Ngân hàng đề — AWS Certified AI Practitioner

Tìm thấy 623 câu.

Câu 41 Chọn nhiều đáp án Fundamentals of AI and ML

An e-commerce company wants to analyze thousands of customer reviews it receives daily to understand customer sentiment — whether positive, negative, neutral, or mixed. The goal is to gain insights into customer opinions, identify potential issues, and refine product offerings and marketing strategies. To achieve this, the company's data science team is exploring AWS AI services that can perform sentiment analysis on the written customer reviews.

Which of the following would you recommend? (Select two)

  1. A

    Amazon Personalize
  2. B

    Amazon Comprehend
  3. C

    Amazon Bedrock
  4. D

    Amazon Textract
  5. E

    Amazon Rekognition
Xem giải thích

Đáp án

B và C — Amazon Comprehend và Amazon Bedrock

Vì sao đúng

Cả hai đều phân tích cảm xúc từ văn bản, nhưng theo hai cách khác nhau và cùng dùng được:

  • B. Amazon Comprehend — dịch vụ NLP chuyên dụng, có sẵn API phân tích cảm xúc trả về đúng bốn nhãn mà đề nêu: POSITIVE, NEGATIVE, NEUTRAL, MIXED. Không cần prompt, không cần huấn luyện, gọi là có kết quả.
  • C. Amazon Bedrock — dùng Foundation Model qua prompt. Linh hoạt hơn: ngoài nhãn cảm xúc còn rút được lý do khách hàng không hài lòng, thứ Comprehend không cho.

Vì sao các phương án khác sai

  • D. Amazon Textract — trích chữ từ tài liệu quét; đánh giá đã ở dạng văn bản rồi nên không cần bước này.
  • E. Amazon Rekognition — phân tích ảnh và video.
  • A. Amazon Personalize — hệ gợi ý cá nhân hoá.
Câu 42 Chọn nhiều đáp án Applications of Foundation Models

A logistics company is exploring Amazon Machine Learning (ML) services to enhance its predictive analytics, such as optimizing delivery routes and forecasting demand. The data science team needs to understand the key features and capabilities of various Amazon ML services to determine which ones align with their business goals. To ensure they make the right decisions, the team is reviewing different options and statements about these services.

Which of the following represent the CORRECT statements regarding the Amazon ML services? (Select two)

  1. A

    Amazon Transcribe is an AWS service for building conversational interfaces for applications using voice and text
  2. B

    Amazon Rekognition can extract key phrases and automatically organizes a collection of text files by topic
  3. C

    Amazon Comprehend uses machine learning models to convert speech to text
  4. D

    Amazon Comprehend service uses machine learning to find insights and relationships in the text
  5. E

    Amazon Polly is used to deploy high-quality, natural-sounding human voices in dozens of languages
Xem giải thích

Đáp án

D và E

Vì sao đúng

  • D. Amazon Comprehend dùng học máy để tìm hiểu biết và mối quan hệ trong văn bản — đúng: nó rút thực thể, cụm từ khoá, chủ đề và cảm xúc từ văn bản.
  • E. Amazon Polly dùng để tạo giọng nói tự nhiên chất lượng cao bằng hàng chục ngôn ngữ — đúng: Polly là dịch vụ chuyển văn bản thành giọng nói.

Vì sao các phương án khác sai

Ba phương án còn lại đều gán nhầm dịch vụ, và đây là kiểu câu hỏi kiểm tra xem bạn có nhớ đúng vai của từng cái không:

  • A. Transcribe dùng để xây giao diện hội thoại — sai, đó là Amazon Lex. Transcribe chuyển giọng nói thành văn bản.
  • B. Rekognition rút cụm từ khoá và gom tệp văn bản theo chủ đề — sai, đó là Comprehend. Rekognition xử lý ảnh và video.
  • C. Comprehend chuyển giọng nói thành văn bản — sai, đó là Transcribe.

Bảng đối chiếu nhanh

Dịch vụ Vào Ra
Transcribe Giọng nói Văn bản
Polly Văn bản Giọng nói
Comprehend Văn bản Hiểu biết (thực thể, cảm xúc, chủ đề)
Translate Văn bản Văn bản ngôn ngữ khác
Lex Giọng nói hoặc văn bản Hội thoại
Câu 43 Chọn nhiều đáp án Applications of Foundation Models

A biotechnology company is using a Foundation Model (FM) in Amazon Bedrock to analyze complex genetic data and provide insights for new drug development. However, the company wants to enhance the model's performance to make it an expert specifically in the domain of genomics, enabling it to better understand domain-specific terminology, patterns, and datasets.

Which of these approaches would be the most effective for turning the Foundation Model into a domain-specific expert? (Select two)

  1. A

    The company should use Domain Adaptation Fine-Tuning, which involves fine-tuning the model on domain-specific data to adapt its knowledge to that particular domain
  2. B

    The company should use Supervised Learning, which involves training the model using labeled data to predict specific outputs and improve the expertise of the model in the given domain
  3. C

    The company should use Continued Pre-Training, which involves further training the model on a large corpus of domain-specific data, enhancing its ability to understand domain-specific terms, jargon, and context
  4. D

    The company should use Incremental Learning, which allows the model to learn new data without forgetting the previously learned information for specializing in the given domain
  5. E

    The company should use Reinforcement Learning, a method where the model learns through trial and error by receiving rewards for correct actions, thereby adapting the model to a specific domain
Xem giải thích

Đáp án

A và C — Domain Adaptation Fine-Tuning và Continued Pre-Training

Vì sao đúng

Đề muốn biến Foundation Model thành chuyên gia trong lĩnh vực gen học, tức là dạy nó thuật ngữ, mẫu hình và ngữ cảnh riêng của ngành. Hai kỹ thuật này chính là hai con đường tuỳ biến mà Amazon Bedrock cung cấp:

  • C. Continued Pre-Training — huấn luyện tiếp trên kho văn bản lớn không nhãn của lĩnh vực (bài báo, hồ sơ nghiên cứu gen). Đây là cách dạy mô hình ngôn ngữ của ngành.
  • A. Domain Adaptation Fine-Tuning — tinh chỉnh trên dữ liệu có nhãn thuộc lĩnh vực để mô hình làm tốt các nhiệm vụ cụ thể của ngành.

Cả hai đều thay đổi trọng số của mô hình, nên kiến thức lĩnh vực nằm hẳn vào trong mô hình.

Vì sao các phương án khác sai

  • B. Supervised Learning — là loại hình học chung, không phải một kỹ thuật tuỳ biến Foundation Model; fine-tuning bản thân nó đã là học có giám sát rồi.
  • D. Incremental Learning — cập nhật dần bằng dữ liệu mới; đó là bài toán giữ mô hình luôn mới, không phải chuyên môn hoá theo lĩnh vực.
  • E. Reinforcement Learning — học qua thử và thưởng phạt; dùng để căn chỉnh hành vi (như RLHF), không hiệu quả để nạp kiến thức chuyên ngành.
Câu 44 Fundamentals of Generative AI

A marketing company is researching generative AI technologies to better understand how they work and what makes them suitable for automating creative tasks. Understanding the core principles of generative AI will help the company determine if it’s the right fit for their content creation needs.

Given this context, which of the following best describes generative AI?

  1. A

    Generative AI refers to algorithms that analyze existing data to generate new insights without creating new content
  2. B

    Generative AI is a subset of AI that focuses exclusively on improving data retrieval efficiency
  3. C

    Generative AI refers to AI systems that are limited to performing predefined tasks without adapting to new data or contexts
  4. D

    Generative AI encompasses models and algorithms capable of creating new content such as text, images, and audio based on patterns learned from existing data
Xem giải thích

Đáp án

D — AI sinh gồm các mô hình và thuật toán có khả năng tạo ra nội dung mới như văn bản, hình ảnh và âm thanh, dựa trên các mẫu học được từ dữ liệu sẵn có

Vì sao đúng

Định nghĩa này nêu đủ hai vế làm nên bản chất của AI sinh:

  1. Tạo ra nội dung mới — đầu ra là thứ chưa từng tồn tại, không phải một nhãn hay một con số.
  2. Dựa trên mẫu học được từ dữ liệu sẵn có — nó không sáng tạo từ hư không; nó học phân bố của dữ liệu huấn luyện rồi lấy mẫu từ đó.

Vế thứ hai cũng giải thích luôn giới hạn của công nghệ: chất lượng đầu ra bị chặn bởi chất lượng và phạm vi của dữ liệu huấn luyện.

Vì sao các phương án khác sai

  • *A. Phân tích dữ liệu sẵn có để sinh hiểu biết mới mà không tạo nội dung mới — vế cuối phủ nhận đúng đặc điểm định danh; đây là mô tả của phân tích dữ liệu truyền thống.
  • B. Chỉ tập trung cải thiện hiệu quả truy xuất dữ liệu — đó là công cụ tìm kiếm.
  • C. Bị giới hạn ở các tác vụ định sẵn, không thích ứng được — mô tả hệ thống dựa trên luật cứng, ngược với sự linh hoạt của AI sinh.
Câu 45 Fundamentals of AI and ML

A retail analytics company is analyzing a large dataset containing customer purchase history, product details, and sales trends to gain insights into customer behavior and optimize inventory management. To achieve this, the team is focused on calculating various statistical measures to summarize data characteristics and using visualizations to uncover patterns and trends. These tasks are critical for understanding the underlying structure and dynamics of the data before proceeding to model development or predictive analysis.

Which phase of the data science process does this work primarily belong to?

  1. A

    Exploratory Data Analysis (EDA)
  2. B

    Data Augmentation
  3. C

    Data Preparation
  4. D

    Model Evaluation
Xem giải thích

Đáp án

A — Phân tích dữ liệu khám phá (Exploratory Data Analysis — EDA)

Vì sao đúng

Đề mô tả đúng ba dấu hiệu nhận dạng của EDA: tính các đại lượng thống kê để tóm tắt đặc điểm dữ liệu, dùng trực quan hoá để lộ ra mẫu hình và xu hướng, và làm việc này trước khi xây mô hình.

Mục đích của giai đoạn này không phải tạo ra kết quả mà là hiểu dữ liệu: phân bố ra sao, thiếu ở đâu, có ngoại lai không, các biến liên quan với nhau thế nào. Bỏ qua EDA thì mọi lựa chọn ở bước sau đều là phỏng đoán.

Vì sao các phương án khác sai

  • C. Data Preparation — làm sạch, biến đổi và định dạng dữ liệu. Đây là phương án nhiễu gần nhất và hai giai đoạn có chồng lấn, nhưng chuẩn bị dữ liệu là thay đổi dữ liệu, còn EDA là quan sát dữ liệu. Đề nói tới thống kê và trực quan hoá, tức là quan sát.
  • B. Data Augmentation — sinh thêm mẫu để mở rộng tập huấn luyện.
  • D. Model Evaluation — diễn ra sau khi đã có mô hình.
Câu 46 Chọn nhiều đáp án Fundamentals of Generative AI

As a developer specializing in Large Language Models (LLMs) at a technology company, you have been tasked with migrating the company’s AI infrastructure to AWS Cloud to support the development of LLM-based solutions for various applications, such as natural language processing, text generation, and chatbots. The company is looking for AWS services that offer robust support for training, deploying, and managing LLMs while ensuring scalability, security, and integration with other cloud services.

Which AWS services would you recommend for developing LLM-based solutions in this environment? (Select two)

  1. A

    Amazon Bedrock
  2. B

    AWS Trainium
  3. C

    Amazon Q
  4. D

    Amazon SageMaker JumpStart
  5. E

    AWS Inferentia
Xem giải thích

Đáp án

A và D — Amazon Bedrock và Amazon SageMaker JumpStart

Vì sao đúng

Đề yêu cầu dịch vụ hỗ trợ huấn luyện, triển khai và quản lý giải pháp dựa trên LLM:

  • A. Amazon Bedrock — truy cập Foundation Model qua API, có sẵn cơ chế tuỳ biến, Knowledge Bases, Agents và Guardrails. Không phải quản lý hạ tầng nào.
  • D. SageMaker JumpStart — kho mô hình dựng sẵn để triển khai vào tài khoản của bạn, kèm khả năng tinh chỉnh. Dùng khi cần kiểm soát sâu hơn Bedrock.

Vì sao các phương án khác sai

  • C. Amazon Q — là trợ lý AI dùng ngay, không phải nền tảng để phát triển giải pháp. Đây là phương án nhiễu chính, và ranh giới cần nhớ là: Q để dùng, Bedrock để xây.
  • B. AWS Trainium và E. AWS Inferentia — là chip chuyên dụng cho huấn luyện và suy luận. Chúng nằm bên dưới các dịch vụ trên, là lựa chọn phần cứng chứ không phải dịch vụ phát triển.
Câu 47 Fundamentals of AI and ML

A marketing analytics company is using generative AI to create custom reports and insights based on client data. The team is focused on improving the quality and relevance of the AI-generated content by refining how they interact with the model through prompts. To ensure the AI consistently produces high-quality and accurate outputs, they want to understand the best practices for crafting effective prompts that guide the model efficiently.

What are the key constituents of a good prompting technique in this context?

  1. A

    Hyperparameters, Context, Input data, Output Indicator
  2. B

    Instructions, Hyperparameters, Input data, Output Indicator
  3. C

    Instructions, Parameters, Input data, Output Indicator
  4. D

    Instructions, Context, Input data, Output Indicator
Xem giải thích

Đáp án

D — Instructions, Context, Input data, Output Indicator

Vì sao đúng

Bốn thành phần của một prompt tốt, và mỗi cái trả lời một câu hỏi khác nhau:

Thành phần Trả lời Ví dụ
Instructions Làm gì? "Tóm tắt báo cáo sau"
Context Bối cảnh nào? "Người đọc là giám đốc tài chính, không rành kỹ thuật"
Input data Xử lý cái gì? Nội dung báo cáo
Output Indicator Trả về dạng nào? "Ba gạch đầu dòng, mỗi dòng dưới 20 từ"

Điểm chung của cả bốn: chúng đều là nội dung bạn viết trong prompt.

Vì sao các phương án khác sai

Ba phương án còn lại đều thay Context bằng Hyperparameters hoặc Parameters. Đó là chỗ phân biệt quan trọng:

  • Tham số suy luận (temperature, Top P, Top K) là thiết lập của lời gọi API, đặt ở ngoài prompt, không phải chữ bạn viết vào.
  • Siêu tham số (learning rate, số epoch) thuộc về giai đoạn huấn luyện, càng không liên quan tới prompt.

Cả hai đều ảnh hưởng tới đầu ra, nhưng chúng không phải cấu phần của prompt.

Câu 48 Fundamentals of AI and ML

A technology company is developing a natural language processing (NLP) solution and exploring different model architectures for tasks such as language translation, summarization, and text generation. The team is particularly interested in understanding how Transformer models, which are widely used in state-of-the-art generative AI applications, process and generate text. To ensure they select the right architecture for their use case, the company needs a clear explanation of how Transformer models function.

Which of the following best summarizes the way Transformer models work?

  1. A

    Transformer models create new data by iteratively making controlled random changes to an initial data sample
  2. B

    Transformer models work by training two neural networks in a competitive manner
  3. C

    Transformer models work by learning a compact representation of data called latent space
  4. D

    Transformer models use a self-attention mechanism and implement contextual embeddings
Xem giải thích

Đáp án

D — Transformer dùng cơ chế tự chú ý (self-attention) và sinh embedding theo ngữ cảnh

Vì sao đúng

Self-attention là ý tưởng trung tâm: khi xử lý một token, mô hình cân nhắc mức liên quan của nó với mọi token khác trong chuỗi, rồi trộn thông tin theo trọng số đó.

Ví dụ trong câu "Con mèo không băng qua đường vì nó quá mệt", self-attention cho mô hình biết "nó" gắn với "con mèo" chứ không gắn với "đường".

Hai hệ quả làm nên thành công của kiến trúc này:

  • Embedding theo ngữ cảnh — cùng một từ trong hai câu khác nhau có biểu diễn khác nhau.
  • Xử lý song song cả chuỗi — khác hẳn RNN vốn phải chạy tuần tự từng token, nên huấn luyện được ở quy mô rất lớn. Đây mới là lý do Transformer thay thế được các kiến trúc trước.

Vì sao các phương án khác sai

Ba phương án còn lại mô tả các kiến trúc sinh khác:

  • A. Thay đổi ngẫu nhiên có kiểm soát từ mẫu ban đầu — Diffusion model (Stable Diffusion).
  • B. Huấn luyện hai mạng nơ-ron cạnh tranh nhau — GAN.
  • C. Học biểu diễn nén gọi là không gian tiềm ẩn — Autoencoder / VAE.
Câu 49 Fundamentals of AI and ML

Which of the following explanations BEST describes the differences between Shapley values and Partial Dependence Plots (PDP) in the context of model explainability, and how you might use them for this purpose?

  1. A

    Shapley values provide a global view of the model’s behavior by measuring the average effect of each feature across all instances, while PDP offers a local view by showing the effect of a single feature on the model’s prediction for a specific instance. Use Shapley values to understand overall feature importance and PDP to interpret individual predictions
  2. B

    Shapley values and PDP are both global explainability methods that show the average effect of features on model predictions. Use either method to understand overall feature importance, but Shapley values are computationally less expensive than PDP
  3. C

    Shapley values provide a visual interpretation of feature importance using plots, while PDP provides numeric values indicating the marginal contribution of features to the model's predictions. Use Shapley values for visual analysis and PDP for quantitative analysis
  4. D

    Shapley values provide a local explanation by quantifying the contribution of each feature to the prediction for a specific instance, while PDP provides a global explanation by showing the marginal effect of a feature on the model’s predictions across the dataset. Use Shapley values to explain individual predictions and PDP to understand the model's behavior at a dataset level
Xem giải thích

Đáp án

D — Shapley giải thích cục bộ cho từng dự đoán, còn PDP giải thích toàn cục trên toàn bộ tập dữ liệu

Vì sao đúng

Hai công cụ trả lời hai câu hỏi khác nhau:

Shapley values Partial Dependence Plot
Phạm vi Cục bộ — một dự đoán cụ thể Toàn cục — cả tập dữ liệu
Trả lời "Vì sao hồ sơ này bị từ chối?" "Thu nhập nói chung ảnh hưởng thế nào tới kết quả?"
Kết quả Mức đóng góp của từng đặc trưng vào kết quả đó Đường cong ảnh hưởng trung bình của một đặc trưng
Chi phí tính Cao — phải xét nhiều tổ hợp đặc trưng Thấp hơn

Trong thực tế hai thứ bổ sung cho nhau: PDP cho bức tranh chung, Shapley trả lời khiếu nại của một khách hàng cụ thể — và đó thường là yêu cầu pháp lý trong tín dụng và bảo hiểm.

Vì sao các phương án khác sai

  • A — đảo ngược hai phạm vi, đây là phương án nhiễu chính.
  • B — nói cả hai đều toàn cục, và nói Shapley rẻ hơn PDP; sai ở cả hai vế, Shapley là cái đắt hơn.
  • C — phân biệt theo kiểu "cái này vẽ hình, cái kia ra số"; sai, vì Shapley cho giá trị số cho từng đặc trưng và cũng vẽ được biểu đồ.
Câu 50 Applications of Foundation Models

A company has fine-tuned a Foundation Model on Amazon Bedrock, and the training data used for fine-tuning includes some confidential information. The company wants to ensure that the customized model's responses do not contain any of this confidential information to maintain data privacy and security.

What is the most efficient approach to achieve this goal?

  1. A

    The company should use encryption to protect the confidential information in the model responses
  2. B

    The company should swap Amazon Bedrock with Amazon SageMaker and rebuild the model using Amazon SageMaker built-in algorithms
  3. C

    The company should delete the customized model, remove confidential information from the training data, and fine-tune the model again
  4. D

    The company should mask the confidential information from the model responses by leveraging Amazon Bedrock Guardrails
Xem giải thích

Đáp án

D — Dùng Amazon Bedrock Guardrails để che thông tin mật trong phản hồi

Vì sao đúng

Chữ khoá của đề là "hiệu quả nhất". Mô hình đã được tinh chỉnh xong, và thông tin mật đã nằm trong trọng số — không rút ra được nữa.

Guardrails hoạt động như một lớp lọc ở giữa: nó quét đầu ra trước khi tới người dùng và che hoặc chặn những gì khớp mẫu nhạy cảm, gồm cả bộ lọc PII dựng sẵn (số bảo hiểm, số thẻ, số điện thoại) lẫn mẫu tự khai. Không phải huấn luyện lại gì.

Vì sao các phương án khác sai

  • C. Xoá mô hình, làm sạch dữ liệu rồi tinh chỉnh lại — về mặt triệt để thì đây là cách sạch nhất, và nếu yêu cầu là "loại bỏ hoàn toàn" thì nó là câu trả lời. Nhưng đề hỏi cách hiệu quả nhất, mà làm lại toàn bộ chu trình tinh chỉnh thì tốn thời gian và tiền hơn hẳn.
  • A. Dùng mã hoá — mã hoá bảo vệ dữ liệu khi lưu và khi truyền; nó không ngăn mô hình nói ra nội dung mật trong câu trả lời đã giải mã.
  • B. Đổi sang SageMaker và xây lại bằng thuật toán dựng sẵn — thay cả nền tảng cho một vấn đề có cách xử lý tại chỗ.