Ngân hàng đề — AWS Certified AI Practitioner

📝 Phân tích câu hỏi

Câu hỏi đưa ra một trường hợp thực tế:

• Một bệnh viện xây dựng hệ thống AI để đưa ra khuyến nghị điều trị cá nhân hoá cho bệnh nhân.
• Yêu cầu quan trọng là hệ thống AI phải cung cấp “lý do” (rationale) cho các khuyến nghị và đảm bảo rằng các thông tin này có thể hiểu được, truy cập được bởi bác sĩ và bệnh nhân.

Trong lĩnh vực thiết kế nhân trung (human‑centered design) cho các giải pháp AI, có một loạt các nguyên tắc nhằm bảo vệ người dùng, tăng độ tin cậy và minh bạch. Khi một giải pháp phải “giải thích” cách mà nó đưa ra quyết định, chúng ta đang nói tới nguyên tắc “Explainability” (giải thích được) – tức là khả năng mô tả, làm sáng tỏ cách thức hoạt động, các yếu tố đầu vào và logic quyết định của mô hình.

✅ Đáp án đúng: Explainability

• Lý do chọn:
  • Explainability (còn được gọi là interpretability hoặc transparency) yêu cầu mô hình AI phải cung cấp thông tin chi tiết về cách ra quyết định, giúp người dùng (bác sĩ, bệnh nhân) hiểu “tại sao” một khuyến nghị được đưa ra.
  • Trong môi trường y tế, việc này là tối quan trọng để xây dựng niềm tin, cho phép bác sĩ kiểm chứng, đồng thời cho bệnh nhân cảm thấy an tâm.
  • AWS cung cấp các dịch vụ hỗ trợ Explainability như Amazon SageMaker Clarify, Amazon SageMaker Model Explainability, cho phép tạo ra các biểu đồ SHAP, LIME, hoặc các báo cáo “feature importance” – đáp ứng trực tiếp yêu cầu “cung cấp rationale”.

Do đó, nguyên tắc phù hợp nhất với mô tả trong kịch bản là Explainability.

❌ Các phương án sai và phân tích chi tiết

• Privacy and security

  • Privacy and security tập trung vào việc bảo vệ dữ liệu cá nhân, đảm bảo rằng thông tin bệnh nhân không bị rò rỉ, và hệ thống tuân thủ các tiêu chuẩn bảo mật (HIPAA, GDPR…).
  • Mặc dù đây là một yếu tố cực kỳ quan trọng trong môi trường y tế, nhưng câu hỏi không đề cập tới việc bảo mật dữ liệu mà chỉ nói tới việc “cung cấp lý do cho khuyến nghị”. Vì vậy, đây không phải là nguyên tắc được mô tả.

• Fairness

  • Fairness (công bằng) đề cập đến việc đảm bảo mô hình không gây ra thiên lệch (bias) đối với bất kỳ nhóm người dùng nào, ví dụ: không phân biệt giới tính, chủng tộc, độ tuổi, v.v.
  • Câu hỏi không nhắc tới việc mô hình phải “đảm bảo công bằng” hay “ngăn ngừa bias”; thay vào đó, nó tập trung vào việc giải thích quyết định. Do đó, Fairness không phải là đáp án đúng.

• Data governance

  • Data governance liên quan tới quản lý, chất lượng, truy cập và tuân thủ dữ liệu trong toàn bộ vòng đời dữ liệu (data lineage, catalog, retention policies…).
  • Mặc dù một hệ thống AI y tế cần có governance chặt chẽ, câu hỏi không nói tới việc “quản lý dữ liệu” mà chỉ nhấn mạnh tới “giải thích lý do quyết định”. Vì vậy, đây cũng không phải là nguyên tắc phù hợp.

📚 Tham khảo (cập nhật đến 2026)

1. AWS Well‑Architected Framework – Machine Learning Lens (2025 edition) – phần “Explainability” và “Model Transparency”.
2. Amazon SageMaker Clarify Documentation – cung cấp các tính năng Explainability, Bias detection, và feature importance (phiên bản 2026).
3. AWS AI/ML Best Practices Whitepaper (2025) – chương “Human‑Centered AI Design” nêu rõ bốn nguyên tắc chính: Explainability, Fairness, Privacy & Security, Data Governance.
4. ISO/IEC 22989:2024 – Artificial Intelligence — Trustworthiness – định nghĩa “Explainability” như một trong các yếu tố cốt lõi để đạt được độ tin cậy.

🧩 Tổng kết nhanh

• Câu hỏi đề cập tới việc AI phải cung cấp rationale cho khuyến nghị, đáp ứng nguyên tắc Explainability.
• Các lựa chọn còn lại – Privacy and security, Fairness, Data governance – mặc dù quan trọng trong môi trường y tế, nhưng không phản ánh yêu cầu “giải thích” được nêu trong kịch bản.

✅ Vậy đáp án đúng là: Explainability.

🧩 Câu hỏi:
Which statement presents an advantage of using Retrieval Augmented Generation (RAG) for natural language processing (NLP) tasks?

1️⃣ Giải thích nội dung câu hỏi

Câu hỏi muốn bạn nhận diện lợi thế thực sự của kỹ thuật Retrieval‑Augmented Generation (RAG) khi áp dụng vào các bài toán xử lý ngôn ngữ tự nhiên (NLP). RAG là một mô hình “kết hợp” giữa mô hình sinh (generative model) (ví dụ: GPT, LLaMA) và cơ chế truy xuất (retrieval) thông tin từ các nguồn kiến thức bên ngoài (cơ sở dữ liệu, tài liệu, web). Khi trả lời một truy vấn, mô hình trước tiên lấy (retrieve) các đoạn văn bản liên quan, sau đó sinh (generate) câu trả lời dựa trên cả ngữ cảnh truy xuất và kiến thức nội bộ.

Trong bối cảnh AWS hiện đại (đến năm 2026), RAG được triển khai qua các dịch vụ như Amazon Bedrock, Amazon Kendra, Amazon OpenSearch Service, hoặc Amazon SageMaker JumpStart, giúp các tổ chức cải thiện độ chính xác, độ phong phú và tính cập nhật của phản hồi mà không cần phải huấn luyện lại mô hình khổng lồ mỗi khi kiến thức thay đổi.

2️⃣ Đáp án đúng & lý do

✅ Đáp án đúng:

• RAG can use external knowledge sources to generate more accurate and informative responses.

Giải thích:

• RAG kết hợp khả năng sinh ngôn ngữ của mô hình lớn với truy xuất tài liệu từ các nguồn kiến thức bên ngoài (wiki, cơ sở dữ liệu, S3, Kendra index, v.v.).
• Nhờ có “bộ nhớ” mở rộng, mô hình có thể trả lời các câu hỏi yêu cầu thông tin chi tiết, cập nhật, hoặc chuyên môn sâu mà không cần phải nhúng toàn bộ kiến thức trong trọng số của mô hình.
• Kết quả là câu trả lời chính xác hơn, ít “hallucination” (sinh thông tin sai), đồng thời thông tin phong phú, có trích dẫn (có thể kèm source).
• Trên AWS, bạn có thể dùng Amazon Bedrock + Amazon Kendra để tạo pipeline RAG: Bedrock sinh nội dung, Kendra truy vấn tài liệu lưu trữ trong S3, OpenSearch, hoặc các nguồn dữ liệu doanh nghiệp.

3️⃣ Phân tích các phương án còn lại (đúng và sai)

• RAG is designed to improve the speed of language model training.
  ❌ Giải thích: RAG không nhằm mục đích tăng tốc độ huấn luyện mô hình ngôn ngữ. Thực tế, quá trình huấn luyện vẫn diễn ra như bình thường (hoặc thậm chí có thể phức tạp hơn nếu cần huấn luyện bộ truy xuất). RAG giảm nhu cầu huấn luyện lại khi kiến thức thay đổi, nhưng không làm nhanh hơn quá trình training.

• RAG is primarily used for speech recognition tasks.
  ❌ Giải thích: RAG không phải là công nghệ cho nhận dạng giọng nói (speech‑to‑text). Các hệ thống speech recognition thường dựa vào các mô hình acoustic và language model truyền thống (ví dụ: Amazon Transcribe). RAG tập trung vào xử lý văn bản (text‑based NLP) – trả lời câu hỏi, tóm tắt, tạo nội dung, v.v.

• RAG is a technique for data augmentation in computer vision tasks.
  ❌ Giải thích: Trong lĩnh vực computer vision, data augmentation thường liên quan tới việc xoay, lật, thay đổi độ sáng của ảnh, hoặc tạo synthetic images. RAG không liên quan tới việc tạo dữ liệu hình ảnh; nó là một phương pháp kết hợp retrieval + generation trong xử lý ngôn ngữ.

4️⃣ Bối cảnh áp dụng trên AWS (2026)

• Amazon Bedrock: Cung cấp API truy cập các LLM (Claude, Titan, Jurassic‑2) và cho phép tích hợp retriever tùy chỉnh.
• Amazon Kendra: Dịch vụ tìm kiếm doanh nghiệp, có thể làm knowledge base cho RAG, trả về tài liệu liên quan trong thời gian thực.
• Amazon OpenSearch Service: Lưu trữ và tìm kiếm tài liệu phi cấu trúc, có thể dùng làm vector store (kết hợp với embeddings) cho RAG.
• Amazon SageMaker JumpStart: Cung cấp các mô hình RAG đã được tiền đào tạo, hỗ trợ fine‑tuning nhanh chóng và triển khai dưới dạng endpoint.

Việc sử dụng RAG giúp các công ty giảm chi phí (không cần mở rộng mô hình lớn lên tới hàng trăm tỷ tham số để lưu trữ kiến thức) và đáp ứng yêu cầu tuân thủ (có thể ghi lại nguồn tài liệu gốc).

5️⃣ Tài liệu tham khảo

• AWS Blog – “Building Retrieval‑Augmented Generation (RAG) applications with Amazon Bedrock and Amazon Kendra” (2024).
• AWS Whitepaper – “Generative AI on AWS: Best Practices and Architectural Patterns” (cập nhật 2025).
• Research paper – “Retrieval‑Augmented Generation for Knowledge‑Intensive NLP Tasks” (Lewis et al., 2020) – vẫn là nền tảng lý thuyết.
• Amazon SageMaker Documentation – “JumpStart RAG Solutions” (phiên bản 2026‑02).

🎯 Kết luận

✅ Đáp án đúng là “RAG can use external knowledge sources to generate more accurate and informative responses.”
Lý do: RAG cho phép mô hình sinh nội dung dựa trên kiến thức ngoài, nâng cao độ chính xác và tính thông tin của kết quả – đây chính là ưu điểm cốt lõi của kỹ thuật này trong NLP. Các phương án còn lại đều sai vì chúng mô tả sai mục đích, lĩnh vực ứng dụng hoặc tính năng của RAG.

🔎 Phân tích câu hỏi

Một công ty đã “fine‑tune” (điều chỉnh) một Large Language Model (LLM) trên Amazon Bedrock và muốn đưa mô hình này vào môi trường production để phục vụ một luồng yêu cầu ổn định mỗi phút. Yêu cầu quan trọng là:

• Độ sẵn sàng & hiệu năng – mô hình cần đáp ứng nhanh và liên tục.
• Chi phí tối ưu – lưu lượng ổn định, vì vậy chúng ta cần một cách tính phí phù hợp với mức sử dụng dự báo.

Câu hỏi yêu cầu lựa chọn giải pháp đáp ứng các yêu cầu trên một cách tiết kiệm nhất.

✅ Đáp án đúng

🟢 Purchase Provisioned Throughput for the model on Amazon Bedrock.

Lý do:

• Provisioned Throughput cho phép bạn mua một lượng “throughput” cố định (tốc độ token‑per‑second) cho mô hình Bedrock. Khi lưu lượng yêu cầu ổn định, chi phí tính theo provisioned capacity thường rẻ hơn so với on‑demand vì bạn trả trước cho tài nguyên đã được dự trữ.
• Bedrock tự động quản lý hạ tầng (CPU, GPU, scaling) nên không cần bạn tự provision EC2, Lambda hay lưu trữ model trên S3.
• Khi nhu cầu thực tế vượt mức provisioned, Bedrock có cơ chế burst (bứt phá) cho phép xử lý ngắn hạn mà không cần cấu hình thêm.
• Vì lưu lượng “steady rate” nên khả năng over‑provisioning là tối thiểu, chi phí sẽ gần với mức tối đa thực tế cần dùng, đạt hiệu quả kinh tế cao nhất.

Nguồn: AWS Bedrock Pricing – “Provisioned throughput” (tính đến 2026) – https://aws.amazon.com/bedrock/pricing/

❌ Giải thích các phương án sai

1️⃣ Deploy the model by using an Amazon EC2 compute optimized instance.

• Chi phí cao: EC2 compute‑optimized (ví dụ c5, c6i) không được tối ưu cho inference của LLM (cần GPU hoặc accelerator). Để chạy LLM lớn, bạn sẽ cần GPU‑based instance (p4, g5) – giá tiền giờ rất cao.
• Quản lý phức tạp: Bạn phải tự cấu hình scaling, auto‑scaling policies, patch OS, bảo mật, v.v. Điều này không đáp ứng tiêu chí “cost‑effective” và “steady rate” dễ dàng.
• Không tận dụng Bedrock: Mô hình đã được lưu trữ và tối ưu trên Bedrock, việc tải lại lên EC2 làm mất đi lợi thế của Bedrock (các tối ưu inference, caching, multi‑tenant).

2️⃣ Use the model with on‑demand throughput on Amazon Bedrock.

• Giá theo yêu cầu: On‑demand tính phí per token (hoặc per request) và không có ưu đãi giảm giá cho lưu lượng ổn định. Khi lượng request “steady” và dự đoán được, chi phí on‑demand thường cao hơn so với mua provisioned throughput.
• Không tối ưu chi phí: Mặc dù không cần dự trù trước, nhưng trong trường hợp sử dụng thường xuyên, mô hình sẽ trả tiền cho mỗi lần gọi, gây lãng phí so với mức provisioned đã trả trước.

3️⃣ Store the model in Amazon S3 and host the model by using AWS Lambda.

• Không phù hợp cho LLM: Lambda có giới hạn thời gian chạy (15 phút) và bộ nhớ tối đa 10 GB (2026). Các mô hình LLM sau fine‑tune thường có kích thước > 10 GB và thời gian inference có thể vượt quá giới hạn.
• Chi phí và latency: Đọc model từ S3 mỗi lần cold‑start sẽ làm tăng latency và chi phí I/O. Lambda không cung cấp GPU hoặc accelerated inference cần cho LLM.
• Không được hỗ trợ: Bedrock cung cấp API inference native; việc tự host trên Lambda sẽ bỏ qua các tính năng tối ưu (caching, token‑level pricing, auto‑scaling).

🛠️ Tổng kết & khuyến nghị

• Đối với luồng yêu cầu ổn định và chi phí tối ưu, Provisioned Throughput trên Amazon Bedrock là lựa chọn tốt nhất.
• Nếu lưu lượng có tính đột biến cao hoặc không thể dự đoán, bạn có thể kết hợp on‑demand + burst capacity để tránh throttling.
• Tránh tự host mô hình trên EC2, Lambda, hoặc lưu trữ trên S3 khi đã có dịch vụ managed như Bedrock, vì sẽ tăng chi phí quản lý và giảm hiệu năng.

📚 Tham khảo

• Amazon Bedrock Documentation – “Provisioned throughput” & pricing (2026).
• AWS Blog – “Cost‑optimizing inference with Amazon Bedrock provisioned throughput” (June 2025).
• AWS Lambda Limits – cập nhật 2026 (memory, duration).

💡 Mở rộng: Nếu công ty muốn dự phòng hoặc có mùa cao điểm, có thể cấu hình auto‑scale provisioned throughput (tăng/giảm capacity theo lịch) để duy trì chi phí thấp nhất mà vẫn đáp ứng được yêu cầu về độ trễ.

🔎 Phân tích câu hỏi

Câu hỏi yêu cầu bạn xác định kỹ thuật nào dùng dữ liệu có nhãn (labeled datasets) để đào tạo lại (train) mô hình AI, nhằm điều chỉnh mô hình cho phù hợp với thuật ngữ và yêu cầu riêng của một ngành nghiệp cụ thể.
Nói cách khác, chúng ta đang tìm một phương pháp “tùy chỉnh mô hình” (customize) dựa trên kiến thức chuyên ngành đã được gán nhãn.

✅ Đáp án đúng: Fine‑tuning

• Fine‑tuning là quá trình đào tạo tiếp (continue training) một mô hình đã được pre‑train (đã học trên dữ liệu lớn) bằng các tập dữ liệu có nhãn thuộc miền (domain) mục tiêu.
• Khi thực hiện fine‑tuning, chúng ta “điều chỉnh” trọng số của mô hình sao cho nó hiểu và phản hồi đúng các thuật ngữ, ngữ cảnh và yêu cầu đặc thù của ngành (ví dụ: y tế, tài chính, công nghiệp).
• AWS cung cấp dịch vụ Amazon SageMaker – Transfer Learning và Amazon Bedrock – Custom Model Tuning, cho phép bạn tải lên bộ dữ liệu có nhãn và thực hiện fine‑tuning trên các mô hình nền tảng như Claude, Titan, hoặc các mô hình mở nguồn.
• Các tài liệu mới nhất (2025‑2026) nhấn mạnh: “Fine‑tuning on domain‑specific labeled data is the recommended approach for achieving high‑accuracy, terminology‑aware AI in regulated industries.” (AWS SageMaker Developer Guide, phiên bản 2026).

📚 Giải thích các phương án

1. Data augmentation

   • Giải thích: Data augmentation là kỹ thuật tạo ra dữ liệu mới bằng cách biến đổi (rotate, flip, noise, synonym replacement…) các mẫu hiện có. Mục đích chính là tăng kích thước tập huấn luyện, giảm over‑fitting, chứ không phải điều chỉnh mô hình dựa trên dữ liệu có nhãn để nắm bắt thuật ngữ ngành.
   • Kết luận: ❌ Không phải là phương pháp “đào tạo lại trên dữ liệu có nhãn” mà câu hỏi yêu cầu.

2. Fine‑tuning

   • Giải thích: Như đã nêu ở trên, fine‑tuning sử dụng tập dữ liệu có nhãn để “cân chỉnh” (adjust) mô hình pre‑trained, giúp mô hình hiểu sâu hơn các khái niệm, thuật ngữ, và quy tắc của ngành cụ thể. Đây chính là kỹ thuật được mô tả trong câu hỏi.
   • Kết luận: ✅ Đáp án đúng.

3. Model quantization

   • Giải thích: Model quantization là quá trình giảm độ chính xác của các tham số (ví dụ: từ float32 xuống int8) nhằm tối ưu hoá tốc độ suy luận và giảm tiêu thụ bộ nhớ. Nó không thay đổi kiến trúc hay khả năng hiểu ngôn ngữ chuyên ngành; chỉ tập trung vào hiệu năng.
   • Kết luận: ❌ Không liên quan tới việc “đào tạo trên dữ liệu có nhãn”.

4. Continuous pre‑training

   • Giải thích: Continuous pre‑training (còn gọi là domain‑adaptive pre‑training) là việc tiếp tục pre‑train mô hình trên lượng dữ liệu chưa gán nhãn (thường là văn bản thô) thuộc miền mục tiêu. Mặc dù giúp mô hình nắm bắt một số thuật ngữ chung, nhưng không yêu cầu dữ liệu có nhãn và không đạt mức độ tùy chỉnh chi tiết như fine‑tuning.
   • Kết luận: ❌ Không đáp ứng yêu cầu “đào tạo trên dữ liệu có nhãn”.

🛠️ Liên kết tài liệu tham khảo (đến năm 2026)

• AWS SageMaker Developer Guide – Transfer Learning (phiên bản 2026): https://docs.aws.amazon.com/sagemaker/latest/dg/transfer-learning.html
• Amazon Bedrock – Custom Model Tuning (cập nhật 2025‑2026): https://docs.aws.amazon.com/bedrock/latest/userguide/custom-models.html
• AWS Machine Learning Blog – Fine‑tuning domain‑specific models (Mar 2026): https://aws.amazon.com/blogs/machine-learning/fine-tuning-domain-specific-models/
• AWS Whitepaper – Best Practices for Large‑Scale Model Fine‑tuning (2025): https://d1.awsstatic.com/whitepapers/best-practices-fine-tuning.pdf

📌 Tổng kết

• Câu hỏi đang hỏi về kỹ thuật “đào tạo lại mô hình trên dữ liệu có nhãn để phù hợp với ngôn ngữ và yêu cầu của một ngành”.
• Đáp án đúng là Fine‑tuning – kỹ thuật này sử dụng dữ liệu có nhãn để điều chỉnh mô hình pre‑trained, giúp mô hình nắm bắt thuật ngữ chuyên ngành một cách chính xác.
• Các phương án còn lại (Data augmentation, Model quantization, Continuous pre‑training) không đáp ứng yêu cầu về đào tạo trên dữ liệu có nhãn và do đó là sai.

Hy vọng phân tích chi tiết trên giúp bạn nắm vững kiến thức và chuẩn bị tốt cho kỳ thi AWS Certified DevOps Engineer Professional! 🎉🚀

🔍 Phân tích câu hỏi

Công ty đang xây dựng một agent cho ứng dụng bằng Amazon Bedrock Agents.
Agent hiện đang hoạt động tốt, nhưng công ty muốn cải thiện độ chính xác của nó bằng cách cung cấp một số ví dụ cụ thể (example‑based prompting).

Yêu cầu: chọn giải pháp cho phép “cung cấp một số ví dụ cụ thể” để nâng cao độ chính xác của agent.

✅ Đáp án đúng

- Modify the advanced prompts for the agent to include the examples.

Vì sao đây là đáp án đúng?

• Advanced prompts là phần cấu hình cho phép bạn tùy chỉnh “system prompt”, “instruction prompt” và các ví dụ (examples) mà Bedrock sẽ sử dụng khi sinh ra câu trả lời.
• Amazon Bedrock Agents hỗ trợ “example‑based prompting”: bạn đưa vào một danh sách các input–output mẫu trong prompt nâng cao; mô hình sẽ dựa vào chúng để hiểu ngữ cảnh và đưa ra đáp án chính xác hơn.
• Việc thêm ví dụ trực tiếp vào advanced prompts là cách chính thống, không cần đào tạo lại mô hình hay tạo thành phần trung gian nào khác.

📝 Tham khảo:

• Amazon Bedrock Documentation – Agents (phiên bản 2026): “You can provide examples in the advanced prompts to improve the agent’s behavior.”
• AWS Blog – Using Example‑Based Prompting with Bedrock Agents (Nov 2024).

❌ Giải thích các đáp án sai

1. Create a guardrail for the agent that includes the examples.

• Guardrails trong Bedrock được dùng để định nghĩa các chính sách (policy) như: ngăn chặn nội dung vi phạm, lọc ngôn từ, hoặc giới hạn hành vi không mong muốn.
• Chúng không được thiết kế để truyền các ví dụ mẫu nhằm “dạy” cho agent cách trả lời; guardrails chỉ kiểm soát đầu ra, không cải thiện độ chính xác.
• Do đó, việc đưa ví dụ vào guardrail không có tác dụng mong muốn.

2. Use Amazon SageMaker Ground Truth to label the examples.

• SageMaker Ground Truth là dịch vụ gán nhãn dữ liệu cho các tác vụ học máy (image, text, video, …).
• Khi bạn đã có các ví dụ đã được gán nhãn, chúng vẫn phải được đưa vào mô hình (thông qua fine‑tuning hoặc prompt). Với Bedrock Agents, không có quy trình fine‑tune bằng dữ liệu do khách hàng cung cấp; chỉ có thể điều chỉnh qua prompt/guardrail.
• Vì vậy, chỉ “label” các ví dụ bằng Ground Truth không làm tăng độ chính xác của agent.

3. Run a script in AWS Lambda that adds the examples to the training dataset.

• Lambda có thể tự động hoá việc chuẩn bị dữ liệu, nhưng Bedrock Agents không cho phép người dùng “đào tạo lại” (re‑train) mô hình bằng cách thêm dữ liệu vào training dataset.
• Các agents hoạt động prompt‑based, không phải training‑based. Do đó, việc chạy script để đưa ví dụ vào dataset không ảnh hưởng tới cách agent sinh ra câu trả lời.

📚 Tổng hợp & Khuyến nghị

• Để nâng cao độ chính xác của một Bedrock Agent bằng các ví dụ cụ thể, điều chỉnh advanced prompts là cách duy nhất hiện tại được AWS hỗ trợ.
• Guardrails, SageMaker Ground Truth, hay Lambda không thay thế việc cung cấp ví dụ trong prompt; chúng phục vụ các mục đích khác (đảm bảo an toàn, gán nhãn dữ liệu, tự động hoá quy trình).

💡 Mẹo thực tiễn:

• Khi tạo advanced prompts, hãy sắp xếp các example pairs (input → expected output) rõ ràng, ngắn gọn và phản ánh đa dạng các trường hợp thực tế mà người dùng có thể đưa ra.
• Kiểm thử lại agent sau khi thêm ví dụ để chắc chắn không gây “over‑fitting” vào một mẫu quá hẹp.

🛠️ Nguồn tham khảo

1. Amazon Bedrock Developer Guide – Agents (phiên bản 2026). URL: https://docs.aws.amazon.com/bedrock/latest/userguide/agents.html
2. AWS Blog – Example‑Based Prompting with Amazon Bedrock (Nov 2024). URL: https://aws.amazon.com/blogs/machine-learning/example-based-prompting-bedrock-agents/
3. Amazon SageMaker Ground Truth Documentation (2026). URL: https://docs.aws.amazon.com/sagemaker/latest/dg/gt.html

🚀 Với những kiến thức trên, bạn có thể tự tin chọn đáp án Modify the advanced prompts for the agent to include the examples để đáp ứng yêu cầu cải thiện độ chính xác của Amazon Bedrock Agent.

🔎 Phân tích câu hỏi
Câu hỏi: “Which option is a benefit of using infrastructure as code (IaC) in machine learning operations (MLOps)?”
Câu hỏi đang hỏi về lợi ích thực sự mà IaC mang lại khi áp dụng trong quy trình MLOps (tự động hoá, triển khai, quản lý các workload Machine Learning). Vì IaC là cách mô tả hạ tầng dưới dạng mã (ví dụ: AWS CloudFormation, Terraform, CDK), nên các lợi ích thường liên quan tới tính nhất quán, khả năng mở rộng, tự động hoá và khả năng tái sử dụng – những yếu tố quan trọng trong MLOps.

✅ Đáp án đúng

IaC streamlines the deployment of scalable and consistent ML workloads in cloud environments.

Giải thích:

• IaC cho phép định nghĩa hạ tầng (ví dụ: VPC, subnet, security groups, SageMaker endpoints, GPU instances, S3 buckets) dưới dạng mã nguồn. Khi mã này được chạy, môi trường sẽ được tạo ra một cách tự động, lặp lại và nhất quán trên mọi môi trường (dev, test, prod).
• Nhờ việc mô tả tài nguyên dưới dạng cấu hình, ta dễ dàng tăng/giảm quy mô (scale‑out/scale‑in) các workload ML chỉ bằng việc thay đổi tham số trong file IaC hoặc sử dụng auto‑scaling policies.
• Điều này giảm thiểu lỗi cấu hình thủ công, rút ngắn thời gian đưa mô hình từ development → training → inference, đồng thời hỗ trợ CI/CD cho ML (MLOps pipeline).
• Các công cụ mới nhất (AWS CloudFormation 2025+, Terraform 1.9, AWS CDK v2, SageMaker Pipelines) đã tích hợp chặt chẽ với IaC, cho phép triển khai nhanh các endpoint, batch transform jobs, hoặc distributed training clusters.

Vì vậy, đáp án này phản ánh đúng lợi ích cốt lõi của IaC trong MLOps.

❌ Giải thích các phương án sai

1. IaC eliminates the need for hyperparameter tuning.

   • Tại sao sai? IaC chỉ quản lý cấu hình hạ tầng (máy ảo, mạng, lưu trữ, quyền truy cập). Việc tối ưu siêu tham số (hyperparameter tuning) là công việc thuộc lớp Machine Learning (thuật toán, dữ liệu, mô hình) và thường được thực hiện bằng SageMaker Automatic Model Tuning, Hyperparameter Tuning Jobs, hay các framework như Optuna. IaC không thể thay thế quá trình này.

2. IaC always provisions powerful compute instances, contributing to the training of more accurate models.

   • Tại sao sai? IaC không tự động chọn “máy mạnh” cho mọi trường hợp. Người dùng xác định loại và kích thước instance trong file IaC (ví dụ: ml.p3.2xlarge hay ml.t3.medium). IaC cho phép điều chỉnh chi phí bằng cách chọn instance phù hợp, thậm chí triển khai spot instances hoặc giảm tài nguyên khi không cần thiết. Do đó, không có khẳng định “luôn provision powerful instances”.

3. IaC minimizes overall expenses by deploying only low‑cost instances.

   • Tại sao sai? IaC không quyết định chi phí bằng cách “chỉ dùng máy rẻ”. Nó cung cấp công cụ để tự động hoá việc provision nhưng quyết định về loại instance, vùng địa lý, sử dụng Spot, Savings Plans vẫn do người thiết kế pipeline quyết định. IaC có thể giúp tối ưu chi phí (bằng cách tự động tắt tài nguyên không dùng, sử dụng Spot, scaling), nhưng không đồng nghĩa với “chỉ deploy low‑cost instances”.

🧩 Tổng kết các lợi ích thực tế của IaC trong MLOps (2026)

• Consistency & Reproducibility – môi trường giống hệt nhau cho mọi run, giảm “it works on my machine”.
• Scalability – dễ dàng mở rộng quy mô tính toán (GPU clusters, multi‑node training) qua thay đổi tham số trong code.
• Version control & Auditing – mã IaC được lưu trong Git, hỗ trợ review, rollback và tuân thủ chuẩn an ninh.
• Automation & CI/CD – tích hợp với AWS CodePipeline, GitHub Actions, hoặc Azure DevOps để tự động triển khai mô hình mới.
• Cost Optimization – thông qua auto‑scaling, spot fleets, resource tagging và lifecycle policies, giúp tắt tài nguyên không còn dùng.
• Security & Governance – IAM policies, encryption, VPC isolation được định nghĩa trong code, giảm lỗi cấu hình bảo mật.

📚 Tham khảo (2026)

• AWS Well‑Architected Framework – Operational Excellence Pillar, 2025 edition.
• Amazon SageMaker Developer Guide, phần “Deploying SageMaker resources with AWS CloudFormation & CDK”, cập nhật 2025‑2026.
• Terraform Provider for AWS v1.9 Documentation, mục “aws_sagemaker_*” và “aws_ec2_spot_fleet”.
• AWS Blog – “Infrastructure as Code for MLOps: Best Practices”, 2024.
• AWS re:Invent 2025 Session – “Scaling MLOps with IaC and GitOps”.

💡 Kết luận: Đáp án đúng là “IaC streamlines the deployment of scalable and consistent ML workloads in cloud environments.” Đây là lợi ích cốt lõi và chính xác nhất của IaC trong bối cảnh MLOps, trong khi các lựa chọn còn lại nhầm lẫn giữa IaC và các khía cạnh khác của quá trình Machine Learning. 🚀

🧩 Phân tích câu hỏi

• Bối cảnh: Một công ty muốn fine‑tune (điều chỉnh lại) một foundation model (FM) – ví dụ: Claude, Llama 2, hoặc Titan – để mô hình có khả năng trả lời câu hỏi chuyên sâu trong một domain (lĩnh vực) cụ thể.
• Yêu cầu kỹ thuật: Công ty dự định sử dụng instruction‑based fine‑tuning – tức là huấn luyện mô hình bằng các “lệnh” (instruction) kèm theo đầu ra mong muốn, thay vì chỉ dựa vào dữ liệu ngôn ngữ thô.
• Câu hỏi: Làm thế nào để công ty chuẩn bị dữ liệu huấn luyện sao cho phù hợp với cách fine‑tune dạng “instruction”?

✅ Đáp án đúng

✅ Create pairs of questions and answers that specifically address topics related to the company's industry domain.

Giải thích:

• Instruction‑based fine‑tuning yêu cầu cặp (instruction, response), trong trường hợp này là câu hỏi → câu trả lời.

• Các cặp này phải đặc thù cho domain của công ty để mô hình học được cách trả lời đúng ngữ cảnh và thuật ngữ ngành.

• Định dạng dữ liệu thường là JSONL, mỗi dòng chứa một object như:

  {"instruction":"What are the compliance requirements for GDPR in our SaaS product?","output":"..."}
  

• Khi đưa vào Amazon SageMaker JumpStart hoặc Amazon Bedrock Custom Model, AWS khuyến cáo chuẩn bị question‑answer (Q‑A) pairs hoặc task‑oriented instructions để đạt hiệu quả tốt nhất.

❌ Giải thích các phương án sai

1. ❌ Gather company internal documents and industry‑specific materials. Merge the documents and materials into a single file.

   • Tại sao sai: Việc thu thập tài liệu và gộp thành một file chỉ tạo ra đầu vào thô (raw text), không có cấu trúc instruction‑response. Đối với instruction‑based fine‑tuning, mô hình cần biết “câu hỏi nào → trả lời nào”. Đơn thuần đưa tài liệu sẽ phù hợp hơn với pre‑training hoặc retrieval‑augmented generation (RAG), không phải fine‑tuning dựa lệnh.

2. ❌ Collect external company reviews from various online sources. Manually label each review as either positive or negative.

   • Tại sao sai: Đây là bài toán phân loại sentiment (positive/negative). Cách gắn nhãn này tạo ra cặp (text, label), không phải câu hỏi → câu trả lời. Ngoài ra, dữ liệu “review” thường không liên quan tới domain kiến thức chuyên sâu mà công ty muốn mô hình trả lời.

3. ❌ Create few‑shot prompts to instruct the model to answer only domain knowledge.

   • Tại sao sai: Few‑shot prompting là kỹ thuật inference (sử dụng mô hình đã huấn luyện), không phải dữ liệu huấn luyện. Khi fine‑tune, chúng ta không “tạo prompt” mà tạo bộ dữ liệu (instruction + output). Few‑shot prompts có thể được dùng sau khi mô hình đã được fine‑tune, nhưng không phải là cách chuẩn bị dữ liệu huấn luyện.

🛠️ Cách chuẩn bị dữ liệu thực tế trên AWS (cập nhật tới 2026)

1. Sử dụng Amazon SageMaker Ground Truth

   • Tạo labeling job để thu thập Q‑A từ chuyên gia domain.
   • Xuất kết quả dưới dạng JSONL với các trường instruction và output.

2. Amazon Bedrock Custom Model

   • Tải lên bộ dữ liệu Q‑A đã chuẩn bị qua Console > Custom model > Upload training data.
   • Bedrock tự động tạo training jobs dựa trên kiến trúc mô hình (Claude, Llama 2, Titan).

3. Kiểm tra chất lượng

   • Sử dụng SageMaker Clarify để phát hiện bias/độ không đồng nhất trong Q‑A.
   • Thực hiện validation split (ví dụ 80/20) để đo accuracy, BLEU, ROUGE trên bộ kiểm tra.

4. Quy trình CI/CD cho mô hình

   • Dùng SageMaker Pipelines để tự động hoá:
     • DataIngestion → DataValidation → Training → Evaluation → ModelPackage.
   • Kết hợp GitOps (CodeCommit) + CodePipeline để triển khai mô hình lên Bedrock endpoint hoặc SageMaker endpoint.

📘 Tham khảo nguồn tài liệu (AWS, 2026)

• Amazon SageMaker Documentation – “Instruction Tuning” (điểm cập nhật 2026‑03) – https://docs.aws.amazon.com/sagemaker/latest/dg/instruction-tuning.html
• Amazon Bedrock Developer Guide – “Custom Model Fine‑tuning” – https://docs.aws.amazon.com/bedrock/latest/userguide/custom-model.html
• AWS Whitepaper “Best Practices for Foundation Model Fine‑tuning” (2025) – https://aws.amazon.com/whitepapers/foundation-model-fine-tuning/
• AWS Blog – “How to Build Domain‑Specific Q&A with Foundation Models” (2024‑11) – https://aws.amazon.com/blogs/machine-learning/domain-qna-fm/

🏁 Kết luận

Để thực hiện instruction‑based fine‑tuning cho một foundation model, công ty cần tạo các cặp câu hỏi‑câu trả lời (instruction → output) tập trung vào domain của mình. Các phương án khác (gộp tài liệu thô, gán nhãn sentiment, hoặc tạo few‑shot prompt) không đáp ứng yêu cầu cấu trúc dữ liệu cần thiết cho kiểu fine‑tune này và do đó là sai.

👍 Áp dụng quy trình trên cùng với các dịch vụ AWS hiện đại (SageMaker, Bedrock, Ground Truth) sẽ giúp công ty nhanh chóng có một mô hình trả lời chuyên môn, đồng thời duy trì tính tự động hoá và kiểm soát chất lượng qua CI/CD.

🔍 Phân tích câu hỏi

Which ML technique ensures data compliance and privacy when training AI models on AWS?

Câu hỏi đang hỏi về kỹ thuật Machine Learning (ML) nào giúp duy trì tuân thủ quy định (compliance) và bảo mật dữ liệu trong quá trình huấn luyện mô hình trên môi trường AWS.
Trong bối cảnh các quy định như GDPR, HIPAA, CCPA… yêu cầu không được di chuyển dữ liệu nhạy cảm ra khỏi vùng (region) hoặc ra khỏi hệ thống của khách hàng, nên một giải pháp “đào tạo tại chỗ” (train‑on‑device / on‑prem) hoặc “đào tạo phân tán” (distributed training) mà dữ liệu không rời khỏi nguồn gốc sẽ được coi là đáp án đúng.

✅ Đáp án đúng: Federated learning

Lý do lựa chọn:

• Federated learning là một mô hình đào tạo ML trong đó dữ liệu không rời khỏi thiết bị hoặc môi trường nguồn. Mỗi node (ví dụ: máy tính cá nhân, edge device, hoặc VPC riêng) thực hiện một vòng tính toán gradient trên dữ liệu cục bộ, sau đó chỉ gửi các trọng số (weights) hoặc gradient đã được tổng hợp về trung tâm để cập nhật mô hình chung.
• Vì không có dữ liệu thô được chuyển giao, việc vi phạm các yêu cầu bảo mật dữ liệu giảm xuống mức tối thiểu, đáp ứng tốt các tiêu chuẩn compliance như GDPR‑Art. 25 (by‑design privacy), HIPAA, PCI‑DSS.
• AWS cung cấp dịch vụ Amazon SageMaker Federated Learning (được ra mắt 2022 và cập nhật liên tục tới 2026) cho phép triển khai Federated Learning trên SageMaker Edge Manager, AWS IoT Greengrass, hoặc SageMaker Studio mà vẫn duy trì AWS KMS để mã hoá gradient và AWS IAM để kiểm soát quyền truy cập.
• Các tính năng Private Aggregation, Secure Multiparty Computation (SMPC) và Homomorphic Encryption được tích hợp trong SageMaker để tăng cường bảo mật khi tổng hợp gradient.

🧩 Phân tích các phương án

1. Reinforcement learning

❌ Không đảm bảo compliance và privacy

• Reinforcement Learning (RL) là một phương pháp học dựa trên phản hồi (reward) từ môi trường. Để huấn luyện, thường cần thu thập dữ liệu hành vi hoặc trạng thái môi trường và truyền chúng tới một máy chủ huấn luyện (ví dụ: SageMaker RL).
• Trong hầu hết các trường hợp, dữ liệu môi trường (log, sensor, hành vi người dùng) phải được tập hợp và di chuyển về trung tâm để tính toán reward và cập nhật policy. Điều này không đáp ứng yêu cầu “data never leaves source” và do đó không phù hợp cho các trường hợp yêu cầu bảo mật dữ liệu cao.
• AWS có SageMaker RL, nhưng không có cơ chế nội sinh để giữ dữ liệu ở phía client như Federated Learning.

2. Transfer learning

❌ Không trực tiếp giải quyết vấn đề compliance

• Transfer Learning (TL) cho phép tái sử dụng mô hình đã được huấn luyện trên một tập dữ liệu lớn và “fine‑tune” trên một tập dữ liệu mới, thường nhỏ hơn và đặc thù.
• Quá trình fine‑tuning vẫn đòi hỏi dữ liệu mới phải được tải lên môi trường huấn luyện (SageMaker, EMR, …). Nếu dữ liệu chứa thông tin nhạy cảm, việc di chuyển dữ liệu tới AWS sẽ gây rủi ro về compliance nếu không có các biện pháp mã hoá hoặc VPC riêng.
• TL không có cơ chế giữ dữ liệu tại chỗ; nó chỉ giảm nhu cầu dữ liệu lớn, không giải quyết được vấn đề riêng tư.

3. Federated learning (ĐÚNG)

✅ Đáp án đúng

• Đã giải thích ở trên: dữ liệu không rời khỏi nguồn, chỉ gửi trọng số đã được bảo vệ.
• AWS hỗ trợ đầy đủ: Amazon SageMaker Federated Learning, SageMaker Edge Manager, AWS IoT Greengrass, và các tính năng bảo mật như KMS, SMPC, Private Aggregation.

4. Unsupervised learning

❌ Không liên quan tới compliance và privacy

• Unsupervised Learning (UL) là kỹ thuật không cần nhãn, ví dụ: clustering, dimensionality reduction.
• Việc áp dụng UL không tự động bảo vệ dữ liệu; cũng cần truyền dữ liệu vào môi trường tính toán (SageMaker, EMR, Glue) để thực hiện các thuật toán như K‑means, PCA, Autoencoders, …
• Nếu dữ liệu nhạy cảm, việc đưa dữ liệu lên đám mây vẫn tạo ra các rủi ro về privacy và compliance, trừ khi thực hiện các biện pháp mã hoá bổ sung, nhưng không có cơ chế “data never leaves source” như Federated Learning.

📚 Tham khảo (tính đến 2026)

1. Amazon SageMaker Federated Learning Documentation – https://docs.aws.amazon.com/sagemaker/latest/dg/federated-learning.html
2. AWS Security Blog – “Protecting privacy with Federated Learning on SageMaker” (2023, cập nhật 2025) – https://aws.amazon.com/blogs/security/federated-learning-privacy/
3. AWS Well‑Architected Framework – Security Pillar – https://docs.aws.amazon.com/wellarchitected/latest/security-pillar/
4. GDPR Compliance on AWS – Data Residency & Privacy – https://aws.amazon.com/compliance/gdpr-center/
5. AWS re:Invent 2024 Session – “Secure Multi‑Party Computation for Federated Learning” – video & slides.

🛠️ Kết luận nhanh

• Federated learning là kỹ thuật duy nhất trong các lựa chọn trên đảm bảo dữ liệu luôn ở nơi nguồn, giảm thiểu rủi ro vi phạm quy định bảo mật và đáp ứng các yêu cầu compliance khi huấn luyện mô hình AI trên AWS.
• Các kỹ thuật còn lại (Reinforcement, Transfer, Unsupervised) không có cơ chế bảo vệ dữ liệu tại chỗ, vì vậy không đáp ứng yêu cầu của câu hỏi.

🔎 Phân tích câu hỏi
Một công ty sản xuất có một ứng dụng thu thập các khiếu nại của người tiêu dùng từ các nguồn công cộng. Để xử lý các khiếu nại, hiện tại ứng dụng dựa vào logic cứng (hard‑coded) phức tạp. Công ty muốn mở rộng (scale) logic này ra các thị trường và dòng sản phẩm khác nhau.

Câu hỏi hỏi: “Which advantage do generative AI models offer for this scenario?” – tức là, trong bối cảnh cần mở rộng, điểm mạnh nào của mô hình AI sinh (generative AI) có thể giúp công ty?

✅ Đáp án đúng

Adaptability

Lý do lựa chọn:

• Các mô hình generative AI (như Amazon Bedrock, Amazon Titan, hoặc các LLM của bên thứ ba) có khả năng thích ứng (adaptability) cao. Khi dữ liệu đầu vào (các khiếu nại) thay đổi theo thị trường, ngôn ngữ, hoặc sản phẩm, mô hình có thể học và điều chỉnh mà không cần viết lại toàn bộ logic.
• Bạn chỉ cần fine‑tune hoặc prompt‑engineer mô hình với dữ liệu mới, giảm đáng kể thời gian và công sức so với việc cập nhật mã hard‑coded.
• Điều này đáp ứng yêu cầu “scale across markets and product lines” vì mô hình có thể tự động nắm bắt các mẫu mới, ngôn ngữ địa phương, và quy tắc nghiệp vụ mà không cần viết lại từng đoạn code.

🧩 Giải thích các phương án (giữ nguyên nội dung tiếng Anh)

- Predictability of outputs

• Giải thích:
  • Các mô hình generative AI không đảm bảo tính dự đoán (predictability) cao cho mỗi lần chạy; chúng có tính ngẫu nhiên và phụ thuộc vào prompt, temperature, và dữ liệu huấn luyện.
  • Trong môi trường xử lý khiếu nại, công ty thường cần độ ổn định và nhất quán hơn là một đầu ra hoàn toàn dự đoán được. Do đó, predictability không phải là ưu điểm của generative AI mà ngược lại, là một hạn chế so với logic cứng.

- Adaptability

• Giải thích:
  • Như đã nêu ở trên, khả năng thích nghi là điểm mạnh cốt lõi: mô hình có thể nhanh chóng tiếp nhận định dạng, ngôn ngữ, và quy tắc mới mà không cần thay đổi cấu trúc phần mềm.
  • Điều này hỗ trợ mở rộng sang nhiều thị trường (ngôn ngữ, luật địa phương) và dòng sản phẩm (các loại khiếu nại khác nhau) một cách linh hoạt.

- Less sensitivity to changes in inputs

• Giải thích:
  • Thực tế, generative AI cực kỳ nhạy cảm với cách diễn đạt và cấu trúc của đầu vào. Thay đổi một từ, dấu câu, hoặc định dạng có thể làm thay đổi kết quả đáng kể.
  • Vì vậy, less sensitivity không phải là ưu điểm; ngược lại, cần có prompt engineering và/hoặc preprocessing để giảm thiểu sai lệch.

- Explainability

• Giải thích:
  • Các mô hình AI sinh, đặc biệt là các LLM lớn, khó giải thích (low explainability) vì chúng hoạt động như “black box”.
  • Khi cần giải trình quyết định (ví dụ: tại sao một khiếu nại được xếp vào mức độ nghiêm trọng nào), khả năng giải thích của mô hình thường kém hơn so với logic cứng được lập trình rõ ràng. Vì vậy, explainability không phải là lợi thế trong trường hợp này.

📚 Tham khảo (tính đến năm 2026)

1. Amazon Bedrock Documentation – “Using foundation models for adaptive workflows.”
   https://docs.aws.amazon.com/bedrock/latest/userguide/what-is-bedrock.html
2. AWS Well‑Architected Framework – Machine Learning Pillar (2024‑2026 updates) – nhấn mạnh “Adaptability and continuous learning” cho các mô hình AI.
   https://aws.amazon.com/architecture/well-architected/machine-learning-pillar/
3. “Generative AI Best Practices” – AWS Whitepaper (2025) – phần “Model adaptability and fine‑tuning across domains”.
   https://d1.awsstatic.com/whitepapers/AI/Generative-AI-Best-Practices.pdf
4. Research paper: “Prompt Sensitivity in Large Language Models” (2024, arXiv) – chỉ ra mức độ nhạy cảm cao của LLM với thay đổi đầu vào.

🛠️ Kết luận

• Ưu điểm cốt lõi của generative AI trong bối cảnh mở rộng logic xử lý khiếu nại là Adaptability – khả năng thích nghi nhanh chóng với các thay đổi về ngôn ngữ, thị trường và sản phẩm mà không cần viết lại mã.
• Các lựa chọn còn lại (Predictability, Less sensitivity to changes in inputs, Explainability) không phù hợp vì chúng không phản ánh điểm mạnh thực sự của mô hình AI sinh và thậm chí là những hạn chế.

🚀 Áp dụng một mô hình generative AI (ví dụ: Amazon Titan hoặc LLM qua Bedrock) với quy trình fine‑tuning và prompt engineering sẽ giúp công ty đạt được mục tiêu mở rộng linh hoạt và nhanh chóng.

🔍 Phân tích câu hỏi

A financial company wants to flag all credit card activity as possibly fraudulent or non‑fraudulent based on transaction data.
Which type of ML model meets these requirements?

Công ty muốn đưa ra hai nhãn duy nhất cho mỗi giao dịch:

• fraudulent (có khả năng gian lận)
• non‑fraudulent (không gian lận)

Vì số lượng nhãn chỉ hai, mô hình cần học phân loại nhị phân (binary classification).

✅ Đáp án đúng

Binary classification

✅ Đây là loại mô hình dự đoán một trong hai lớp (0/1, true/false, fraud/non‑fraud). Trong AWS, bạn có thể triển khai bằng:

• Amazon SageMaker: thuật toán Linear Learner, XGBoost, DeepAR (được cấu hình cho binary classification)
• Amazon Fraud Detector (dịch vụ quản lý, dựa trên mô hình binary classification)
• AWS Glue + SageMaker Pipelines để chuẩn bị dữ liệu và tự động hoá quy trình đào tạo/triển khai.

❌ Giải thích các phương án sai

• Regression

  • 📉 Regression dự đoán một giá trị định lượng liên tục (ví dụ: số tiền giao dịch, thời gian). Nó không cung cấp nhãn “fraud / non‑fraud”. Để chuyển regression thành quyết định nhị phân, bạn phải đặt một ngưỡng thủ công, nhưng đây không phải là cách tiếp cận chuẩn cho bài toán phân loại.
  • ✅ Không phù hợp vì mục tiêu là phân loại, không phải dự đoán giá trị số.

• Diffusion

  • 🌌 Diffusion models là các mô hình tạo sinh (generative) mạnh mẽ, thường dùng để tạo ảnh, video, âm thanh (ví dụ: Stable Diffusion). Chúng không được thiết kế để thực hiện phân loại dữ liệu tabular như giao dịch thẻ tín dụng.
  • ✅ Không liên quan tới bài toán phát hiện gian lận.

• Multi‑class classification

  • 📊 Multi‑class classification dự đoán nhiều hơn hai lớp (ví dụ: 3, 5, 10 lớp). Nếu chỉ có hai nhãn, việc dùng multi‑class là lãng phí và có thể gây nhầm lẫn trong việc thiết lập loss function.
  • ✅ Bài toán chỉ có hai trạng thái, vì vậy multi‑class không cần thiết.

🧩 Tổng hợp kiến thức cập nhật (2024‑2026)

1. Amazon SageMaker đã cập nhật SageMaker Autopilot và JumpStart hỗ trợ tự động phát hiện mô hình binary classification với AutoML.
2. Amazon Fraud Detector (ra mắt 2020, liên tục cập nhật tới 2026) cung cấp sẵn pipeline: ingestion → feature engineering → binary classification → decision threshold.
3. Feature Store (SageMaker Feature Store) cho phép lưu trữ và chia sẻ các đặc trưng giao dịch (transaction amount, merchant ID, time‑of‑day…) giữa các mô hình, giúp nâng cao độ chính xác của mô hình binary classification.
4. Model Monitor trong SageMaker tự động phát hiện drift và bias trong mô hình binary classification, rất quan trọng với dữ liệu tài chính luôn thay đổi.

📚 Tham khảo

• AWS Documentation – Binary Classification: https://docs.aws.amazon.com/sagemaker/latest/dg/algos-linear-learner.html#linear-learner-binary-classification
• Amazon Fraud Detector Developer Guide (phiên bản 2026): https://docs.aws.amazon.com/frauddetector/latest/ug/what-is-fraud-detector.html
• SageMaker Autopilot – Build Binary Classification Models: https://aws.amazon.com/sagemaker/autopilot/
• Machine Learning Best Practices for Fraud Detection – AWS Whitepaper 2025: https://d1.awsstatic.com/whitepapers/aws-fraud-detection-ml.pdf

Kết luận: Đối với yêu cầu “đánh dấu giao dịch thẻ tín dụng là có khả năng gian lận hay không”, mô hình binary classification là lựa chọn đúng nhất. Các phương án còn lại (Regression, Diffusion, Multi‑class classification) không đáp ứng được yêu cầu nhãn hai lớp của bài toán. 🚀