Ngân hàng đề — AWS Certified AI Practitioner

Tìm thấy 623 câu.

Câu 31 Applications of Foundation Models

A retail company has a collection of product catalogs in the form of PDFs and aims to provide the most current and relevant responses to customer inquiries through its Large Language Model (LLM) chatbot powered by Amazon Bedrock.

Which of the following approaches represents the most cost-effective solution?

  1. A

    Attach the contents of the single product catalog PDF to each customer query request to ensure the LLM has the relevant information for generating responses
  2. B

    Utilize a Retrieval-Augmented Generation (RAG) system by indexing all product catalog PDFs and configuring the LLM chatbot to reference this system for answering queries
  3. C

    Fine-tune the LLM with data extracted from the product catalog PDFs to enhance its ability to provide accurate responses
  4. D

    Attach the contents of all product catalog PDFs to each customer query request to ensure the LLM has all available information for generating responses
Xem giải thích

Đáp án

B — Dùng hệ thống RAG bằng cách đánh chỉ mục toàn bộ catalog sản phẩm

Vì sao đúng

RAG giải đúng ba vấn đề của tình huống này:

  • Nội dung luôn mới — cập nhật catalog chỉ cần đánh chỉ mục lại tài liệu, không phải huấn luyện lại gì.
  • Chỉ đưa phần liên quan vào ngữ cảnh — hệ thống tìm ra vài đoạn khớp với câu hỏi thay vì nhồi cả kho tài liệu.
  • Dẫn được nguồn — câu trả lời trỏ về đúng trang catalog, nên kiểm chứng được.

Vì sao các phương án khác sai

  • A và D. Đính kèm nội dung PDF vào mỗi câu hỏi — vượt context window rất nhanh, và mỗi lần gọi đều trả tiền cho toàn bộ số token đó. Với nhiều catalog thì hoàn toàn bất khả thi.
  • C. Tinh chỉnh mô hình bằng dữ liệu catalog — tốn kém, và điểm hỏng lớn nhất là mỗi lần catalog đổi lại phải tinh chỉnh lại. Tinh chỉnh hợp để dạy mô hình phong cách hay lĩnh vực, không hợp để cung cấp dữ kiện hay thay đổi.
Câu 32 Chọn nhiều đáp án Applications of Foundation Models

A software company is evaluating different AWS services to integrate AI-powered solutions into its applications. The team is particularly interested in Amazon Q for automating business workflows and Amazon Bedrock for leveraging pre-trained foundation models. To make an informed decision on which service to adopt for their specific use cases, they need to understand the core differences between the two, including their capabilities, target use cases, and how each service supports AI-driven tasks.

Which of the following represent the correct options for the given scenario? (Select two)

  1. A

    Amazon Q is a generative AI–powered assistant that allows you to create pre-packaged generative AI applications, whereas, Amazon Bedrock provides an environment to build and scale generative AI applications using a Foundation Model (FM)
  2. B

    With Amazon Bedrock, you can choose the underlying Foundation Model. However, Amazon Q does not allow you to choose the underlying Foundation Model
  3. C

    Both Amazon Q and Amazon Bedrock are generative AI-powered assistants that allow you to create pre-packaged generative AI applications
  4. D

    With Amazon Q, you can choose the underlying Foundation Model. However, Amazon Bedrock does not allow you to choose the underlying Foundation Model
  5. E

    Amazon Bedrock is a generative AI–powered assistant that allows you to create pre-packaged generative AI applications, whereas, Amazon Q provides an environment to build and scale generative AI applications using a Foundation Model (FM)
Xem giải thích

Đáp án

A và B

Vì sao đúng

Hai dịch vụ nằm ở hai tầng khác nhau của cùng một hệ sinh thái:

Amazon Q Amazon Bedrock
Là gì Trợ lý AI đóng gói sẵn Nền tảng để xây ứng dụng AI sinh
Chọn Foundation Model Không Có — nhiều nhà cung cấp
Dùng khi Cần kết quả ngay, ít tuỳ biến Cần kiểm soát và tuỳ biến sâu
  • A mô tả đúng sự phân tầng đó.
  • B nêu đúng điểm phân biệt quan trọng nhất: với Bedrock bạn chọn được mô hình nền, còn Q thì không — vì Q là ứng dụng đã dựng sẵn, mô hình bên dưới là chi tiết triển khai.

Điều đáng nhớ: Amazon Q được xây trên chính Bedrock.

Vì sao các phương án khác sai

  • E và D — đảo ngược vai trò của hai dịch vụ.
  • C. Cả hai đều là trợ lý AI đóng gói sẵn — sai: Bedrock là nền tảng, không phải trợ lý.
Câu 33 Fundamentals of Generative AI

A healthcare technology company is exploring Amazon Bedrock to develop AI-driven solutions for personalized patient care and predictive diagnostics. The team is particularly interested in customizing Foundation Models (FMs) to align with their proprietary medical data and specific use cases. To make an informed decision, they need to understand the available methods for customizing models within Amazon Bedrock to meet their unique requirements.

Which of the following statements is correct regarding the model customization methods for Amazon Bedrock?

  1. A

    Continued pre-training uses labeled data to pre-train a model, whereas, fine-tuning uses unlabeled data to train a model
  2. B

    Continued pre-training uses unlabeled data to pre-train a model, whereas, fine-tuning uses labeled data to train a model
  3. C

    Continued pre-training uses labeled data to pre-train a model and fine-tuning also uses labeled data to train a model
  4. D

    Continued pre-training uses unlabeled data to pre-train a model and fine-tuning also uses unlabeled data to train a model
Xem giải thích

Đáp án

*B — Continued pre-training dùng dữ liệu không nhãn, còn fine-tuning dùng dữ liệu có nhãn

Vì sao đúng

Amazon Bedrock có hai cách tuỳ biến mô hình, khác nhau ở loại dữ liệu bạn phải chuẩn bị:

Continued pre-training Fine-tuning
Dữ liệu Không nhãn — văn bản thô theo lĩnh vực Có nhãn — cặp prompt và câu trả lời mong muốn
Dạy mô hình Ngôn ngữ và khái niệm của lĩnh vực Cách trả lời một nhiệm vụ cụ thể
Với công ty y tế Đổ vào hàng nghìn tài liệu y khoa Soạn cặp "triệu chứng → chẩn đoán mẫu"
Công chuẩn bị Nhẹ, gom tài liệu là được Nặng, phải gán nhãn từng mẫu

Sự khác biệt về chi phí chuẩn bị dữ liệu là điều quyết định trong thực tế: continued pre-training tận dụng được kho tài liệu sẵn có, còn fine-tuning đòi con người ngồi soạn từng cặp.

Vì sao các phương án khác sai

  • A — đảo ngược hai vế.
  • C và D — gán cùng một loại dữ liệu cho cả hai phương pháp, xoá mất chính sự phân biệt mà câu hỏi kiểm tra.
Câu 34 Fundamentals of AI and ML

A robotics company is exploring different machine learning techniques to improve the decision-making capabilities of its autonomous robots. The team is particularly interested in reinforcement learning as a way to enable the robots to learn from their interactions with the environment and improve performance over time. To ensure they understand the underlying mechanics and applicability of this approach, they need a clear explanation of how reinforcement learning works and how it differs from other machine learning methods.

How does reinforcement learning work?

  1. A

    Reinforcement learning uses supervised learning algorithms to label data and make predictions based on those labels
  2. B

    Reinforcement learning transforms raw data into a new feature space to reduce dimensionality and improve the accuracy of the model
  3. C

    Reinforcement learning involves an agent interacting with an environment by taking actions and receiving rewards or penalties, learning a policy to maximize cumulative rewards over time
  4. D

    Reinforcement learning relies on unsupervised learning techniques to cluster data points into groups without any specific feedback mechanism
Xem giải thích

Đáp án

C — Một tác nhân tương tác với môi trường bằng hành động, nhận thưởng hoặc phạt, và học ra chính sách để tối đa hoá phần thưởng tích luỹ

Vì sao đúng

Học tăng cường có bốn thành phần, và định nghĩa đúng phải nêu đủ:

Tác nhân (agent) ──hành động──▶ Môi trường
       ▲                            │
       └────trạng thái + thưởng─────┘

Điểm phân biệt quan trọng nhất với hai nhánh còn lại: không có tập dữ liệu đúng sẵn. Tác nhân tự sinh dữ liệu bằng cách thử, và tín hiệu học duy nhất là phần thưởng — thường đến muộn, sau cả một chuỗi hành động.

Với robot tự hành thì đây là mô hình tự nhiên: không ai có sẵn nhãn "trong tình huống này phải rẽ bao nhiêu độ", nhưng đánh giá được kết quả cuối cùng.

Vì sao các phương án khác sai

  • A. Dùng thuật toán có giám sát để gán nhãn — học có giám sát cần nhãn đúng có sẵn, đúng thứ học tăng cường không có.
  • D. Dựa vào học không giám sát để phân cụm mà không có cơ chế phản hồi — sai ở vế cuối: phần thưởng chính là cơ chế phản hồi, và nó là trung tâm của phương pháp này.
  • B. Biến đổi dữ liệu thô sang không gian đặc trưng mới để giảm chiều — đó là giảm chiều dữ liệu (PCA và họ hàng), không liên quan.
Câu 35 Fundamentals of Generative AI

Which of the following embedding models would be most suitable for differentiating the contextual meanings of words when applied to different phrases?

  1. A

    Bidirectional Encoder Representations from Transformers (BERT)
  2. B

    Principal Component Analysis (PCA)
  3. C

    Word2Vec
  4. D

    Singular Value Decomposition (SVD)
Xem giải thích

Đáp án

A — BERT (Bidirectional Encoder Representations from Transformers)

Vì sao đúng

Câu hỏi tìm mô hình phân biệt được nghĩa theo ngữ cảnh của cùng một từ. Đó chính là điểm BERT hơn hẳn thế hệ trước: nó sinh embedding theo ngữ cảnh — cùng một từ trong hai câu khác nhau cho ra hai vector khác nhau.

Ví dụ với từ bank:

Câu Vector BERT Vector Word2Vec
"I deposited money at the bank" biểu diễn nghĩa "ngân hàng" giống hệt nhau
"We sat on the river bank" biểu diễn nghĩa "bờ sông" giống hệt nhau

Chữ Bidirectional trong tên nói đúng cơ chế: BERT đọc cả bên trái lẫn bên phải của từ cùng lúc, nên nó thấy được ngữ cảnh đầy đủ.

Vì sao các phương án khác sai

  • C. Word2Vec — sinh một vector cố định cho mỗi từ, bất kể từ đó đứng ở đâu. Đây là phương án nhiễu chính, và giới hạn vừa nêu là lý do BERT ra đời.
  • B. PCA và D. SVD — là kỹ thuật giảm chiều của đại số tuyến tính, không phải mô hình embedding ngôn ngữ.
Câu 36 Guidelines for Responsible AI

A large shopping mall has implemented a security camera system equipped with AI to analyze live footage and automatically flag suspicious behavior. Recently, the system has been consistently flagging individuals from a specific ethnic group more frequently than others, leading to concerns among the mall management and community members about potential bias in the AI model. The team suspects that this issue might be due to certain groups being overrepresented or underrepresented in the data used to train the model, resulting in biased outcomes.

Given this situation, which type of bias is most likely responsible for the system disproportionately flagging individuals based on their ethnic group?

  1. A

    Measurement bias
  2. B

    Confirmation bias
  3. C

    Observer bias
  4. D

    Sampling bias
Xem giải thích

Đáp án

D — Sampling bias (sai lệch do lấy mẫu)

Vì sao đúng

Đề đã nêu thẳng nguyên nhân: một số nhóm bị đại diện quá nhiều hoặc quá ít trong dữ liệu huấn luyện. Đó đúng là định nghĩa của sampling bias — dữ liệu thu thập không phản ánh đúng tỷ lệ của quần thể thật.

Hậu quả rất cụ thể: mô hình học được ít đặc điểm của nhóm thiếu dữ liệu nên nhận dạng kém chính xác hơn ở nhóm đó, và sai số cao hơn biểu hiện ra thành gắn cờ nhiều hơn.

Cách sửa cũng đi theo nguyên nhân: bổ sung dữ liệu cho nhóm thiếu đại diện, không phải chỉnh ngưỡng ở đầu ra.

Vì sao các phương án khác sai

  • A. Measurement bias — sai lệch do cách đo hoặc thiết bị đo, ví dụ camera bắt màu da tối kém hơn. Đây là phương án nhiễu gần nhất và cũng gây hậu quả tương tự, nhưng đề chỉ đích danh vấn đề nằm ở thành phần dữ liệu.
  • B. Confirmation bias — thiên kiến của con người: chỉ tìm bằng chứng ủng hộ điều mình đã tin sẵn.
  • C. Observer bias — sai lệch do người quan sát hoặc người gán nhãn đưa vào.
Câu 37 Applications of Foundation Models

A financial services company is leveraging Amazon Bedrock to generate AI-driven insights and recommendations for its clients. The development team is fine-tuning the model's behavior to produce more accurate and relevant responses. As part of this process, they are experimenting with various inference parameters, including Top P, to control how the model generates text. The team needs to understand how adjusting the Top P parameter can influence the diversity and quality of the model's responses during inference.

How does the inference parameter Top P influence the model response for Amazon Bedrock?

  1. A

    Influences the number of most-likely candidates that the model considers for the next token
  2. B

    Influences the likelihood of the model selecting lower-probability outputs, thereby impacting the creativity of the model’s output
  3. C

    Specifies the sequences of characters that stop the model from generating further tokens
  4. D

    Influences the percentage of most-likely candidates that the model considers for the next token
Xem giải thích

Đáp án

D — Ảnh hưởng tới phần trăm các ứng viên nhiều khả năng nhất mà mô hình xem xét cho token kế tiếp

Vì sao đúng

Top P — còn gọi là nucleus sampling — làm việc theo tổng xác suất tích luỹ, không theo số lượng. Đặt Top P = 0,9 nghĩa là: xếp các token theo xác suất giảm dần, lấy dần từ trên xuống cho tới khi tổng đạt 90%, rồi chỉ chọn trong nhóm đó.

Vì làm theo tỷ lệ nên kích thước nhóm ứng viên co giãn theo tình huống: chỗ mô hình rất chắc chắn thì nhóm chỉ vài token, chỗ mơ hồ thì nhóm rộng ra. Đó là ưu điểm so với cách cắt cứng theo số.

Vì sao các phương án khác sai

  • A. Ảnh hưởng tới số lượng ứng viên — đó là Top K, tham số cắt theo con số cố định. Cặp Top P và Top K bị hỏi đối chiếu liên tục, và chữ khoá phân biệt là phần trăm so với số lượng.
  • B. Ảnh hưởng tới khả năng chọn đầu ra xác suất thấp, tác động tới độ sáng tạo — đó là mô tả của Temperature.
  • C. Chỉ định chuỗi ký tự làm mô hình ngừng sinh — đó là Stop sequences.
Câu 38 Fundamentals of Generative AI

A manufacturing company aims to leverage Amazon Bedrock to create a generative AI application that automates the monitoring of inventory levels, sales data, and supply chain information. The application should also recommend optimal reorder points and quantities to enhance operational efficiency.

What do you recommend?

  1. A

    Guardrails for Amazon Bedrock
  2. B

    Agents for Amazon Bedrock
  3. C

    Watermark detection for Amazon Bedrock
  4. D

    Knowledge Bases for Amazon Bedrock
Xem giải thích

Đáp án

B — Agents for Amazon Bedrock

Vì sao đúng

Đề mô tả một hệ thống phải tự làm nhiều bước: theo dõi tồn kho, đọc dữ liệu bán hàng và chuỗi cung ứng, rồi đề xuất điểm đặt hàng lại và số lượng. Đó không phải một lần hỏi đáp, mà là một chuỗi tác vụ có gọi ra hệ thống bên ngoài.

Agents làm đúng việc đó: nó chia nhiệm vụ thành các bước, gọi API của bạn qua action group để lấy dữ liệu thật hoặc thực hiện thao tác, và ghép kết quả lại thành câu trả lời.

Vì sao các phương án khác sai

  • D. Knowledge Bases — cung cấp tri thức từ tài liệu của bạn (mô hình RAG). Nó trả lời được "chính sách tồn kho của công ty là gì", nhưng không gọi được hệ thống để đọc mức tồn kho hiện tại. Thường Agents dùng chung với Knowledge Bases chứ không thay thế.
  • A. Guardrails — lớp lọc nội dung không phù hợp.
  • C. Watermark detection — nhận biết ảnh do Amazon Titan sinh ra.
Câu 39 Guidelines for Responsible AI

The admissions committee at an Ivy League university has noticed an increasing use of generative AI tools, such as language models, by applicants to draft their application essays. Concerned that some students may be using these tools to produce content that is not their original work, the committee aims to implement measures to detect the use of AI in essay creation. Their goal is to ensure that all submissions reflect the genuine thoughts and abilities of the applicants, thus maintaining the integrity and fairness of the admissions process.

What specific issue is the admissions committee primarily trying to address by detecting the use of generative AI in application essays?

  1. A

    Plagiarism
  2. B

    Bias
  3. C

    Hallucination
  4. D

    Misinterpretation
Xem giải thích

Đáp án

A — Đạo văn (plagiarism)

Vì sao đúng

Điều hội đồng tuyển sinh lo là bài luận không phải sản phẩm gốc của thí sinh — họ muốn mỗi bài phản ánh đúng suy nghĩ và năng lực của người viết. Nộp nội dung do người khác (hoặc máy) tạo ra dưới danh nghĩa của mình chính là đạo văn, chỉ khác ở chỗ nguồn là mô hình ngôn ngữ thay vì một bài viết có sẵn.

Vì sao các phương án khác sai

Ba phương án còn lại đều là vấn đề có thật của AI sinh, nhưng không phải điều đề đang hỏi:

  • C. Hallucination — mô hình bịa ra thông tin sai; đó là vấn đề về độ chính xác, còn ở đây hội đồng lo về tác quyền.
  • B. Bias — mô hình đối xử thiên lệch giữa các nhóm.
  • D. Misinterpretation — hiểu sai ý đầu vào.

Cách phân biệt gọn: đề nhấn vào chữ "original work" — đó là từ khoá của đạo văn, không phải của độ chính xác hay công bằng.

Câu 40 Fundamentals of AI and ML

The marketing department at a media company wants to leverage Amazon Bedrock for making creative scripts for an upcoming ad campaign.

What do you recommend?

  1. A

    Use higher Top-P to get more creative responses for the same prompt on Amazon Bedrock
  2. B

    Use lower Temperature to get more creative responses for the same prompt on Amazon Bedrock
  3. C

    Use lower Top-P to get more creative responses for the same prompt on Amazon Bedrock
  4. D

    Use higher Temperature to get more creative responses for the same prompt on Amazon Bedrock
Xem giải thích

Đáp án

D — Tăng Temperature để có phản hồi sáng tạo hơn

Vì sao đúng

Temperature điều chỉnh độ ngẫu nhiên khi mô hình chọn token kế tiếp, bằng cách làm phẳng hoặc làm nhọn phân bố xác suất:

Temperature Phân bố xác suất Kết quả Hợp với
Thấp (0,1–0,3) Nhọn — token đầu bảng gần như luôn thắng Ổn định, lặp lại được, an toàn Trích xuất dữ liệu, phân loại, tóm tắt
Cao (0,8–1,0) Phẳng — token ít khả năng vẫn có cửa Đa dạng, bất ngờ, đôi khi lạc đề Viết kịch bản quảng cáo, đặt tên, ý tưởng

Đề nói về kịch bản sáng tạo cho chiến dịch quảng cáo, nên tăng temperature là đúng hướng.

Vì sao các phương án khác sai

  • B. Giảm Temperature — làm ngược lại, cho ra nội dung khuôn mẫu và an toàn.
  • C. Giảm Top-P — thu hẹp nhóm ứng viên, cũng giảm sáng tạo.
  • A. Tăng Top-P — hướng thì đúng nhưng Top P là tham số cắt bớt nhóm ứng viên; khi đã ở mức gần 1 thì tăng thêm gần như không đổi gì. Temperature mới là núm chỉnh sáng tạo trực tiếp.