM trên Bedrock! 🚀

📖 Phân tích câu hỏi

Công ty có hàng terabyte dữ liệu trong một cơ sở dữ liệu và muốn xây dựng một ứng dụng AI cho phép nhân viên, những người không quen thuộc với công nghệ, chỉ cần nhập mô tả bằng ngôn ngữ tự nhiên (ví dụ: “tổng doanh thu theo khu vực trong quý 2”) thì hệ thống sẽ tự động sinh ra câu lệnh SQL tương ứng.

Yêu cầu chính:

1. Xử lý ngôn ngữ tự nhiên (NL → SQL).
2. Khả năng mở rộng để làm việc với khối lượng dữ liệu lớn.
3. Dễ dàng tích hợp vào môi trường AWS (cơ sở dữ liệu, dịch vụ AI).

Do đó, giải pháp cần một mô hình ngôn ngữ lớn (LLM) được huấn luyện để “hiểu” và “biên dịch” văn bản tự nhiên sang mã SQL.

✅ Đáp án đúng:

• Generative pre-trained transformers (GPT)

🧩 Lý do chọn đáp án này

• GPT (và các biến thể như Amazon Bedrock Claude, Titan, hoặc các mô hình tùy chỉnh trên SageMaker) là mô hình transformer đã được tiền‑huấn luyện trên khối lượng dữ liệu khổng lồ, có khả năng tạo ra văn bản tự nhiên và dịch ngôn ngữ. Khi được fine‑tune hoặc prompt‑engineered, chúng có thể chuyển đổi câu mô tả thành câu lệnh SQL (technique thường gọi là NL‑to‑SQL).
• AWS cung cấp dịch vụ Amazon Bedrock (ra mắt 2023, cập nhật liên tục tới 2026) cho phép triển khai GPT‑like models mà không cần quản lý hạ tầng. Bạn chỉ cần tạo prompt như “Generate SQL for: …” và nhận kết quả ngay.
• Đối với dữ liệu terabyte, kết quả SQL sẽ được chạy trên Amazon Athena, Amazon Redshift, hay Amazon RDS – các dịch vụ có khả năng query dữ liệu quy mô lớn. Việc tích hợp giữa Bedrock + SageMaker + Athena là serverless, đáp ứng yêu cầu “nhân viên không cần kiến thức kỹ thuật”.
• Các tính năng prompt chaining, retrieval‑augmented generation (RAG) (được hỗ trợ trong Bedrock) cho phép mô hình truy cập trực tiếp vào siêu dữ liệu của cơ sở dữ liệu (schema, bảng, cột) để tạo SQL chính xác hơn.

❌ Các phương án sai và lý giải

• Residual neural network

  • Đây là kiến trúc ResNet, được thiết kế chủ yếu cho xử lý ảnh (vision) và một số bài toán video. Nó không có khả năng hiểu ngôn ngữ tự nhiên và không được dùng để sinh mã SQL. Do đó không đáp ứng yêu cầu NL‑to‑SQL.

• Support vector machine

  • SVM là một thuật toán phân loại/ hồi quy truyền thống, phù hợp với dữ liệu có chiều kích thấp và không thích hợp cho xử lý chuỗi ngôn ngữ dài. Nó không thể “dịch” mô tả tiếng người sang câu lệnh SQL và cũng không mở rộng tốt với terabyte dữ liệu.

• WaveNet

  • WaveNet là mô hình tạo âm thanh (speech synthesis) do DeepMind phát triển, được dùng để sinh waveform âm thanh. Nó không liên quan tới xử lý ngôn ngữ tự nhiên hay tạo câu lệnh SQL, vì vậy không phù hợp với bài toán.

🛠️ Cách triển khai thực tế trên AWS (2026)

1. Thu thập schema: Dùng AWS Glue Data Catalog để quét metadata của cơ sở dữ liệu (RDS, Redshift, Aurora).
2. Prompt design: Tạo prompt chứa schema và câu hỏi người dùng, ví dụ:

   Schema: table sales(id, region, revenue, date) …  
   User: "Tổng doanh thu theo khu vực trong Q2 2025"  
   Generate SQL:
   

3. Triển khai mô hình:
   • Amazon Bedrock: chọn mô hình “Amazon Titan Text” hoặc “Claude” hoặc “GPT‑4” (có sẵn trong catalog).
   • Hoặc SageMaker JumpStart: tải mô hình GPT‑3‑like, fine‑tune với dataset NL‑SQL (có sẵn trong AWS Marketplace).
4. Thực thi SQL: Kết quả được gửi tới Amazon Athena (cho dữ liệu S3) hoặc Amazon Redshift Serverless. Kết quả trả về cho UI (React, Amplify).
5. Bảo mật: Sử dụng IAM roles, AWS KMS cho dữ liệu nhạy cảm, và Amazon VPC Endpoint để giữ luồng dữ liệu nội bộ.

📚 Tham khảo

1. Amazon Bedrock Documentation – “Using foundation models for text generation” (phiên bản cập nhật 2026).
2. AWS SageMaker JumpStart – “Fine‑tune LLMs for NL‑to‑SQL”.
3. AWS Glue Data Catalog – “Cataloging relational databases for analytics”.
4. AWS Architecture Blog (2025) – “Building a natural language to SQL chatbot with Bedrock and Athena”.

🔚 Kết luận

Trong bối cảnh yêu cầu “chuyển đổi mô tả tự nhiên sang SQL” và dữ liệu quy mô terabyte, Generative pre-trained transformers (GPT) là giải pháp duy nhất đáp ứng được khả năng ngôn ngữ, khả năng mở rộng và tích hợp sẵn trên AWS. Các mô hình còn lại (ResNet, SVM, WaveNet) không phù hợp về mặt kiến trúc và mục đích sử dụng. ✅

🔎 Phân tích câu hỏi
Câu hỏi mô tả một quy trình AI trong môi trường sản xuất:

• Công ty đã đào tạo (training) một mô hình deep‑learning cho việc object detection (phát hiện đối tượng).
• Mô hình đã được đưa vào hoạt động (deployed) và hiện đang chạy trong môi trường production.

Câu hỏi hỏi: “Which AI process occurs when the model analyzes a new image to identify objects?”
Nghĩa là khi người dùng gửi một ảnh mới tới hệ thống, mô hình sẽ thực hiện giai đoạn nào của vòng đời AI để trả về kết quả (các bounding box, nhãn, xác suất …).

✅ Đáp án đúng

Inference

• Giải thích: Inference (suy diễn) là quá trình mô hình đã được huấn luyện và triển khai nhận dữ liệu đầu vào mới (ở đây là một ảnh) và đưa ra dự đoán/kết quả. Đây là bước thực thi trong thời gian thực hoặc gần thực tế, thường được gọi là “serving” trong kiến trúc AI trên AWS (Amazon SageMaker Endpoints, AWS Lambda + Amazon ECR, hoặc Amazon ECS/Fargate).

• Trong AWS, Inference được hỗ trợ bởi:

  • Amazon SageMaker Real‑Time Inference (endpoint),
  • Amazon SageMaker Batch Transform (đối với khối lượng lớn),
  • AWS Inferentia và AWS Trainium (chip tối ưu cho inference),
  • Amazon Elastic Inference (điều chỉnh GPU cho chi phí hiệu quả).

Cho nên khi mô hình “phân tích một ảnh mới để nhận dạng các đối tượng”, nó đang thực hiện inference.

❌ Giải thích các phương án sai

1. Training

   • Training là quá trình học mô hình từ dữ liệu gán nhãn (ví dụ: hàng ngàn ảnh có bounding box). Trong giai đoạn này, mô hình cập nhật trọng số qua các epoch để tối ưu hóa hàm loss.
   • Khi mô hình đã được triển khai và chỉ nhận ảnh mới để dự đoán, không có việc cập nhật trọng số, vì vậy đây không phải là training.
   • Trên AWS, training thường được thực hiện bằng Amazon SageMaker Training Jobs, AWS Deep Learning AMIs, hoặc AWS Batch; nhưng câu hỏi không mô tả việc này.

2. Model deployment

   • Model deployment (triển khai mô hình) là bước đưa mô hình đã được train lên môi trường để phục vụ inference (tạo endpoint, container, etc.).
   • Đây là một thao tác một lần hoặc theo chu kỳ, không phải hành động mỗi khi một ảnh mới tới.
   • Trên AWS, việc deployment có thể thực hiện bằng SageMaker Model + Endpoint Config + Endpoint, hoặc bằng ECS/Fargate, EKS, Lambda.
   • Vì câu hỏi nói “when the model analyzes a new image”, không phải thời điểm triển khai, nên lựa chọn này sai.

3. Bias correction

   • Bias correction (điều chỉnh thiên vị) là một giai đoạn hậu xử lý hoặc tái huấn luyện nhằm giảm thiểu các sai lệch (bias) trong dự đoán, thường dựa trên phân tích đầu ra và dữ liệu phản hồi.
   • AWS cung cấp công cụ SageMaker Clarify để phát hiện và giảm bias, nhưng việc này không diễn ra mỗi khi mô hình dự đoán một ảnh mới.
   • Do đó, đây không phải là quá trình đang diễn ra trong câu hỏi.

📚 Tham khảo tài liệu (đến năm 2026)

• Amazon SageMaker Developer Guide – Inference (phiên bản 2026): https://docs.aws.amazon.com/sagemaker/latest/dg/inference.html
• AWS Machine Learning Blog – New inference‑optimised chips (Inferentia 2, Trainium 2), cập nhật 2025/2026.
• AWS Well‑Architected Framework – Machine Learning Pillar, 2026 edition.

🧩 Tóm tắt nhanh (danh sách)

• Câu hỏi: Khi mô hình phân tích ảnh mới để nhận dạng đối tượng, quá trình nào đang diễn ra?
• Đáp án đúng: Inference ✅
• Các lựa chọn sai:
  • Training ❌ – là quá trình học từ dữ liệu gán nhãn, không phải dự đoán.
  • Model deployment ❌ – là việc đưa mô hình lên môi trường, không phải hành động dự đoán.
  • Bias correction ❌ – là bước giảm thiên vị, không thực hiện khi xử lý ảnh mới.

Hy vọng phân tích này giúp bạn nắm rõ khái niệm và cách áp dụng chúng trong môi trường AWS hiện đại! 🚀🛠️

📝 Phân tích câu hỏi

Câu hỏi mô tả một tình huống trong dự án AI:

• Mục tiêu: Xây dựng mô hình sinh ảnh người trong các nghề khác nhau.
• Vấn đề: Dữ liệu đầu vào có bias (độ lệch) và một số thuộc tính (ví dụ: giới tính, dân tộc, độ tuổi…) ảnh hưởng tới kết quả sinh ảnh, gây ra bias trong mô hình.

Yêu cầu: Chọn kỹ thuật nào có thể “giải quyết” (mitigate) vấn đề bias này.

✅ Đáp án đúng

Data augmentation for imbalanced classes

✅ Tại sao lại là đáp án đúng?

• Khi dữ liệu có độ lệch (bias) thường là do các lớp/nhóm trong tập huấn luyện không cân bằng (ví dụ: ít hình ảnh của nữ bác sĩ, nhiều hình ảnh của nam kỹ sư).
• Data augmentation (phép tăng cường dữ liệu) tạo ra các mẫu mới bằng cách biến đổi các ảnh hiện có (rotate, flip, color jitter, cropping, …) hoặc bằng cách sinh tổng hợp (synthetic generation) để cân bằng số lượng mẫu cho các lớp thiếu.
• Trên Amazon SageMaker, có các built‑in data augmentation transforms trong SageMaker Pipelines hoặc SageMaker Feature Store, và bạn cũng có thể sử dụng SageMaker Ground Truth + Augmented Manifest để tự động mở rộng tập dữ liệu.
• Khi các lớp được cân bằng, mô hình ít có xu hướng “học” các quan hệ sai lệch và do đó giảm bias.

Do vậy, Data augmentation for imbalanced classes là kỹ thuật trực tiếp giải quyết vấn đề bias do dữ liệu không cân bằng.

❌ Các phương án sai và lý do

• Model monitoring for class distribution

  • 📌 Mô tả: Đây là hoạt động giám sát mô hình sau khi triển khai để phát hiện thay đổi trong phân phối lớp (drift) hoặc trong đầu ra.
  • 📉 Tại sao không giải quyết vấn đề: Giám sát không thay đổi dữ liệu gốc hay cân bằng lại các lớp; nó chỉ phát hiện vấn đề sau khi mô hình đã được huấn luyện. Để khắc phục, bạn vẫn cần thực hiện lại quá trình huấn luyện với dữ liệu cân bằng, vì vậy đây không phải là “kỹ thuật giải quyết” bias ngay trong giai đoạn tiền xử lý.
  • 🛠️ AWS liên quan: SageMaker Model Monitor có thể theo dõi drift, nhưng không tự động “sửa” bias.

• Retrieval Augmented Generation (RAG)

  • 📌 Mô tả: RAG là kiến trúc kết hợp retrieval (tìm kiếm tài liệu) với generation (tạo nội dung) thường dùng cho các mô hình ngôn ngữ lớn (LLM) để cải thiện tính chính xác và tính cập nhật của câu trả lời.
  • 📉 Tại sao không phù hợp: Ứng dụng RAG chủ yếu trong xử lý ngôn ngữ tự nhiên (text), không liên quan tới việc cân bằng dữ liệu ảnh hay giảm bias trong mô hình sinh ảnh.
  • 🧩 AWS liên quan: Amazon Bedrock hỗ trợ RAG cho LLM, nhưng không giải quyết bias của dataset hình ảnh.

• Watermark detection for images

  • 📌 Mô tả: Kỹ thuật này phát hiện dấu watermark (dấu bản quyền) trên hình ảnh để loại bỏ hoặc lọc chúng.
  • 📉 Tại sao không giải quyết: Watermark detection không liên quan tới cân bằng lớp hay loại bỏ bias trong dữ liệu. Nó chỉ giúp xử lý vấn đề bản quyền hoặc chất lượng dữ liệu, không ảnh hưởng đến việc mô hình học các đặc trưng gây bias.
  • 📂 AWS liên quan: Amazon Rekognition có thể phát hiện watermark, nhưng không liên quan tới bias mitigation.

📚 Tham khảo tài liệu AWS (cập nhật đến năm 2026)

1. Amazon SageMaker Data Wrangler & Feature Store – Hướng dẫn tăng cường dữ liệu và xử lý lớp mất cân bằng: https://docs.aws.amazon.com/sagemaker/latest/dg/data-wrangler.html
2. SageMaker Model Monitor – Giám sát drift và phân phối lớp: https://docs.aws.amazon.com/sagemaker/latest/dg/model-monitor.html
3. Amazon Bedrock – Retrieval Augmented Generation (RAG): https://docs.aws.amazon.com/bedrock/latest/userguide/rag.html
4. Amazon Rekognition – Watermark detection (tính năng Custom Labels): https://docs.aws.amazon.com/rekognition/latest/customlabels-dg/what-is.html

🧭 Tổng kết

• Đáp án đúng: Data augmentation for imbalanced classes – Đây là kỹ thuật trực tiếp cân bằng dữ liệu, giảm bias do các lớp không đồng đều.
• Các đáp án còn lại chỉ là giám sát, kiến trúc ngôn ngữ hoặc phát hiện watermark, không giải quyết gốc rễ của vấn đề bias trong dữ liệu hình ảnh.

Hy vọng phân tích trên giúp bạn nắm rõ lý do lựa chọn và cách áp dụng các dịch vụ AWS để khắc phục bias trong dự án AI! 🚀

🔍 Phân tích câu hỏi

Công ty đang triển khai Amazon Titan foundation model (FM) thông qua Amazon Bedrock và muốn “bổ sung” mô hình bằng dữ liệu riêng của mình (private data sources).
Nói cách khác, công ty cần một cơ chế tích hợp dữ liệu nội bộ vào quá trình tạo câu trả lời của mô hình, sao cho mô hình có thể “tra cứu” hoặc “kết hợp” thông tin riêng khi trả lời (kiểu retrieval‑augmented generation – RAG).

Trong bộ tính năng mới của Amazon Bedrock (cập nhật tới 2026), tính năng đáp ứng nhu cầu này là Bedrock Knowledge Base:

• Cho phép bạn đưa dữ liệu riêng (tài liệu, cơ sở dữ liệu, S3, RDS, hoặc nguồn dữ liệu qua API) vào một vector store.
• Khi gọi mô hình, Bedrock sẽ tự động thực hiện retrieval trên knowledge base và đưa ngữ cảnh vào prompt, giúp mô hình trả lời dựa trên dữ liệu nội bộ.

Vì vậy, giải pháp đúng là tạo một Amazon Bedrock knowledge base.

✅ Đáp án đúng

🟢 Create an Amazon Bedrock knowledge base.

Giải thích: Knowledge base cung cấp khả năng “tăng cường” (augment) mô hình bằng cách kết hợp dữ liệu riêng trong quá trình inference, đáp ứng yêu cầu “supplement the model by using relevant data from the company's private data sources”.

❌ Giải thích các phương án sai

• 🛑 Use a different FM.

  • Thay đổi foundation model không giải quyết vấn đề “kết hợp dữ liệu riêng”. Titan đã hỗ trợ RAG thông qua knowledge base, vì vậy không cần chuyển sang mô hình khác.

• 🛑 Choose a lower temperature value.

  • Temperature chỉ điều khiển mức độ ngẫu nhiên/độ sáng tạo của đầu ra (giá trị cao → đa dạng, giá trị thấp → ổn định). Nó không ảnh hưởng tới việc mô hình truy cập hoặc sử dụng dữ liệu nội bộ.

• 🛑 Enable model invocation logging.

  • Logging chỉ ghi lại các lần gọi mô hình (để audit, debug, billing). Nó không cung cấp bất kỳ cơ chế nào để đưa dữ liệu riêng vào prompt hay cải thiện kiến thức của mô hình.

🧩 Các khái niệm liên quan (cập nhật tới 2026)

• Amazon Bedrock Knowledge Base

  • Tích hợp Amazon OpenSearch Serverless hoặc Amazon Aurora Serverless làm vector store.
  • Hỗ trợ RAG với các mô hình Bedrock (Titan, Claude, Llama 2, …).
  • Cho phép fine‑tuning (trong một số trường hợp) và metadata filtering để lấy dữ liệu chính xác.

• Retrieval‑Augmented Generation (RAG)

  • Kỹ thuật kết hợp search (tìm kiếm tài liệu) và generation (sinh câu trả lời) để cung cấp thông tin cập nhật, chính xác hơn.

• Model temperature

  • Tham số temperature nằm trong khoảng 0‑1 (hoặc 0‑2 tùy model). Không liên quan tới nguồn dữ liệu.

• Model invocation logging

  • Được bật qua AWS CloudTrail hoặc Amazon CloudWatch để ghi lại requestId, prompt, response, nhưng không thay đổi cách mô hình “hiểu” dữ liệu.

📚 Tham khảo tài liệu

1. Amazon Bedrock Developer Guide – Knowledge Bases (phiên bản 2026‑03)
   https://docs.aws.amazon.com/bedrock/latest/userguide/knowledge-base.html

2. Amazon Titan Model – Best Practices (2025‑12)
   https://docs.aws.amazon.com/bedrock/latest/userguide/titan-model.html

3. Retrieval‑Augmented Generation (RAG) on Amazon Bedrock – Blog post, AWS Compute Blog, 2024‑11
   https://aws.amazon.com/blogs/compute/retrieval-augmented-generation-bedrock/

4. AWS Well‑Architected Framework – Security Pillar – phần “Data protection for generative AI” (2025)
   https://docs.aws.amazon.com/wellarchitected/latest/security-pillar/ai-data-protection.html

📌 Kết luận nhanh

• Câu trả lời đúng: Create an Amazon Bedrock knowledge base.
• Các tùy chọn còn lại đều không đáp ứng yêu cầu “kết hợp dữ liệu riêng” và vì vậy là sai.

Hy vọng phân tích chi tiết này giúp bạn nắm rõ cách lựa chọn giải pháp phù hợp trong môi trường AWS Bedrock! 🚀

🔎 Phân tích câu hỏi

Công ty y tế đang tuỳ chỉnh một Foundation Model (FM) để dùng cho chẩn đoán y khoa.
Yêu cầu quan trọng: mô hình phải “transparent” (có thể hiểu được cách hoạt động) và “explainable” (có khả năng giải thích quyết định) để đáp ứng các quy định (FDA, HIPAA, …).
Do đó, giải pháp cần:

• Cung cấp các chỉ số (metrics) và báo cáo về tầm quan trọng của các tính năng (feature importance), bias, variance, …
• Cho phép trích xuất các ví dụ (example) minh hoạ để người dùng cuối, nhà quản trị hay cơ quan kiểm định có thể “xem” cách mô hình đưa ra dự đoán.
• Tích hợp trực tiếp trong quy trình training / inference của Amazon SageMaker – vì đây là dịch vụ chính của AWS để xây dựng, huấn luyện và triển khai các mô hình ML, bao gồm cả foundation model.

✅ Đáp án đúng

✅ “Generate simple metrics, reports, and examples by using Amazon SageMaker Clarify.”

• Amazon SageMaker Clarify là dịch vụ được thiết kế đặc thù cho explainability và fairness.
• Nó tự động tính feature importance, SHAP values, partial dependence, và tạo báo cáo (HTML, JSON) mô tả bias tiềm năng, độ tin cậy của dự đoán.
• Cũng hỗ trợ visualization (các biểu đồ, heatmaps) và example generation để người dùng có thể “see why” mô hình đưa ra kết quả.
• Được cập nhật tới 2026 và tích hợp sâu với SageMaker Pipelines, Model Registry, cho phép áp dụng ngay vào quá trình tuỳ chỉnh foundation model.

Vì vậy, đây là giải pháp duy nhất đáp ứng yêu cầu “transparent và explainable”.

❌ Giải thích các phương án sai

1. “Configure the security and compliance by using Amazon Inspector.”

   • Amazon Inspector là dịch vụ đánh giá bảo mật và tuân thủ cho hạ tầng EC2, container, và Lambda. Nó không cung cấp bất kỳ tính năng nào liên quan tới explainability của mô hình ML.
   • Chỉ giúp phát hiện lỗ hổng bảo mật, không đáp ứng yêu cầu về tính minh bạch của mô hình.

2. “Encrypt and secure training data by using Amazon Macie.”

   • Amazon Macie là dịch vụ phát hiện dữ liệu nhạy cảm (PII, PHI) trong S3 và cung cấp encryption / data loss prevention.
   • Mặc dù quan trọng về bảo mật dữ liệu, nhưng Macie không cung cấp bất kỳ công cụ nào để giải thích mô hình hay tạo báo cáo về bias.
   • Do đó không thỏa mãn yêu cầu “transparent and explainable”.

3. “Gather more data. Use Amazon Rekognition to add custom labels to the data.”

   • Amazon Rekognition là dịch vụ thị giác máy tính (image/video analysis). Nó hỗ trợ gắn nhãn (labeling) cho dữ liệu hình ảnh, nhưng không liên quan tới việc giải thích mô hình hay tạo báo cáo.
   • Thêm dữ liệu hay gắn nhãn có thể cải thiện độ chính xác, nhưng không cung cấp tính năng explainability mà câu hỏi yêu cầu.

📚 Tham khảo tài liệu (cập nhật tới năm 2026)

• Amazon SageMaker Clarify – Documentation (v2026.4): https://docs.aws.amazon.com/sagemaker/latest/dg/clarify.html
• AWS Well‑Architected Framework – Machine Learning Pillar (2025‑2026): đề cập tới “Explainability” và khuyến nghị dùng SageMaker Clarify.
• AWS re:Invent 2025 – “Explainable AI at Scale with SageMaker Clarify” (video, slide).

🛠️ Kết luận

• Đối với yêu cầu minh bạch và có khả năng giải thích một foundation model trong môi trường y tế, Amazon SageMaker Clarify là công cụ chuẩn, tích hợp sẵn trong quy trình ML của AWS và đáp ứng đầy đủ các tiêu chí quy định.
• Các lựa chọn còn lại đều tập trung vào bảo mật (Inspector, Macie) hoặc thu thập dữ liệu (Rekognition) và không giải quyết vấn đề explainability.

👉 Vì vậy, đáp án đúng là: “Generate simple metrics, reports, and examples by using Amazon SageMaker Clarify.”

📖 Giải thích nội dung câu hỏi
Một công ty muốn triển khai một chatbot dựa trên mô hình Amazon SageMaker JumpStart đã được fine‑tune để trả lời câu hỏi của khách hàng. Ứng dụng này phải tuân thủ nhiều khung pháp lý (regulatory frameworks) – ví dụ: GDPR, HIPAA, PCI‑DSS, ISO 27001, v.v.
Câu hỏi yêu cầu bạn chọn hai khả năng (capabilities) mà công ty có thể dùng để chứng minh (show) việc tuân thủ các yêu cầu pháp lý này.

✅ Các đáp án đúng

1️⃣ Threat detection

• Tại sao đúng?
  • AWS cung cấp các dịch vụ Amazon GuardDuty, Amazon Macie, AWS Security Hub, và Amazon Detective để phát hiện các mối đe dọa bảo mật (malware, hành vi bất thường, lỗ hổng, v.v.).
  • Khi triển khai SageMaker trong VPC và bật GuardDuty, mọi hành vi truy cập bất thường tới endpoint inference, hoặc cố gắng truy cập dữ liệu nhạy cảm sẽ được ghi nhận và cảnh báo.
  • Việc có khả năng phát hiện và phản hồi nhanh chóng với các mối đe dọa là một yêu cầu chung trong hầu hết các khung pháp lý (ví dụ: GDPR yêu cầu “bảo mật dữ liệu cá nhân” và “thông báo vi phạm bảo mật” trong vòng 72 giờ).
  • Do đó, khả năng Threat detection giúp công ty chứng minh rằng họ có cơ chế giám sát và phản hồi các sự cố an ninh – một yếu tố quan trọng để đạt chuẩn compliance.

2️⃣ Data protection

• Tại sao đúng?
  • SageMaker hỗ trợ mã hoá dữ liệu ở trạng thái nghỉ (encryption at rest) bằng AWS KMS, và mã hoá dữ liệu khi truyền (encryption in transit) qua TLS.
  • Bạn có thể chạy các endpoint trong VPC, sử dụng VPC Endpoints để tránh internet public, và kiểm soát quyền truy cập bằng IAM policies và resource‑based policies.
  • Các tính năng Audit logging (CloudTrail), S3 server‑side encryption, và Data Lifecycle Management giúp đáp ứng các yêu cầu bảo vệ dữ liệu (ví dụ: HIPAA “protected health information”, GDPR “personal data”).
  • Vì vậy, Data protection là một khả năng cốt lõi để chứng minh tuân thủ các quy định bảo mật và riêng tư dữ liệu.

❌ Các đáp án sai

• Auto scaling inference endpoints

• Giải thích: Tính năng auto‑scaling chỉ giúp đảm bảo khả năng mở rộng và độ sẵn sàng của các endpoint inference khi lưu lượng tăng/giảm.
• Không liên quan tới compliance: Các khung pháp lý không yêu cầu tự động mở rộng; chúng tập trung vào bảo mật, quyền riêng tư, và kiểm soát truy cập. Do đó, không thể dùng để “show compliance”.

• Cost optimization

• Giải thích: Cost optimization (tối ưu chi phí) là một trong Five Pillars of the AWS Well‑Architected Framework, nhưng không phải là yếu tố bắt buộc trong hầu hết các tiêu chuẩn tuân thủ (ví dụ: PCI‑DSS, GDPR không đề cập tới chi phí).
• Không thể chứng minh compliance: Việc giảm chi phí không chứng minh được việc đáp ứng các yêu cầu bảo mật hay bảo vệ dữ liệu.

• Loosely coupled microservices

• Giải thích: Kiến trúc loosely‑coupled microservices giúp độ linh hoạt, độ chịu lỗi, và độc lập giữa các thành phần.
• Không phải yếu tố compliance: Các quy định pháp lý không quy định cách các service được gắn kết; chúng quan tâm đến an ninh, bảo mật dữ liệu, giám sát, v.v. Vì vậy, đây không phải là khả năng dùng để chứng minh tuân thủ.

🛠️ Các dịch vụ và tính năng liên quan (đến năm 2026)

• Amazon SageMaker PrivateLink – truy cập endpoint qua VPC Endpoint, không xuất ra internet.
• SageMaker Model Monitor – tự động giám sát drift và chất lượng dữ liệu, hỗ trợ audit.
• AWS KMS (Key Management Service) phiên bản 2 – quản lý khóa CMK, hỗ trợ automatic rotation và key policies nâng cao.
• AWS IAM Access Analyzer – giúp xác định các tài nguyên có thể truy cập công khai.
• AWS Control Tower và AWS Audit Manager – hỗ trợ tạo frameworks cho compliance và tự động thu thập bằng chứng.

📚 Tham khảo

1. AWS SageMaker Documentation – Security Best Practices (phiên bản 2024‑2026).
2. AWS Security Hub – Regulatory Compliance Standards (HIPAA, GDPR, PCI‑DSS).
3. AWS GuardDuty – Threat Detection (hướng dẫn triển khai GuardDuty cho SageMaker).
4. AWS KMS – Data Encryption at Rest and in Transit.
5. AWS Well‑Architected Framework – Security Pillar.

Tóm lại:
✅ Threat detection và Data protection là hai khả năng mà công ty có thể dùng để chứng minh việc tuân thủ các khung pháp lý khi triển khai chatbot trên SageMaker JumpStart. Các lựa chọn còn lại không liên quan trực tiếp đến yêu cầu compliance. 🚀