Ngân hàng đề — AWS Certified AI Practitioner

🔍 Phân tích nội dung câu hỏi

Câu hỏi mô tả một ngân hàng đang xây dựng giải pháp AI dựa trên foundation model (FM) để đưa ra quyết định duyệt khoản vay. Vì yêu cầu bảo mật và kiểm toán, ngân hàng cần các quyết định của mô hình có thể giải thích được (explainable).
Bạn phải chọn yếu tố nào ảnh hưởng tới khả năng giải thích (explainability) của quyết định của mô hình AI.

✅ Đáp án đúng

- Model complexity

Lý do:

• Mức độ phức tạp của mô hình (số lớp, kiểu kiến trúc, non‑linearities…) quyết định có bao nhiêu “đường đi” nội bộ để đưa ra dự đoán.
• Các mô hình phức tạp (ví dụ: transformer‑dựa trên foundation model với hàng trăm triệu tham số) thường khó giải thích vì không thể theo dõi được cách từng đặc trưng ảnh hưởng đến kết quả cuối cùng.
• Ngược lại, mô hình đơn giản (ví dụ: logistic regression, decision tree) thường dễ dàng cung cấp các chỉ số trọng số, quyết định nhánh, giúp kiểm toán viên hiểu “tại sao” một khoản vay được chấp nhận hay từ chối.

Trong AWS, công cụ Amazon SageMaker Clarify và Amazon SageMaker Model Monitor nhấn mạnh rằng độ phức tạp của mô hình là yếu tố chính ảnh hưởng tới khả năng tạo ra explainability reports (feature importance, SHAP values, etc.)【📘 AWS SageMaker Clarify Documentation (2026)】.

❌ Giải thích các phương án sai

• Training time

  • Thời gian huấn luyện chỉ phản ánh khoảng thời gian cần để mô hình học từ dữ liệu, không liên quan tới cách mô hình “giải thích” quyết định.
  • Một mô hình có thể được huấn luyện nhanh (ví dụ: linear regression) nhưng vẫn độ giải thích cao, hoặc ngược lại, một mô hình huấn luyện lâu (ví dụ: lớn transformer) vẫn khó giải thích.
  • Do đó, training time không phải là yếu tố quyết định cho explainability.

• Number of hyperparameters

  • Số lượng siêu tham số (learning rate, batch size, dropout…) ảnh hưởng tới hiệu suất và độ ổn định của quá trình huấn luyện, nhưng không trực tiếp quyết định khả năng giải thích.
  • Một mô hình có rất nhiều hyperparameter vẫn có thể được “giải thích” nếu kiến trúc đơn giản (ví dụ: một cây quyết định sâu với nhiều tham số điều chỉnh).
  • Vì vậy, number of hyperparameters không phải là tiêu chí chính để đánh giá explainability.

• Deployment time

  • Thời gian triển khai mô hình (từ việc đóng gói, containerize, tới đưa lên endpoint) liên quan tới độ nhanh chóng đưa sản phẩm vào hoạt động, không ảnh hưởng tới cách mô hình cung cấp thông tin giải thích.
  • Explainability phụ thuộc vào cấu trúc nội tại của mô hình và các công cụ/đầu ra giải thích (SHAP, LIME, Clarify), chứ không phải thời gian đưa mô hình vào môi trường sản xuất.

🛠️ Các công cụ AWS hỗ trợ Explainability (2026)

1. Amazon SageMaker Clarify – tự động tính toán feature importance, SHAP values, và cung cấp bias detection.
2. Amazon SageMaker JumpStart – cung cấp pre‑built foundation models kèm theo explainability add‑ons (ví dụ: “Explainable LLM”).
3. AWS Bedrock – trong phiên bản mới (2025‑2026), các foundation model có built‑in interpretability APIs cho phép trả về “reasoning trace”.
4. AWS CloudTrail + AWS Config – hỗ trợ audit trail cho các yêu cầu giải thích, ghi lại ai, khi nào, và vì sao một quyết định AI được thực hiện.

📚 Tham khảo

• AWS Documentation – Amazon SageMaker Clarify (v2026.04) – phần “Understanding Model Explainability”.
• AWS Blog – “Explainable AI with Foundation Models on Amazon Bedrock” (Nov 2025).
• AWS Well‑Architected Framework – Security Pillar – yêu cầu “ability to audit and explain AI/ML decisions”.

Tóm lại: Yếu tố quyết định khả năng giải thích (explainability) của quyết định AI trong ngữ cảnh này là Model complexity. Các yếu tố khác (training time, number of hyperparameters, deployment time) không ảnh hưởng trực tiếp tới việc làm sao mô hình có thể cung cấp lý do cho quyết định của mình. ✅

📖 Giải thích nội dung câu hỏi

Công ty dược phẩm muốn phân tích các bình luận (review) của người dùng về các loại thuốc mới và sau đó tạo một bản tóm tắt ngắn gọn cho mỗi thuốc.

Yêu cầu chính:

1. Xử lý ngôn ngữ tự nhiên – các review là văn bản, cần hiểu ý nghĩa, trích xuất thông tin quan trọng.
2. Tạo tóm tắt (summarization) – sinh ra một đoạn văn ngắn, súc tích mô tả cảm nhận chung về thuốc.
3. Không yêu cầu dự báo thời gian, phân loại nhóm thuốc, hay phân tích hình ảnh.

✅ Đáp án đúng

Create medication review summaries by using Amazon Bedrock large language models (LLMs).

• Tại sao?
  • Amazon Bedrock cung cấp truy cập ngay lập tức tới các large language models (LLM) như Claude (Anthropic), Titan (Amazon), Llama 3, Gemini, v.v. Các mô hình này được huấn luyện trên lượng dữ liệu khổng lồ và hỗ trợ tổng hợp văn bản (summarization), trích xuất thông tin, đánh giá cảm xúc, … Điều này chính là nhu cầu “tạo bản tóm tắt review thuốc”.
  • Bedrock cho phép điều chỉnh (fine‑tune) hoặc prompt‑tuning để tối ưu hoá kết quả cho ngữ cảnh y tế, đồng thời đảm bảo an toàn dữ liệu (được mã hoá, không lưu trữ đầu ra trên server của nhà cung cấp nếu sử dụng VPC Endpoint).
  • Dịch vụ này không yêu cầu quản lý hạ tầng (serverless) – phù hợp với vai trò DevOps Engineer muốn tối thiểu hoá operational overhead.

❌ Giải thích các phương án sai

• Create a time‑series forecasting model to analyze the medication reviews by using Amazon Personalize.

  • Amazon Personalize là dịch vụ gợi ý (recommendation), chuyên về time‑series hoặc collaborative‑filtering dựa trên hành vi người dùng, không hỗ trợ xử lý ngôn ngữ tự nhiên hoặc tóm tắt văn bản.
  • Thêm vào đó, “time‑series forecasting” chỉ hữu ích khi có dữ liệu số theo thời gian (ví dụ: doanh thu, lưu lượng truy cập), không phải để phân tích nội dung review.

• Create a classification model that categorizes medications into different groups by using Amazon SageMaker.

  • Amazon SageMaker là nền tảng mạnh mẽ để xây dựng, huấn luyện và triển khai các mô hình máy học, bao gồm cả classification. Tuy nhiên, câu hỏi không yêu cầu phân loại thuốc mà yêu cầu tóm tắt nội dung review.
  • Để thực hiện tóm tắt, bạn sẽ cần một mô hình ngôn ngữ (LLM) chứ không phải một mô hình phân loại đơn giản. Việc tự xây dựng mô hình trên SageMaker sẽ tốn thời gian, chi phí và không phải là giải pháp “đáp ứng nhanh nhất”.

• Create medication review summaries by using Amazon Rekognition.

  • Amazon Rekognition là dịch vụ phân tích hình ảnh và video (nhận dạng khuôn mặt, đối tượng, văn bản trong ảnh…). Nó không có khả năng xử lý văn bản thuần như các review.
  • Mặc dù Rekognition hỗ trợ OCR để trích xuất text từ hình ảnh, nhưng không cung cấp tính năng summarization cho nội dung ngôn ngữ tự nhiên.

🛠️ Gợi ý kiến trúc thực tế (đến năm 2026)

1. Thu thập review → Amazon S3 (lưu trữ raw data) + EventBridge → kích hoạt Lambda.
2. Tiền xử lý (loại bỏ dữ liệu nhạy cảm, chuẩn hoá) → AWS Glue hoặc Lambda.
3. Gửi tới Amazon Bedrock qua InvokeModel API (sử dụng VPC Endpoint để bảo mật).
4. Lưu trữ kết quả tóm tắt → DynamoDB (key = medication_id, value = summary) hoặc OpenSearch nếu cần tìm kiếm toàn văn.
5. Triển khai API (AWS API Gateway + Lambda) để các hệ thống nội bộ hoặc khách hàng có thể lấy tóm tắt.
6. Giám sát & logging → CloudWatch Logs, CloudWatch Metrics, X‑Ray (đối với Lambda).

📚 Tham khảo (tài liệu AWS cập nhật 2026)

• Amazon Bedrock Documentation – “Generate Text Summaries with Foundation Models” (v2.4, 2026).
• AWS Well‑Architected Framework – Operational Excellence Pillar – hướng dẫn giảm thiểu operational overhead khi dùng serverless services.
• Amazon Personalize Developer Guide – chỉ ra các trường hợp sử dụng (recommendation, personalization) – không hỗ trợ summarization.
• Amazon Rekognition Documentation – mô tả các tính năng hiện tại (image/video analysis).
• Amazon SageMaker Documentation – “Built‑in Algorithms for Text Classification” – không phải là giải pháp tóm tắt.

📌 Kết luận nhanh

• ✅ Đáp án đúng: Create medication review summaries by using Amazon Bedrock large language models (LLMs).
• ❌ Các đáp án còn lại đều không phù hợp vì chúng hướng tới dự báo thời gian, phân loại, hoặc xử lý hình ảnh, trong khi yêu cầu thực tế là tổng hợp nội dung văn bản – công việc này được thực hiện tốt nhất bằng LLM trên Amazon Bedrock.

📖 Phân tích câu hỏi

Câu hỏi mô tả một ứng dụng lead‑prioritization (xếp hạng tiềm năng khách hàng) mà nhân viên sẽ xem và điều chỉnh các trọng số (weights) của các biến trong mô hình dựa trên hiểu biết miền (domain knowledge).
Yêu cầu chính:

1. Mô hình phải cho phép người dùng truy cập và thay đổi trọng số một cách trực tiếp, không cần phải huấn luyện lại toàn bộ mô hình.
2. Mô hình cần dễ giải thích (explainable) để người dùng hiểu tại sao một lead được xếp hạng như vậy.

Trong các mô hình Machine Learning, chỉ có một số mô hình tuyến tính (linear) cho phép truy cập và chỉnh sửa trực tiếp các hệ số (weights). Vì vậy, chúng ta cần xác định loại mô hình nào đáp ứng được cả hai tiêu chí “có trọng số có thể chỉnh sửa” và “có khả năng giải thích”.

✅ Đáp án đúng: Logistic regression model

Lý do chọn

• Logistic regression là mô hình tuyến tính (linear) cho bài toán phân loại nhị phân (có / không có khả năng chuyển đổi lead).
• Các hệ số (coefficients) của mô hình chính là trọng số của các biến đầu vào – người dùng có thể đọc, hiểu và thay đổi chúng một cách trực tiếp trong mã hoặc thông qua giao diện quản trị (ví dụ: SageMaker Studio, SageMaker Model Registry).
• Khi trọng số được thay đổi, mô hình không cần phải “re‑train” lại; chỉ cần cập nhật hệ số và chạy dự đoán lại.
• Logistic regression được hỗ trợ đầy đủ trong Amazon SageMaker (định nghĩa mô hình, triển khai, A/B testing) và được xem là “white‑box” model, rất phù hợp với yêu cầu “có thể điều chỉnh theo domain knowledge”.

📚 Tham khảo:

• Amazon SageMaker Built‑in Algorithms – Linear Learner (cũng hỗ trợ logistic regression) – https://docs.aws.amazon.com/sagemaker/latest/dg/linear-learner.html
• AWS Machine Learning Blog – Explainable ML with Amazon SageMaker Clarify – https://aws.amazon.com/blogs/machine-learning/amazon-sagemaker-clarify/

❌ Các phương án sai và phân tích

• Deep learning model built on principal components

  • Đây là một mô hình deep learning (các lớp mạng neuron) được huấn luyện trên dữ liệu đã được giảm chiều bằng Principal Component Analysis (PCA).
  • Mặc dù PCA tạo ra các “principal components”, các trọng số trong mạng neuron (weights) được học tự động và không thể chỉnh sửa một cách trực tiếp mà không phá vỡ cấu trúc mô hình.
  • Thêm vào đó, mô hình deep learning thường khó giải thích (black‑box) và việc thay đổi trọng số mà không tái huấn luyện sẽ gây lỗi nghiêm trọng.

• K-nearest neighbors (k‑NN) model

  • k‑NN là mô hình phi‑tham số (non‑parametric), không có trọng số cố định cho các biến. Dự đoán dựa trên khoảng cách tới các điểm dữ liệu huấn luyện, vì vậy không có “weights” nào để người dùng điều chỉnh.
  • Để thay đổi ảnh hưởng của biến, chỉ có thể điều chỉnh hàm khoảng cách (ví dụ: trọng số cho từng chiều) nhưng điều này không được coi là “trọng số model” và không phải là cách tiếp cận mà câu hỏi mô tả.

• Neural network

  • Mạng neuron (cả shallow hay deep) chứa hàng nghìn đến hàng triệu trọng số được học qua quá trình gradient descent.
  • Các trọng số này không có ý nghĩa trực quan và không nên được chỉnh sửa thủ công; nếu thay đổi mà không tái huấn luyện, mô hình sẽ mất tính ổn định và độ chính xác.
  • Do tính chất “black‑box” và việc không cho phép người dùng can thiệp trực tiếp vào trọng số, neural network không phù hợp với yêu cầu “có thể điều chỉnh dựa trên domain knowledge”.

🛠️ Lưu ý thực tiễn trên AWS (đến năm 2026)

• Khi triển khai logistic regression trên SageMaker, bạn có thể sử dụng SageMaker Pipelines để tạo UI cho phép người quản trị nhập/điều chỉnh hệ số.
• Đối với yêu cầu giải thích, SageMaker Clarify cung cấp feature importance cho logistic regression, giúp nhân viên hiểu rõ vai trò của mỗi biến.
• Các mô hình deep learning, k‑NN hoặc neural network hiện vẫn được hỗ trợ trong SageMaker, nhưng không có công cụ nội bộ nào cho phép chỉnh sửa trọng số một cách an toàn như logistic regression.

🔚 Kết luận

• ✅ Logistic regression model là lựa chọn duy nhất đáp ứng yêu cầu có thể xem và điều chỉnh trọng số dựa trên kiến thức miền, đồng thời cung cấp khả năng giải thích cao.
• Các mô hình còn lại (deep learning + PCA, k‑NN, neural network) đều không cho phép việc chỉnh sửa trọng số một cách trực tiếp và/hoặc không giải thích được, nên không phù hợp với nhu cầu của câu hỏi.

🔎 Phân tích câu hỏi
Câu hỏi: “Which strategy will determine if a foundation model (FM) effectively meets business objectives?”

Câu hỏi đang hỏi phương pháp nào giúp chúng ta đánh giá xem một foundation model (mô hình nền tảng lớn như LLM, diffusion model, v.v.) có đáp ứng được mục tiêu kinh doanh của tổ chức hay không.

Trong bối cảnh AWS, việc lựa chọn và triển khai FM thường được thực hiện qua các dịch vụ như Amazon Bedrock, Amazon SageMaker JumpStart, hoặc SageMaker Canvas. Tuy nhiên, việc xác định tính phù hợp của mô hình không chỉ dựa trên các chỉ số kỹ thuật (độ chính xác, tốc độ, tài nguyên), mà quan trọng hơn là đánh giá mức độ gắn kết giữa khả năng của mô hình và các trường hợp sử dụng thực tế của doanh nghiệp (ví dụ: tự động tạo nội dung hỗ trợ khách hàng, phân tích tài liệu pháp lý, dự báo nhu cầu, …).

Do đó, chiến lược cần tập trung vào sự tương thích (alignment) giữa mô hình và các use‑case cụ thể – tức là câu trả lời đúng.

✅ Đáp án đúng

🟢 Assess the model's alignment with specific use cases.

🔹 Lý do:

• Đây là cách duy nhất đo lường mức độ đáp ứng mục tiêu kinh doanh. Khi một FM được đánh giá dựa trên cách nó giải quyết các vấn đề thực tế, mang lại giá trị kinh doanh và đáp ứng KPI, chúng ta biết được mô hình có thực sự “phù hợp” hay không.
• Trong AWS, quá trình này thường được thực hiện qua SageMaker Model Monitor, Amazon Bedrock’s Prompt Lab, và custom evaluation pipelines để kiểm tra đầu ra mô hình trên các dataset phản ánh nghiệp vụ thực tế.

❌ Các phương án sai và giải thích

• 🟥 Evaluate the model's performance on benchmark datasets.

  • Giải thích: Các benchmark (GLUE, SuperGLUE, ImageNet, …) chỉ đo độ chính xác chung của mô hình trong môi trường nghiên cứu. Chúng không phản ánh đặc thù của doanh nghiệp, như yêu cầu tuân thủ, ngữ cảnh ngành, hoặc KPI kinh doanh. Do đó, mặc dù quan trọng để xác nhận chất lượng cơ bản, chúng không quyết định mô hình có đáp ứng mục tiêu kinh doanh hay không.

• 🟥 Analyze the model's architecture and hyperparameters.

  • Giải thích: Việc xem xét kiến trúc (Transformer, diffusion, …) và siêu tham số (learning rate, batch size) là công việc kỹ thuật nội bộ nhằm tối ưu hoá hiệu năng hoặc chi phí. Tuy cần thiết khi thiết kế hoặc fine‑tune, nhưng không cung cấp thông tin về việc mô hình có giải quyết đúng vấn đề kinh doanh.

• 🟥 Measure the computational resources required for model deployment.

  • Giải thích: Đánh giá tài nguyên (CPU/GPU, memory, latency, cost) là tiêu chí vận hành quan trọng để quyết định khả năng triển khai và chi phí sở hữu (TCO). Tuy nhiên, không trực tiếp đo lường mức độ đáp ứng mục tiêu kinh doanh; một mô hình có chi phí thấp nhưng không giải quyết được nhu cầu nghiệp vụ vẫn sẽ thất bại.

🛠️ Cách thực hiện “Assess the model's alignment with specific use cases” trên AWS (2026)

1. Xác định KPI doanh nghiệp – ví dụ: thời gian phản hồi khách hàng < 2s, tỷ lệ chuyển đổi tăng 5%, giảm chi phí xử lý tài liệu 30%.
2. Xây dựng dataset test phản ánh use‑case – dữ liệu thực tế (đoạn hội thoại, hợp đồng, ảnh sản phẩm) được gán nhãn theo tiêu chí KPI.
3. Triển khai mô hình trên Amazon Bedrock hoặc SageMaker và tạo endpoint.
4. Sử dụng SageMaker Pipelines + Model Monitor để chạy batch inference trên dataset test, thu thập các metric:
   • Độ chính xác / F1-score trên các nhãn KPI
   • Độ hài hòa (hallucination rate) đối với dữ liệu quan trọng
   • Thời gian đáp ứng và chi phí inference (để cân bằng với KPI chi phí)
5. Phân tích kết quả bằng Amazon QuickSight hoặc AWS Lookout for Metrics để so sánh với mục tiêu kinh doanh.
6. Iterate: fine‑tune mô hình (SageMaker JumpStart, Hugging Face DLC) hoặc thay đổi prompt (Bedrock Prompt Lab) cho đến khi đạt mức độ alignment mong muốn.

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

• AWS Well‑Architected Framework – Machine Learning Lens (2025 edition) – phần Business Alignment.
• Amazon Bedrock Developer Guide, chương “Prompt Engineering & Use‑Case Validation”.
• Amazon SageMaker Documentation, mục Model Monitoring and Evaluation (v2026.1).
• AWS whitepaper “Best Practices for Deploying Foundation Models” (released Q4 2025).
• Research paper “Evaluating Foundation Models for Business Impact” – IEEE Access, 2024, được trích dẫn trong blog AWS AI/ML.

🧩 Kết luận
Để xác định một foundation model có thực sự đáp ứng mục tiêu kinh doanh, chúng ta cần đánh giá mức độ gắn kết (alignment) của mô hình với các trường hợp sử dụng cụ thể của doanh nghiệp. Các phương pháp đo lường kỹ thuật (benchmark, kiến trúc, tài nguyên) là những bước hỗ trợ, nhưng không thể thay thế việc thử nghiệm mô hình trong môi trường nghiệp vụ thực tế và so sánh với KPI đã định. 🚀

🧩 Câu hỏi:
Công ty muốn đào tạo một mô hình Machine Learning (ML) để phân loại ảnh các loài động vật. Họ đã có một bộ dữ liệu lớn đã được gán nhãn và sẽ không thu thập (hoặc gán nhãn) thêm dữ liệu nào nữa.

👉 Yêu cầu: Chọn “type of learning” (kiểu học máy) phù hợp để huấn luyện mô hình.

1. Giải thích nội dung câu hỏi một cách chi tiết và rõ ràng 📘

• Mục tiêu: Xây dựng một mô hình phân loại ảnh → classification (một bài toán giám sát – cần dựa vào nhãn để học).
• Dữ liệu hiện có: Đã được gán nhãn (labelled) và không có kế hoạch tạo thêm nhãn.
• Vì dữ liệu đã đầy đủ nhãn, ta sẽ dùng Supervised learning – mô hình học mối quan hệ giữa đầu vào (ảnh) và đầu ra (nhãn) từ tập huấn luyện đã được gán nhãn.
• Các phương pháp khác (Unsupervised, Reinforcement, Active) đều yêu cầu hoặc không cần nhãn, hoặc cần tương tác/đánh giá liên tục – không phù hợp với điều kiện “không gán nhãn thêm”.

2. Đáp án đúng và lý do lựa chọn ✅

✅ Đáp án đúng: “Supervised learning”

• Lý do:
  • Supervised learning là kiểu học dựa trên cặp (input, label). Khi dữ liệu đã được gán nhãn đầy đủ, mô hình sẽ học cách ánh xạ ảnh → nhãn (loài động vật).
  • Trong AWS, dịch vụ Amazon SageMaker cung cấp các built‑in algorithms (ví dụ: Image Classification, Linear Learner, XGBoost) và framework containers (TensorFlow, PyTorch…) được tối ưu cho supervised learning.
  • Không cần thêm dữ liệu mới hay vòng phản hồi; chỉ cần train mô hình trên dataset đã có, sau đó deploy (SageMaker Endpoint, Lambda + API Gateway, hoặc Batch Transform) để dự đoán.

3. Phân tích tất cả các phương án (đúng và sai) ❌✅

- Supervised learning

• Giải thích: Đây là phương pháp học máy trong đó mô hình được “giám sát” bởi các nhãn (labels) trong tập huấn luyện. Khi dữ liệu đã được gán nhãn và không có kế hoạch tạo nhãn mới, supervised learning là cách tiếp cận chuẩn để giải quyết bài toán phân loại ảnh.
• AWS liên quan: Amazon SageMaker (Built‑in Image Classification algorithm, SageMaker Autopilot), Amazon Rekognition Custom Labels (cũng dựa trên supervised learning).

- Unsupervised learning

• Giải thích: Unsupervised learning không sử dụng nhãn; nó tìm kiếm cấu trúc tiềm ẩn (cluster, embedding) trong dữ liệu. Vì mục tiêu của công ty là phân loại các loài động vật dựa trên nhãn đã có, việc không dùng nhãn sẽ khiến mô hình không học cách phân biệt đúng các lớp.
• AWS liên quan: SageMaker K‑Means, SageMaker PCA, hoặc Amazon Comprehend (cho text) – nhưng không phù hợp cho bài toán classification có nhãn sẵn.

- Reinforcement learning

• Giải thích: Reinforcement learning (RL) dựa trên agent tương tác với môi trường, nhận reward hoặc penalty để học chính sách tối ưu. RL thường dùng cho các bài toán điều khiển, trò chơi, tối ưu quyết định thời gian thực – không phù hợp với việc phân loại ảnh tĩnh và không yêu cầu vòng phản hồi môi trường.
• AWS liên quan: SageMaker RL Toolkit, DeepRacer – các dịch vụ dành cho RL, không liên quan tới bài toán classification.

- Active learning

• Giải thích: Active learning là một dạng supervised learning nâng cao, trong đó mô hình chọn các mẫu chưa được gán nhãn để người dùng (hoặc hệ thống) gán nhãn, nhằm giảm chi phí gán nhãn. Câu hỏi đã khẳng định không gán thêm nhãn → Active learning không thể áp dụng, vì không có vòng “query‑label”.
• AWS liên quan: SageMaker Ground Truth hỗ trợ active labeling (human‑in‑the‑loop), nhưng nếu không muốn thêm nhãn thì không dùng.

4. Áp dụng kiến thức cập nhật đến năm 2026 🔧

• SageMaker Studio Lab (miễn phí) và SageMaker Studio (trả phí) vẫn là môi trường phát triển chính cho các dự án supervised learning.
• Amazon Rekognition Custom Labels (ra mắt 2020, cập nhật liên tục) cho phép người dùng tải lên bộ dữ liệu đã gán nhãn và nhận mô hình phân loại nhanh chóng mà không cần viết code.
• SageMaker Autopilot (cập nhật 2024) tự động khám phá, tiền xử lý và huấn luyện nhiều mô hình supervised, tự động chọn thuật toán tốt nhất – rất phù hợp khi muốn “đưa dữ liệu đã gán nhãn vào và nhận mô hình”.
• SageMaker Feature Store và Data Wrangler giúp quản lý, chuẩn bị dữ liệu hình ảnh lớn, giảm thời gian ETL.

5. Tài liệu tham khảo 📚

1. AWS Documentation – Amazon SageMaker
   • “Supervised Learning with Built‑in Algorithms” – https://docs.aws.amazon.com/sagemaker/latest/dg/algos.html
2. AWS Documentation – Amazon Rekognition Custom Labels
   • “Create a custom label model” – https://docs.aws.amazon.com/rekognition/latest/customlabels-dg/
3. AWS Blog – 2024 Update: SageMaker Autopilot Enhancements
   • https://aws.amazon.com/blogs/machine-learning/sagemaker-autopilot-2024/
4. “Machine Learning Foundations” – AWS Training & Certification, 2025 edition
   • https://www.aws.training/MLFoundations

📌 Kết luận ngắn gọn

Với dữ liệu đã được gán nhãn và không có kế hoạch tạo nhãn mới, Supervised learning là kiểu học máy phù hợp nhất để huấn luyện mô hình phân loại ảnh động vật. Các phương án còn lại (Unsupervised, Reinforcement, Active) không đáp ứng yêu cầu về nhãn và/hoặc tương tác dữ liệu, do đó chúng là câu trả lời sai. 🚀

🧩 Câu hỏi:
Which phase of the ML lifecycle determines compliance and regulatory requirements?

1️⃣ Giải thích nội dung câu hỏi

Câu hỏi đang hỏi giai đoạn nào trong vòng đời của một dự án Machine Learning (ML) quyết định các yêu cầu về tuân thủ (compliance) và quy định pháp lý (regulatory requirements).

Trong một pipeline ML, các giai đoạn thường gặp bao gồm:

1. Business goal identification – xác định mục tiêu kinh doanh, phạm vi dự án, và các ràng buộc phi‑kỹ thuật (ví dụ: luật dữ liệu, yêu cầu bảo mật).
2. Data collection – thu thập dữ liệu từ các nguồn nội bộ hoặc bên ngoài.
3. Feature engineering – chuyển đổi dữ liệu thô thành các đặc trưng (features) hữu ích cho mô hình.
4. Model training – huấn luyện mô hình trên dữ liệu đã chuẩn bị.

Yêu cầu compliance & regulatory (ví dụ: GDPR, HIPAA, PCI‑DSS, CCPA, AWS Well‑Architected “Security Pillar”, hoặc các chuẩn ngành như FINRA) không phải là một vấn đề kỹ thuật xuất hiện sau khi dữ liệu đã sẵn sàng; chúng cần được xác định và lên kế hoạch ngay từ đầu để đảm bảo toàn bộ pipeline (thu thập, lưu trữ, xử lý, triển khai) tuân thủ các quy định.

Do đó, giai đoạn Business goal identification là nơi quyết định các yêu cầu này.

2️⃣ Đáp án đúng & lý do

✅ Business goal identification

Lý do: Khi định hình mục tiêu kinh doanh, nhóm dự án phải xem xét:

• Loại dữ liệu sẽ được sử dụng (cá nhân, y tế, tài chính …) → quyết định các quy định cần tuân thủ.
• Vùng địa lý của người dùng/đối tượng dữ liệu → ảnh hưởng đến luật bảo vệ dữ liệu (GDPR ở EU, CCPA ở California, …).
• Mức độ nhạy cảm và yêu cầu lưu trữ/xử lý (độ mã hoá, kiểm soát truy cập).

AWS cung cấp các công cụ hỗ trợ ở giai đoạn này: AWS Artifact để tải xuống các báo cáo compliance, AWS IAM để thiết kế quyền truy cập, AWS Config Rules để tự động kiểm tra tuân thủ, và Amazon Macie/Amazon GuardDuty để phát hiện dữ liệu nhạy cảm. Khi các yêu cầu này đã được xác định ở giai đoạn “Business goal identification”, chúng sẽ được tích hợp vào các bước tiếp theo (data collection, feature engineering, model training) để tránh vi phạm pháp luật.

3️⃣ Giải thích các phương án (đúng & sai)

• ❌ Feature engineering

  • Giải thích: Giai đoạn này chỉ tập trung vào việc biến đổi dữ liệu thành các đặc trưng (features) phục vụ mô hình. Mặc dù có thể phát hiện dữ liệu nhạy cảm trong quá trình này, việc xác định yêu cầu compliance đã phải được quyết định trước. Nếu không, việc thiết kế features có thể vi phạm luật (ví dụ: tạo ra feature từ dữ liệu cá nhân mà không có sự đồng ý). Do vậy, feature engineering không phải là giai đoạn quyết định compliance.

• ❌ Model training

  • Giải thích: Đây là bước huấn luyện thuật toán trên dữ liệu đã chuẩn bị. Các yêu cầu compliance đã phải được thiết lập và thực thi ở các giai đoạn trước (thu thập, lưu trữ, xử lý). Model training chỉ thực hiện việc tối ưu hoá mô hình; nếu có vi phạm, lỗi sẽ xuất hiện trước khi tới bước này. Vì vậy, model training không quyết định các yêu cầu regulatory.

• ❌ Data collection

  • Giải thích: Việc thu thập dữ liệu là nơi tiếp xúc trực tiếp với các quy định (ví dụ: cần có consent, không thu thập dữ liệu vượt quá phạm vi cho phép). Tuy nhiên, các quy định này phải được xác định trước khi thu thập; nếu không, việc thu thập sẽ ngay lập tức vi phạm. Do đó, data collection là giai đoạn thực thi yêu cầu compliance, chứ không phải giai đoạn quyết định chúng.

• ✅ Business goal identification

  • Giải thích chi tiết: Khi nhóm dự án định nghĩa mục tiêu kinh doanh, họ sẽ:
    • Xác định đối tượng dữ liệu (cá nhân, y tế, tài chính…).
    • Đánh giá vùng địa lý và luật áp dụng.
    • Đặt ràng buộc bảo mật & bảo vệ dữ liệu (ví dụ: encryption at rest, access logging).
    • Lựa chọn công cụ AWS phù hợp (AWS Artifact, AWS Control Tower, AWS Organizations, AWS IAM, AWS KMS, Amazon Macie, …).
    • Định nghĩa các tiêu chí audit và các rule compliance sẽ được áp dụng trong suốt vòng đời dự án.

  Việc này giúp tránh việc phải “điều chỉnh lại” dự án sau khi đã thu thập hoặc huấn luyện, giảm rủi ro phạt tiền và thời gian chờ audit.

4️⃣ Kiến thức cập nhật tới năm 2026 (AWS)

• AWS Artifact 2026: Cung cấp continuous compliance reports (SOC 2, ISO 27001, GDPR Data Processing Addendum) và cho phép custom compliance frameworks để tích hợp trực tiếp vào quá trình lập kế hoạch dự án.
• AWS Control Tower 2026: Cho phép pre‑set guardrails cho các môi trường ML (ví dụ: “Data Residency Guardrails” để tự động ngăn dữ liệu ra khỏi các vùng không cho phép).
• Amazon SageMaker Canvas & Studio 2026: Khi tạo SageMaker Pipelines, có thể gắn policy-as-code (sử dụng CDK‑TF, CloudFormation) để tự động kiểm tra compliance dựa trên metadata được khai báo trong “Business goal identification”.
• AWS Well‑Architected Tool – Updated Pillar “Compliance”: Bây giờ có checklist cho ML workloads, yêu cầu xác định “Regulatory requirements” ngay trong phase 1 – Define Business Objectives.

Những tính năng này nhấn mạnh rằng xác định yêu cầu tuân thủ ở giai đoạn mục tiêu kinh doanh là thực tiễn và được AWS khuyến nghị trong tài liệu AWS Well‑Architected Framework (2026 edition) và AWS SageMaker Best Practices.

5️⃣ Tài liệu tham khảo

• AWS Well‑Architected Framework – Security Pillar (2026 Edition), phần Compliance and Regulatory Requirements.
• AWS Artifact Documentation, “Compliance Reports and Agreements”.
• Amazon SageMaker Developer Guide, “Building Secure and Compliant ML Pipelines”.
• AWS Control Tower User Guide, “Guardrails for Data Residency and Regulatory Compliance”.
• GDPR, CCPA, HIPAA, PCI‑DSS – các quy chuẩn thường được nhắc tới trong các dịch vụ AWS.

🔚 Tóm lại: Giai đoạn Business goal identification là thời điểm quyết định các yêu cầu compliance & regulatory, vì nó đặt nền tảng cho toàn bộ quy trình dữ liệu và mô hình sau này. Các giai đoạn khác (Data collection, Feature engineering, Model training) chỉ là các bước thực thi dựa trên những yêu cầu đã được xác định trước đó.**

📖 Phân tích câu hỏi
Công ty dịch vụ ăn uống muốn xây dựng một mô hình Machine Learning (ML) nhằm:

1. Giảm lãng phí thực phẩm hằng ngày → dự đoán lượng thực phẩm cần chuẩn bị, tối ưu hoá tồn kho.
2. Tăng doanh thu bán hàng → đề xuất món ăn, điều chỉnh giá, khuyến mãi dựa trên nhu cầu thực tế.

Yêu cầu quan trọng: mô hình phải được cải thiện liên tục (continuous improvement) – nghĩa là cần một quy trình “training → evaluate → retrain” tự động hoặc ít nhất dễ dàng thực hiện khi có dữ liệu mới.

Do đó, giải pháp cần:

• Cung cấp môi trường train, tune, deploy mô hình ML.
• Hỗ trợ pipeline tự động (CI/CD cho ML) để lấy dữ liệu mới, tái‑train và triển khai lại.
• Khả năng mở rộng, tích hợp với các nguồn dữ liệu (đơn hàng, inventory, POS, sensor…).

✅ Đáp án đúng

• Use Amazon SageMaker and iterate with newer data.

🧩 Giải thích vì sao đây là đáp án đúng

• Amazon SageMaker (phiên bản 2026) là dịch vụ quản lý toàn diện cho Machine Learning:

  • SageMaker Studio / Studio Lab: môi trường phát triển kéo/đưa.
  • SageMaker Pipelines: tạo CI/CD pipeline cho ML, tự động hoá việc thu thập dữ liệu mới, training, kiểm thử, và deploy.
  • SageMaker Model Registry: quản lý phiên bản mô hình, cho phép chuyển đổi “staging → production” một cách có kiểm soát.
  • SageMaker Autopilot, Hyperparameter Tuning: giúp nhanh chóng tìm mô hình tốt nhất với dữ liệu mới.
  • SageMaker Feature Store: lưu trữ tính năng (features) đồng nhất, dễ dàng cập nhật khi có dữ liệu mới.

• Việc lặp lại (iterate) với dữ liệu mới là cách duy nhất để mô hình cải thiện độ chính xác theo thời gian, đặc biệt trong môi trường bán lẻ/đồ ăn mà nhu cầu thay đổi theo mùa, ngày trong tuần, sự kiện… SageMaker hỗ trợ tự động kích hoạt các pipeline khi dữ liệu mới xuất hiện trong S3 hoặc trong Feature Store.

• Ngoài ra, SageMaker tích hợp sâu với Amazon CloudWatch, AWS Step Functions, và AWS CodePipeline, cho phép xây dựng workflow DevOps cho ML – đúng với vai trò DevOps Engineer.

❌ Phân tích các phương án sai

• Use Amazon Personalize and iterate with historical data.

  • Amazon Personalize là dịch vụ chuyên về recommender systems (đề xuất sản phẩm, nội dung) dựa trên hành vi người dùng.
  • Nó không được thiết kế để dự báo lượng thực phẩm cần chuẩn bị hay giải quyết bài toán giảm lãng phí thực phẩm.
  • Personalize chỉ chấp nhận dữ liệu lịch sử (user‑item interactions) và không hỗ trợ pipeline “re‑train with newer data” một cách linh hoạt như SageMaker.
  • Vì mục tiêu của công ty là dự đoán nhu cầu và tối ưu kho, Personalize không phải công cụ phù hợp.

• Use Amazon CloudWatch to analyze customer orders.

  • Amazon CloudWatch là dịch vụ giám sát, log, và alert; nó không phải là nền tảng Machine Learning.
  • CloudWatch có thể thu thập và hiển thị metric (ví dụ: số đơn hàng), nhưng không có khả năng train, evaluate, hay deploy mô hình.
  • Do đó, không đáp ứng được yêu cầu “phát triển mô hình ML và cải thiện liên tục”.

• Use Amazon Rekognition to optimize the model.

  • Amazon Rekognition là dịch vụ computer vision (phân tích ảnh/ video).
  • Nó không liên quan tới dự báo nhu cầu thực phẩm hay tối ưu doanh thu.
  • Rekognition chỉ dùng để nhận diện khuôn mặt, vật thể, văn bản trong hình ảnh – không phải công cụ để xây dựng hay cải thiện mô hình dự báo dữ liệu số.

📚 Tham khảo (đến năm 2026)

1. Amazon SageMaker Documentation – “Build, Train, and Deploy Machine Learning Models at Scale” (v2026).
2. AWS Blog – Continuous Training with SageMaker Pipelines (Mar 2025).
3. AWS Well‑Architected Framework for Machine Learning – hướng dẫn thiết kế pipeline CI/CD cho ML.
4. Amazon Personalize Developer Guide – giới hạn về trường hợp sử dụng đề xuất.
5. Amazon CloudWatch User Guide – chức năng giám sát, không hỗ trợ training ML.
6. Amazon Rekognition Developer Guide – tính năng nhận dạng hình ảnh, không áp dụng cho dữ liệu bán hàng.

🔧 Kết luận
Với yêu cầu phát triển mô hình ML, cải thiện liên tục dựa trên dữ liệu mới, Amazon SageMaker là giải pháp toàn diện, cung cấp mọi công cụ cần thiết từ chuẩn bị dữ liệu, training, tuning, tới deployment và automation qua pipelines. Các lựa chọn còn lại không đáp ứng được cả về chức năng ML lẫn khả năng lặp lại (iteration) với dữ liệu mới. ✅

🔎 Phân tích câu hỏi
Một công ty đã xây dựng mô hình Machine Learning (ML) để dự đoán giá bán bất động sản. Họ muốn triển khai mô hình để thực hiện dự đoán nhưng không muốn quản lý máy chủ hay hạ tầng (cần một giải pháp “server‑less” hoặc “managed”).

Yêu cầu chính:

1. Tự động hoá việc triển khai & scaling – không cần quản lý EC2, Kubernetes node, hoặc các tài nguyên mạng.
2. Có khả năng trả về dự đoán qua API (thường là HTTP/HTTPS).
3. Chi phí và quản lý tối thiểu – trả tiền theo lượng inference thực tế.

✅ Đáp án đúng

✅ Deploy the model by using an Amazon SageMaker endpoint.

Vì sao đây là đáp án đúng?

• Amazon SageMaker cung cấp dịch vụ Fully‑Managed cho việc huấn luyện, triển khai và phục vụ mô hình ML.
• Khi tạo SageMaker endpoint (có thể là Real‑Time Inference hoặc Serverless Inference – tính năng được mở rộng trong 2024‑2025), AWS tự động quản lý các instance, load‑balancing, auto‑scaling và patching. Người dùng chỉ gọi endpoint qua API (HTTPS) để nhận dự đoán.
• Không cần quản lý server: người dùng không cần tạo, cấu hình hay duy trì EC2/EKS node.
• Thanh toán dựa trên thời gian chạy (đối với Serverless Inference) hoặc số lượng instance và thời gian sử dụng (Real‑Time).
• Tích hợp sẵn với các công cụ ML (SageMaker Pipelines, Model Registry, Monitoring, Feature Store…) giúp duy trì và cập nhật mô hình một cách mượt mà.

Nguồn: AWS Documentation – Amazon SageMaker Real‑Time and Serverless Inference (phiên bản 2026) 📘 https://docs.aws.amazon.com/sagemaker/latest/dg/real-time-endpoints.html

❌ Các phương án sai và lý do

1. Deploy the model on an Amazon EC2 instance.

• ❌ Không đáp ứng yêu cầu “không quản lý server”.
• EC2 yêu cầu người dùng tự cấu hình, bảo trì, cập nhật hệ điều hành, scaling và quản lý load balancer nếu cần.
• Khi lưu lượng tăng, bạn phải tự thiết kế Auto Scaling Group, tính toán capacity, v.v… Điều này đi ngược lại với mục tiêu “no‑ops”.

2. Deploy the model on an Amazon Elastic Kubernetes Service (Amazon EKS) cluster.

• ❌ Cũng đòi hỏi quản lý hạ tầng.
• Mặc dù EKS là managed control plane, bạn vẫn phải quản lý worker nodes, cấu hình pod autoscaling, network policies, và service mesh.
• Việc triển khai mô hình ML trên EKS thường cần Docker container, Kubernetes manifests, và CI/CD pipelines – tăng độ phức tạp so với một endpoint SageMaker.

3. Deploy the model by using Amazon CloudFront with an Amazon S3 integration.

• ❌ CloudFront + S3 chỉ là giải pháp lưu trữ và phân phối tĩnh, không thực hiện inference.
• CloudFront có thể cache nội dung tĩnh (HTML, CSS, hình ảnh) và S3 là kho lưu trữ đối tượng.
• Để chạy mô hình ML cần một runtime environment (CPU/GPU) và code inference, mà CloudFront/S3 không cung cấp.
• Nếu muốn “serverless inference” với API Gateway + Lambda, vẫn cần Lambda – không phải CloudFront.

🧩 Tổng kết

• Đáp án đúng: Deploy the model by using an Amazon SageMaker endpoint.
• Các đáp án còn lại đều yêu cầu quản lý máy chủ, container, hoặc không cung cấp khả năng inference, do đó không đáp ứng yêu cầu “không quản lý server”.

Lời khuyên thực tiễn (2026):

• Khi muốn giảm chi phí cho tải thấp, SageMaker Serverless Inference là lựa chọn tối ưu (tự động scaling từ 0 → N).
• Đối với tải cao và yêu cầu latency thấp, Real‑Time Endpoint với instance loại ml.c5, ml.m6i, hoặc ml.g5 (GPU) là phù hợp.
• Kết hợp Amazon CloudWatch để giám sát latency, error rate và SageMaker Model Monitor để phát hiện drift.

📚 Tham khảo

• Amazon SageMaker Documentation – Deploying Models (2026) https://docs.aws.amazon.com/sagemaker/latest/dg/deploy-model.html
• AWS Blog – Introducing SageMaker Serverless Inference (2024) https://aws.amazon.com/blogs/machine-learning/introducing-sagemaker-serverless-inference/
• AWS Well‑Architected Framework – Machine Learning Lens (2025) https://docs.aws.amazon.com/wellarchitected/latest/machine-learning-lens/intro.html

🔍 Phân tích câu hỏi

Công ty muốn phát triển một ứng dụng AI cho nhân viên thực hiện ba chức năng chính:

1. Kiểm tra các claim (yêu cầu) đang mở – tức là truy vấn danh sách claim.
2. Xác định chi tiết của một claim cụ thể – trả lời câu hỏi dạng “claim X có gì?”.
3. Truy cập tài liệu liên quan tới claim – tải hoặc hiển thị file, ảnh, PDF …

Yêu cầu này gợi ý một hệ thống hỏi‑đáp (question‑answer) dựa trên nội dung (document‑oriented) và có khả năng tương tác tự nhiên (chatbot/agent). Vì dữ liệu claim thường nằm trong cơ sở dữ liệu nội bộ hoặc trong các kho lưu trữ tài liệu, chúng ta cần một công nghệ có khả năng tìm kiếm thông tin (retrieval) và sinh câu trả lời (generation).

✅ Đáp án đúng

Use Agents for Amazon Bedrock with Amazon Bedrock knowledge bases to build the application.

Lý do:

• Amazon Bedrock Agents là dịch vụ mới (ra mắt 2023, được mở rộng và cập nhật tới 2025/2026) cho phép tạo agent AI có thể kết hợp một hoặc nhiều foundation model (Claude, Titan, Llama 3, …) với knowledge bases – các kho tài liệu được lập chỉ mục (S3, DynamoDB, OpenSearch, RDS, …).
• Khi người dùng hỏi “claim #1234 có trạng thái gì?” agent sẽ truy vấn knowledge base, lấy dữ liệu chi tiết và sinh câu trả lời bằng mô hình ngôn ngữ.
• Tính năng “retrieval‑augmented generation (RAG)” của Bedrock Agents đáp ứng chính xác yêu cầu “kiểm tra claim mở, chi tiết claim, truy cập tài liệu”.
• Không cần tự đào tạo mô hình, giảm chi phí và thời gian triển khai; đồng thời có các kiểm soát bảo mật (VPC‑endpoint, IAM policies) phù hợp cho dữ liệu nội bộ.

🛑 Phân tích các phương án sai

• Use Agents for Amazon Bedrock with Amazon Fraud Detector to build the application.

  • Amazon Fraud Detector chuyên về phát hiện gian lận dựa trên mô hình ML, thường được dùng cho giao dịch tài chính, đăng ký tài khoản, vv.
  • Không cung cấp khả năng truy vấn dữ liệu claim hay truy cập tài liệu.
  • Kết hợp với Agents không mang lại giá trị cho bài toán hỏi‑đáp; chỉ thêm một thành phần không liên quan → sai.

• Use Amazon Personalize with Amazon Bedrock knowledge bases to build the application.

  • Amazon Personalize là dịch vụ đề xuất (recommendation) – tạo danh sách sản phẩm, nội dung, playlist dựa trên hành vi người dùng.
  • Không hỗ trợ chatbot hay truy vấn thông tin; không có tính năng RAG.
  • Kết hợp với Bedrock knowledge bases vẫn không giải quyết được yêu cầu “hỏi‑đáp chi tiết claim”. → sai.

• Use Amazon SageMaker to build the application by training a new ML model.

  • SageMaker cho phép đào tạo mô hình tùy chỉnh – giải pháp mạnh nhưng phức tạp, tốn thời gian và chi phí khi nhu cầu chỉ là truy vấn tài liệu.
  • Không cần thiết phải tự xây dựng mô hình mới vì Bedrock đã cung cấp các foundation model đã được tinh chỉnh cho ngôn ngữ tự nhiên.
  • Nếu không có yêu cầu đặc thù về mô hình, việc tự đào tạo sẽ lãng phí tài nguyên và làm tăng độ phức tạp → sai.

📚 Tham khảo tài liệu (cập nhật tới 2026)

1. Amazon Bedrock – Agents:

   • “Amazon Bedrock Agents – Build generative AI agents that can retrieve from knowledge bases.” (AWS Documentation, phiên bản 2026‑03).
   • https://docs.aws.amazon.com/bedrock/latest/userguide/agents.html

2. Amazon Bedrock – Knowledge Bases:

   • “Create and manage knowledge bases for retrieval‑augmented generation.” (AWS Documentation, 2026‑02).
   • https://docs.aws.amazon.com/bedrock/latest/userguide/knowledge-bases.html

3. Amazon Fraud Detector – tính năng & trường hợp sử dụng:

   • https://aws.amazon.com/fraud-detector/

4. Amazon Personalize – overview:

   • https://aws.amazon.com/personalize/

5. Amazon SageMaker – khi nào nên tự đào tạo mô hình:

   • “Choosing between SageMaker custom models vs. foundation models on Bedrock.” (AWS re:Invent 2024 Session).
   • https://re-invent.aws/video/

🧩 Kết luận ngắn gọn

• Đáp án đúng là Agents for Amazon Bedrock + Amazon Bedrock knowledge bases vì chúng cung cấp một agent hội thoại có khả năng truy vấn, trích xuất và sinh câu trả lời từ tài liệu claim, đáp ứng đầy đủ ba yêu cầu của công ty.
• Các lựa chọn còn lại either không liên quan đến truy vấn tài liệu (Fraud Detector, Personalize) hoặc gây phức tạp không cần thiết (SageMaker).

💡 Mẹo thực hành: Khi xây dựng giải pháp AI “truy vấn tài liệu” trên AWS, ưu tiên Bedrock Agents + Knowledge Bases; chỉ cân nhắc SageMaker nếu có yêu cầu mô hình độc đáo không thể đáp ứng bằng foundation model hiện có.

📖 Phân tích câu hỏi
Một công ty sản xuất triển khai AI để kiểm tra sản phẩm và phát hiện các hư hỏng, khuyết điểm.
Câu hỏi yêu cầu xác định loại ứng dụng AI đang được sử dụng.

Trong AWS, các dịch vụ AI/ML phổ biến (Amazon Rekognition, SageMaker Vision, …) được phân loại dựa trên dữ liệu đầu vào và mục tiêu xử lý:

• Computer Vision – Xử lý và hiểu nội dung của hình ảnh/ video (phát hiện đối tượng, phân loại, segment, anomaly detection…).
• Image Processing – Thường chỉ đề cập tới các phép biến đổi hình ảnh cơ bản (lọc, thay đổi kích thước, nén…) mà không có “hiểu ngữ nghĩa”.
• Natural Language Processing (NLP) – Xử lý ngôn ngữ tự nhiên (văn bản, giọng nói).
• Recommendation System – Đề xuất sản phẩm, nội dung dựa trên hành vi người dùng.

Vì mục tiêu là phát hiện lỗi trên sản phẩm vật lý thông qua hình ảnh, đây rõ ràng là một trường hợp Computer Vision.

✅ Đáp án đúng

Computer vision

💡 Lý do:

• Ứng dụng này phân tích hình ảnh của sản phẩm để nhận diện các khuyết điểm (vết nứt, vết bầm, màu sai,…) – chính là nhiệm vụ của công nghệ Computer Vision.
• Trên AWS, dịch vụ Amazon Rekognition hoặc Amazon SageMaker Vision được dùng để xây dựng các mô hình phát hiện bất thường trên hình ảnh, phù hợp với mô tả câu hỏi.
• Các mô hình này học từ tập ảnh “đúng” và “có lỗi” để đánh giá và đánh dấu các vùng lỗi trên sản phẩm.

❌ Phân tích các phương án sai

• Recommendation system

  • 🧩 Giải thích: Hệ thống đề xuất (recommendation) dùng để đưa ra gợi ý (sản phẩm, video, bài viết…) dựa trên lịch sử tương tác của người dùng.
  • ❌ Tại sao sai: Câu hỏi không liên quan tới việc đề xuất hay cá nhân hoá; nó liên quan tới kiểm tra chất lượng của một vật lý cụ thể, không phải gợi ý cho người dùng.

• Natural language processing (NLP)

  • 🧩 Giải thích: NLP xử lý văn bản, giọng nói, ngôn ngữ tự nhiên (phân loại văn bản, sentiment analysis, chatbot…).
  • ❌ Tại sao sai: Ở đây không có bất kỳ dữ liệu ngôn ngữ nào được đề cập; đầu vào là hình ảnh sản phẩm, không phải văn bản.

• Image processing

  • 🧩 Giải thích: Image processing thường chỉ thực hiện các thao tác cơ bản trên ảnh (cắt, thay đổi kích thước, lọc, tăng độ tương phản).
  • ❌ Tại sao sai: Mặc dù liên quan đến hình ảnh, nhưng không bao gồm việc “hiểu” nội dung ảnh để phát hiện lỗi. Ứng dụng mô tả yêu cầu phân tích ngữ nghĩa hình ảnh, chứ không chỉ là biến đổi ảnh. Do đó, nó thuộc Computer Vision chứ không phải chỉ Image processing.

🛠️ Liên hệ với các dịch vụ AWS (cập nhật 2026)

• Amazon Rekognition (đã nâng cấp “Custom Labels” → “Custom Vision” trong 2025) cho phép đào tạo mô hình detect defects trên ảnh sản phẩm.
• Amazon SageMaker Vision (ra mắt 2024, nâng cấp 2026) cung cấp pipeline toàn diện: thu thập dữ liệu, labeling, training, deployment và Edge deployment (SageMaker Edge Manager) để kiểm tra sản phẩm ngay tại dây chuyền.
• AWS Panorama (được mở rộng 2025) hỗ trợ run inference trên camera công nghiệp, lý tưởng cho kiểm tra chất lượng trong thời gian thực.

📚 Tham khảo

1. AWS Documentation – Amazon Rekognition Custom Labels (phiên bản 2026).
2. AWS Blog – “Introducing Amazon SageMaker Vision for manufacturing quality inspection” (Mar 2025).
3. AWS Whitepaper – “AI/ML in Manufacturing” (cập nhật 2026).

Tóm lại: Công ty đang sử dụng Computer vision để thực hiện kiểm tra chất lượng sản phẩm bằng AI. Các lựa chọn còn lại không phù hợp vì chúng không đáp ứng yêu cầu phân tích hình ảnh để phát hiện khuyết điểm. ✅