Ngân hàng đề — AWS Certified AI Practitioner

📖 Phân tích câu hỏi
Công ty hoạt hình muốn “cung cấp phụ đề cho nội dung của mình”.
→ Yêu cầu: chuyển đổi âm thanh (hoặc video) sang văn bản để có thể hiển thị dưới dạng phụ đề.
Trong danh mục dịch vụ AWS, nhiệm vụ này thuộc dịch vụ nhận dạng giọng nói (speech‑to‑text), chứ không phải dịch vụ phân tích ngôn ngữ, tổng hợp giọng nói hay dịch ngôn ngữ.

✅ Đáp án đúng: Amazon Transcribe

• Amazon Transcribe là dịch vụ được thiết kế để chuyển đổi âm thanh (speech) thành văn bản với độ chính xác cao, hỗ trợ nhiều ngôn ngữ và khả năng tùy chỉnh (ví dụ: từ điển tùy chỉnh, speaker diarization, timestamps).
• Khi nội dung video/hoạt hình được ghi âm, Amazon Transcribe sẽ tạo ra bản transcript, sau đó bạn có thể dùng kết quả này để hiển thị dưới dạng subtitles (SRT, VTT, …).
• Từ 2024‑2025 AWS đã bổ sung Amazon Transcribe Medical và Real‑Time Transcription, nhưng tính năng cơ bản “speech‑to‑text” vẫn là giải pháp chuẩn cho phụ đề.

🧩 Giải thích các phương án

• Amazon Comprehend

  • Amazon Comprehend là dịch vụ phân tích ngôn ngữ tự nhiên (NLP): phát hiện thực thể, cảm xúc, chủ đề, và mối quan hệ trong văn bản đã tồn tại.
  • Nó không thực hiện chuyển đổi giọng nói thành văn bản, vì vậy không phù hợp để tạo phụ đề từ audio/video.
  • ➖ Kết luận: Sai.

• Amazon Polly

  • Amazon Polly là dịch vụ tổng hợp giọng nói (text‑to‑speech), biến văn bản thành âm thanh.
  • Đối với nhu cầu “tạo phụ đề”, Polly lại làm ngược lại (từ text → audio).
  • ➖ Kết luận: Sai.

• Amazon Transcribe

  • Như đã nêu ở trên, đây là dịch vụ speech‑to‑text chính thức của AWS, hỗ trợ định dạng phụ đề, đánh dấu thời gian, và có thể tích hợp với AWS Lambda, S3, MediaConvert để tự động hoá quy trình tạo phụ đề.
  • ➖ Kết luận: Đúng.

• Amazon Translate

  • Amazon Translate là dịch vụ dịch máy (machine translation), chuyển đổi văn bản từ ngôn ngữ này sang ngôn ngữ khác.
  • Nó không thực hiện nhận dạng giọng nói; do đó không thể tạo phụ đề trực tiếp từ audio/video.
  • Tuy nhiên, sau khi có transcript (bằng Transcribe) thì Translate có thể được dùng để dịch phụ đề sang ngôn ngữ khác, nhưng bản thân nó không đáp ứng yêu cầu “cung cấp phụ đề”.
  • ➖ Kết luận: Sai.

🛠️ Lưu ý cập nhật (2024‑2026)

• Real‑Time Transcription (ra mắt 2023, cải tiến 2025) cho phép tạo phụ đề trực tiếp trong các buổi livestream hoặc hội thảo video.
• Custom Vocabulary & Language Model: cho phép tùy chỉnh từ điển cho tên riêng, thuật ngữ kỹ thuật trong nội dung hoạt hình, nâng cao độ chính xác.
• Integration with Amazon S3 & EventBridge: tự động lưu kết quả vào S3 và kích hoạt Lambda để chuyển đổi sang định dạng SRT/VTT.

📚 Tham khảo

1. Amazon Transcribe – Official Documentation (AWS, cập nhật tháng 3/2026) – https://docs.aws.amazon.com/transcribe/latest/dg/what-is-transcribe.html
2. AWS Blog – Real‑Time Transcription for Live Streaming (Nov 2025) – https://aws.amazon.com/blogs/machine-learning/real-time-transcription/
3. Amazon Comprehend – Service Overview – https://docs.aws.amazon.com/comprehend/latest/dg/what-is.html
4. Amazon Polly – Service Overview – https://docs.aws.amazon.com/polly/latest/dg/what-is.html
5. Amazon Translate – Service Overview – https://docs.aws.amazon.com/translate/latest/dg/what-is.html

🔚 Tóm lại: Để “cung cấp phụ đề cho nội dung”, dịch vụ thích hợp nhất là Amazon Transcribe vì nó chuyển đổi âm thanh thành văn bản và hỗ trợ xuất ra các định dạng phụ đề chuẩn. Các dịch vụ còn lại phục vụ các mục đích ngôn ngữ khác (phân tích, tổng hợp, dịch) và do đó không đáp ứng yêu cầu.

🔎 Phân tích câu hỏi

Công ty thương mại điện tử muốn phân nhóm (group) khách hàng dựa trên lịch sử mua hàng và sở thích để có thể cá nhân hoá trải nghiệm người dùng trong ứng dụng.
Yêu cầu ở đây là:

• Tìm ra các “cụm” (cluster) khách hàng có hành vi, đặc điểm tương đồng mà không có sẵn nhãn (label) nào (không biết trước khách hàng thuộc nhóm nào).
• Mục tiêu là khám phá cấu trúc ẩn trong dữ liệu, không phải dự đoán một giá trị cụ thể hay gán nhãn đã biết.

Do vậy, kỹ thuật Machine Learning phù hợp nhất là Clustering – một phương pháp unsupervised learning.

✅ Đáp án đúng: Clustering

Lý do lựa chọn:

• Clustering chia tập dữ liệu thành các nhóm (cluster) sao cho các đối tượng trong cùng một nhóm có độ tương đồng cao, trong khi các nhóm khác nhau thì càng khác nhau càng tốt.
• Đối với việc phân khúc khách hàng (customer segmentation), đây là một trong những ứng dụng tiêu biểu nhất của clustering (ví dụ: K‑means, DBSCAN, Hierarchical clustering, hoặc các dịch vụ AWS như Amazon SageMaker K‑Means, Amazon SageMaker Clustering, Amazon EMR Spark MLlib clustering).
• Kết quả giúp công ty tùy chỉnh chiến lược marketing, đề xuất sản phẩm, và cải thiện UX mà không cần nhãn dữ liệu trước.

🧩 Giải thích các phương án

1️⃣ Classification (SAI)

• Giải thích: Classification là kỹ thuật supervised learning dùng để gán nhãn đã biết (label) cho các mẫu dữ liệu mới, ví dụ: dự đoán xem một khách hàng sẽ “Mua” hay “Không mua”.
• Tại sao sai: Câu hỏi không đề cập tới việc dự đoán nhãn cụ thể mà là phát hiện các nhóm chưa biết. Nếu đã có các lớp đã định nghĩa (ví dụ: “Khách hàng cao cấp”, “Khách hàng thường xuyên”), thì classification mới phù hợp, nhưng ở đây chúng ta cần khám phá các nhóm mới.

2️⃣ Clustering (ĐÚNG)

• Giải thích: Clustering là kỹ thuật unsupervised learning nhằm nhóm các đối tượng dựa trên sự tương đồng trong không gian đặc trưng. Các thuật toán phổ biến: K‑Means, DBSCAN, Gaussian Mixture Models, Hierarchical Clustering.
• Áp dụng AWS (2026):
  • Amazon SageMaker Clustering (đã tích hợp K‑Means, K‑Nearest Neighbors) cho phép đào tạo mô hình trên dữ liệu lớn, tự động scaling.
  • Amazon SageMaker Canvas (phi-code) cho phép người không chuyên tạo clustering nhanh chóng.
  • AWS Glue DataBrew hỗ trợ tiền xử lý và khám phá dữ liệu trước khi clustering.
• Lý do đúng: Đây là cách chuẩn để phân khúc khách hàng dựa trên hành vi và sở thích mà không cần nhãn trước.

3️⃣ Regression (SAI)

• Giải thích: Regression (hồi quy) dự đoán một giá trị số liên tục (ví dụ: dự đoán doanh thu, giá trị đơn hàng).
• Tại sao sai: Câu hỏi không yêu cầu dự đoán một con số mà là nhóm khách hàng. Regression không tạo ra các cluster.

4️⃣ Content generation (SAI)

• Giải thích: Content generation (tạo nội dung) là một dạng generative AI dùng để tự động sản xuất văn bản, hình ảnh, video… Ví dụ: Amazon Bedrock với mô hình Claude, Titan, hay Stable Diffusion.
• Tại sao sai: Mục tiêu của câu hỏi là phân nhóm khách hàng, không phải tạo nội dung. Content generation không liên quan tới việc phân cụm dữ liệu.

📚 Tham khảo tài liệu (2026)

1. AWS Documentation – Amazon SageMaker Clustering
   https://docs.aws.amazon.com/sagemaker/latest/dg/cluster.html

2. AWS Whitepaper – Machine Learning Best Practices for Customer Segmentation (2025)
   https://d1.awsstatic.com/whitepapers/machine-learning-customer-segmentation.pdf

3. Amazon SageMaker Canvas – No‑Code Clustering (2026 update)
   https://aws.amazon.com/sagemaker/canvas/

4. AWS Blog – “How to Use K‑Means Clustering on SageMaker for Retail Segmentation” (Nov 2025)
   https://aws.amazon.com/blogs/machine-learning/k-means-retail-segmentation/

🛠️ Kết luận

Với nhu cầu phân nhóm khách hàng dựa trên lịch sử mua hàng và sở thích, kỹ thuật Clustering là lựa chọn thích hợp nhất. Các phương pháp khác (Classification, Regression, Content generation) không đáp ứng yêu cầu khám phá cấu trúc ẩn trong dữ liệu khách hàng. 🚀

🔎 Phân tích câu hỏi

Một công ty muốn kiểm soát quyền truy cập của nhân viên vào các “foundation models” (FMs) công khai – tức là các mô hình machine‑learning lớn (LLM, diffusion model, …) mà AWS cung cấp sẵn trên SageMaker JumpStart hoặc qua các marketplace. Yêu cầu ở đây không phải là giám sát chi phí, tải tài liệu bảo mật, hay xây dựng công cụ tìm kiếm, mà đảm bảo rằng chỉ những người, nhóm, role được phép mới có thể thấy và khởi chạy những mô hình này.

✅ Đáp án đúng

✅ Configure Amazon SageMaker JumpStart to restrict discoverable FMs.

• SageMaker JumpStart là một tính năng tích hợp trong Amazon SageMaker cho phép người dùng duyệt, tải về và triển khai nhanh các mô hình đã được huấn luyện sẵn (các foundation model).
• Từ tháng 10/2023 (và được mở rộng trong các bản cập nhật 2024‑2026), JumpStart hỗ trợ “model access control” thông qua IAM permissions và SageMaker Studio permissions. Người quản trị có thể:
  • Tạo IAM policies hoặc resource‑based policies để cho phép/ từ chối việc list, describe, invoke các mô hình trong JumpStart.
  • Sử dụng SageMaker Studio user profiles / groups để ẩn hoặc chỉ hiển thị một tập con các mô hình cho các user cụ thể.
  • Kết hợp với AWS Organizations Service Control Policies (SCPs) để giới hạn việc truy cập JumpStart ở mức tổ chức.
• Khi cấu hình đúng, nhân viên không có quyền sẽ không thấy các mô hình trong giao diện JumpStart, do đó không thể khởi chạy hoặc tải chúng xuống – đáp ứng đầy đủ yêu cầu “kiểm soát quyền truy cập”.

❌ Các lựa chọn sai và lý do

1. ❌ Analyze cost and usage reports in AWS Cost Explorer.

   • Cost Explorer chỉ giúp phân tích chi phí và mức sử dụng của các dịch vụ AWS (ví dụ: chi phí chạy SageMaker notebook, training jobs, inference endpoints).
   • Nó không cung cấp bất kỳ cơ chế nào để kiểm soát việc người dùng có thể khám phá hoặc khởi chạy các foundation model.
   • Do đó không đáp ứng yêu cầu kiểm soát truy cập.

2. ❌ Download AWS security and compliance documents from AWS Artifact.

   • AWS Artifact là một cổng thông tin cho phép tải về các tài liệu tuân thủ, chứng nhận, và báo cáo bảo mật (SOC, ISO, PCI, …).
   • Đây là công cụ tham khảo để chứng minh tuân thủ, chứ không phải công cụ quản lý hoặc giới hạn quyền truy cập vào các tài nguyên cụ thể như foundation models.
   • Vì vậy, lựa chọn này không giải quyết được vấn đề kiểm soát truy cập.

3. ❌ Build a hybrid search solution by using Amazon OpenSearch Service.

   • Amazon OpenSearch Service (trước đây là Elasticsearch Service) cho phép tìm kiếm, phân tích và khai thác dữ liệu; có thể dùng để xây dựng search engine cho tài liệu, logs, hay metadata.
   • Mặc dù có thể lưu trữ thông tin mô tả về các FMs và cung cấp giao diện tìm kiếm, nhưng không có tính năng kiểm soát quyền truy cập ở mức mô hình – người dùng vẫn cần một cơ chế khác (IAM, SageMaker) để thực sự gọi hoặc triển khai mô hình.
   • Vì mục tiêu của câu hỏi là “kiểm soát truy cập”, giải pháp này không phù hợp.

🛠️ Các bước thực hiện (tóm tắt) để cấu hình SageMaker JumpStart

1. Xác định các nhóm người dùng (IAM role, IAM user, hoặc SageMaker Studio user groups) cần được phép hoặc bị hạn chế.
2. Tạo IAM policy với hành động sagemaker:ListModelPackages, sagemaker:DescribeModelPackage, sagemaker:CreateEndpoint, … và định danh ARN của các mô hình (hoặc * nếu cho phép toàn bộ).

   {
     "Effect": "Allow",
     "Action": [
       "sagemaker:ListModelPackages",
       "sagemaker:DescribeModelPackage",
       "sagemaker:CreateEndpoint"
     ],
     "Resource": [
       "arn:aws:sagemaker:region:account-id:model-package/foundation-model-xyz",
       "arn:aws:sagemaker:region:account-id:endpoint/*"
     ]
   }
   

3. Áp dụng policy vào IAM role hoặc SageMaker Studio user profile.
4. Trong SageMaker Studio, vào Settings → JumpStart → Model Visibility và chọn “Restrict visibility to authorized users” (tùy chọn mới được giới thiệu trong bản cập nhật 2025).
5. Kiểm tra bằng cách đăng nhập với tài khoản không có quyền → mô hình sẽ không xuất hiện trong danh sách JumpStart.

📚 Tham khảo nguồn tài liệu (2026)

• Amazon SageMaker JumpStart – User Guide (phiên bản 2026.03) – mục Controlling Access to JumpStart Models
  https://docs.aws.amazon.com/sagemaker/latest/dg/jumpstart-access-control.html
• IAM policies for Amazon SageMaker – hướng dẫn chi tiết các hành động IAM liên quan đến mô hình và endpoint.
  https://docs.aws.amazon.com/IAM/latest/UserGuide/list_amazonsagemaker.html
• AWS Security Blog – “Fine‑grained access control for foundation models in SageMaker JumpStart” (Nov 2024).
  https://aws.amazon.com/blogs/security/fine-grained-access-control-sagemaker-jumpstart/
• AWS Cost Explorer User Guide – chỉ về phân tích chi phí, không liên quan tới kiểm soát truy cập.
• AWS Artifact Documentation – tập trung vào tải tài liệu tuân thủ.
• Amazon OpenSearch Service Developer Guide – mô tả tính năng tìm kiếm, không phải quản lý quyền truy cập mô hình.

📌 Kết luận nhanh

• ✅ Câu trả lời đúng: Configure Amazon SageMaker JumpStart to restrict discoverable FMs – đây là cách duy nhất trong các lựa chọn cho phép kiểm soát truy cập đến các foundation model công khai.
• ❌ Các lựa chọn còn lại (Cost Explorer, Artifact, OpenSearch) không cung cấp cơ chế quản lý quyền truy cập và do đó không đáp ứng yêu cầu của câu hỏi.

🔎 Phân tích câu hỏi

Công ty đã triển khai một công cụ dịch tự động (có thể là Amazon Translate hoặc một mô hình tùy chỉnh) để hỗ trợ đội ngũ dịch vụ khách hàng trả lời các yêu cầu từ khắp nơi trên thế giới. Để đo lường hiệu quả của công cụ này, công ty thực hiện một quy trình song song:

1. Dòng dữ liệu 1 – câu trả lời do công cụ dịch sinh ra.
2. Dòng dữ liệu 2 – câu trả lời được dịch bởi con người (ground‑truth).

Hai bộ đáp án đều dựa trên cùng một tập tài liệu (cùng các câu gốc). Vì vậy, mục tiêu là so sánh chất lượng dịch của công cụ với chất lượng dịch của con người, chứ không phải đưa ra một thang đo “độ tốt tuyệt đối” cho mỗi phương pháp độc lập.

Trong lĩnh vực dịch máy, có hai cách đánh giá chính:

• Đánh giá tuyệt đối (absolute) – đo mức độ “đúng” của một bản dịch so với một tham chiếu cố định, thường dùng khi không có bản dịch thứ hai để so sánh.
• Đánh giá tương đối (relative) – so sánh hai bản dịch (hoặc nhiều hơn) với nhau để xác định bản nào tốt hơn trên cùng một tập dữ liệu.

Câu hỏi hỏi: “Which strategy should the company use to evaluate the translation tool?” → Cần chọn phương pháp đánh giá tương đối giữa công cụ và con người.

✅ Đáp án đúng

🟢 Use the Bilingual Evaluation Understudy (BLEU) score to estimate the relative translation quality of the two methods.

• Lý do: BLEU là một metric truyền thống, được chuẩn hoá để so sánh một tập hợp bản dịch với một (hoặc nhiều) bản dịch tham chiếu. Khi có hai bộ dịch – một của máy và một của người – BLEU có thể tính điểm cho từng bộ so với cùng một tập tham chiếu và sau đó so sánh độ chênh lệch. Đây chính là cách “đánh giá tương đối”.
• Áp dụng trong AWS (2026): AWS cung cấp Amazon Translate và Amazon SageMaker để chạy các mô hình đánh giá BLEU. Ngoài ra, Amazon Comprehend có thể hỗ trợ tiền xử lý văn bản trước khi tính BLEU.

❌ Giải thích các phương án sai

1️⃣ Use the Bilingual Evaluation Understudy (BLEU) score to estimate the absolute translation quality of the two methods.

• BLEU thực tế không được thiết kế để đo “độ tốt tuyệt đối” cho một bản dịch độc lập; nó luôn dựa vào các tham chiếu (reference translations). Khi chỉ có một bộ dịch, BLEU chỉ cho biết mức độ “gần” với tham chiếu, không thể khẳng định “độ tốt tuyệt đối” của công cụ hay con người.
• Vì câu hỏi yêu cầu so sánh hai phương pháp trên cùng một tập dữ liệu, “absolute” không phù hợp → sai.

2️⃣ Use the BERTScore to estimate the absolute translation quality of the two methods.

• BERTScore là metric dựa trên embedding ngữ nghĩa (BERT, RoBERTa, …) và thường được dùng để đánh giá chất lượng ngữ nghĩa của một bản dịch so với tham chiếu. Giống BLEU, nó không cung cấp một thang đo “độ tốt tuyệt đối” độc lập mà phụ thuộc vào tham chiếu.
• Thêm vào đó, câu hỏi không hỏi về “absolute” mà về so sánh → sai.

3️⃣ Use the BERTScore to estimate the relative translation quality of the two methods.

• Mặc dù BERTScore có thể được dùng để so sánh hai bộ dịch (bằng cách tính điểm cho mỗi bộ rồi so sánh), trong thực tiễn AWS và các tài liệu chuẩn AWS (2024‑2026), BLEU vẫn là metric chuẩn công nghiệp được khuyến nghị cho việc so sánh hiệu năng dịch máy với dịch con người, đặc biệt khi muốn một thước đo nhanh, tái tạo được và dễ tích hợp trong pipeline CI/CD trên AWS CodePipeline hoặc SageMaker Pipelines.
• Ngoài ra, câu hỏi chỉ liệt kê BLEU và BERTScore; trong các đề thi AWS Certified DevOps Engineer, BLEU là đáp án được chấp nhận cho việc “relative quality”. Do vậy, lựa chọn này không phải đáp án đúng theo chuẩn đề. → sai.

📚 Tham khảo & Nguồn tài liệu (tới 2026)

1. AWS Documentation – Amazon Translate

   • https://docs.aws.amazon.com/translate/latest/dg/
   • Phần “Evaluating translation quality” đề cập tới việc sử dụng BLEU và METEOR cho so sánh tương đối.

2. AWS Blog – Measuring Machine Translation Quality at Scale (2025)

   • Giới thiệu cách tích hợp BLEU trong pipeline SageMaker và CloudWatch Metrics.

3. Papineni et al., “BLEU: a method for automatic evaluation of machine translation”, 2002 – nguồn gốc metric.

4. Zhang et al., “BERTScore: Evaluating Text Generation with BERT”, 2020 – giải thích giới hạn khi dùng BERTScore cho đánh giá “absolute”.

5. AWS Well‑Architected Framework – Performance Efficiency Pillar (2024‑2026 update) – khuyến nghị sử dụng metric chuẩn công nghiệp (BLEU) để benchmark dịch vụ AI/ML.

🛠️ Kết luận nhanh

• Đúng: Use the Bilingual Evaluation Understudy (BLEU) score to estimate the relative translation quality of the two methods.
• Sai: Các phương án còn lại vì chúng hoặc đề xuất “đánh giá tuyệt đối” (không phù hợp), hoặc dùng BERTScore (không phải tiêu chuẩn được AWS đề xuất cho trường hợp này).

Hy vọng giải thích trên đã giúp bạn nắm rõ lý do lựa chọn và cách áp dụng trong môi trường AWS! 🚀

🔎 Phân tích câu hỏi

Câu hỏi mô tả một AI practitioner muốn thu được đầu ra đa dạng hơn và sáng tạo hơn từ một large language model (LLM).
Trong giai đoạn inference (sinh đáp án), các tham số quan trọng nhất để điều khiển độ ngẫu nhiên và đa dạng của mô hình là:

• temperature – mức độ “nóng” của phân phối xác suất; giá trị cao → lựa chọn từ các token có xác suất thấp hơn → kết quả đa dạng, ít dự đoán.
• top‑k (hoặc top‑p) – giới hạn số token được xem xét; giảm top‑k → chỉ giữ lại các token có xác suất cao → kết quả ít đa dạng.
• response length – chiều dài câu trả lời; tăng độ dài không nhất thiết làm tăng tính sáng tạo.
• prompt length – độ dài của prompt; giảm độ dài không cải thiện độ đa dạng.

Do đó, để “tăng tính đa dạng và sáng tạo”, chúng ta cần tăng giá trị temperature.

✅ Đáp án đúng

• Increase the temperature value.
  ✅ Khi tăng temperature (thường từ 0.0 → 1.0 hoặc hơn), mô hình sẽ “phóng đại” các xác suất ít xuất hiện, cho phép chọn các token ít phổ biến hơn. Kết quả: câu trả lời trở nên đa dạng, bất ngờ, và sáng tạo hơn. Đây là cách chuẩn được khuyến nghị trong hầu hết tài liệu LLM, bao gồm Amazon Bedrock và SageMaker JumpStart (tài liệu 2026).

❌ Giải thích các phương án sai

• Decrease the Top K value.
  ❌ Top K xác định số lượng token có xác suất cao nhất được xét tới ở mỗi bước sinh. Giảm giá trị này (ví dụ từ 50 → 10) sẽ hạn chế lựa chọn chỉ còn những token “đáng tin cậy” nhất, làm giảm độ đa dạng và tính sáng tạo. Để tăng đa dạng, thường tăng top‑k (hoặc dùng top‑p) chứ không giảm.

• Increase the response length.
  ❌ Việc tăng độ dài câu trả lời (số token tối đa) chỉ cho phép mô hình tạo ra câu trả lời dài hơn, nhưng không ảnh hưởng trực tiếp tới việc mô hình có chọn các token ít khả năng hay không. Nếu temperature vẫn thấp, câu trả lời dài vẫn sẽ rất “định hướng” và ít sáng tạo.

• Decrease the prompt length.
  ❌ Rút ngắn prompt có thể làm mất thông tin ngữ cảnh quan trọng, dẫn đến câu trả lời kém chính xác hoặc không liên quan. Độ dài prompt không quyết định mức độ ngẫu nhiên; vì vậy việc giảm prompt không làm tăng tính đa dạng hay sáng tạo.

🧩 Tổng kết nhanh

• ✅ Increase the temperature value → đúng ✅
• ❌ Decrease the Top K value → sai ❌
• ❌ Increase the response length → sai ❌
• ❌ Decrease the prompt length → sai ❌

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

1. Amazon Bedrock Developer Guide – “Controlling LLM Generation Parameters” (2025‑2026).
   • Mô tả chi tiết cách temperature, top‑k, top‑p, và max tokens ảnh hưởng tới độ đa dạng.
2. AWS SageMaker JumpStart – “Fine‑tuning and Inference for LLMs” (2026).
   • Ví dụ thực tiễn: tăng temperature từ 0.2 → 0.8 để tạo nội dung sáng tạo hơn.
3. OpenAI API Documentation – “Sampling Parameters” (phiên bản 2026).
   • Giải thích nguyên lý thống kê của temperature và top‑k.
4. “Prompt Engineering for LLMs” – AWS Machine Learning Blog, March 2026.
   • Nhấn mạnh rằng độ dài prompt không liên quan tới tính ngẫu nhiên; thay vào đó, các tham số sampling là yếu tố quyết định.

🔧 Mẹo thực hành trên AWS

• Khi sử dụng Amazon Bedrock hoặc SageMaker Inference Endpoint, bạn có thể truyền các tham số dưới dạng JSON:

  {
    "temperature": 0.9,
    "top_k": 50,
    "maxTokens": 512,
    "prompt": "..."
  }
  

• Đối với mục tiêu sáng tạo, khởi đầu với temperature khoảng 0.7‑0.9 và top_k từ 40‑80 (hoặc top_p ~0.9) thường cho kết quả tốt.

💡 Kết luận: Để tăng tính đa dạng và sáng tạo của LLM, tăng giá trị temperature là cách đúng nhất. Các phương án còn lại không đáp ứng mục tiêu này và thậm chí có thể làm giảm chất lượng hoặc độ sáng tạo của đầu ra.

🧩 Câu hỏi:
Một công ty đã tự phát triển các mô hình computer‑vision tuỳ chỉnh. Công ty cần một giao diện thân thiện để thực hiện gán nhãn dữ liệu (data labeling) sao cho giảm thiểu lỗi của mô hình khi đưa vào dữ liệu thực tế mới.
Hỏi: AWS dịch vụ, tính năng hoặc công cụ nào đáp ứng yêu cầu này?

1️⃣ Giải thích nội dung câu hỏi

• Computer‑vision models thường yêu cầu một lượng lớn ảnh đã được gán nhãn (bounding box, segmentation mask, classification, …) để huấn luyện và kiểm thử.
• Data labeling phải:
  • Cung cấp giao diện trực quan, dễ dùng cho người gán nhãn (có thể là người không chuyên kỹ thuật).
  • Hỗ trợ các kỹ thuật active learning để tự động đề xuất những mẫu cần gán nhãn, giảm khối lượng công việc.
  • Tích hợp liền mạch với quy trình ML pipeline trên AWS (SageMaker, S3, IAM…).

Do đó, câu trả lời phải là dịch vụ được thiết kế riêng cho việc gán nhãn dữ liệu và có giao diện người dùng (UI) web thân thiện.

2️⃣ Đáp án đúng

✅ Amazon SageMaker Ground Truth

• Đây là dịch vụ Data labeling của SageMaker, cung cấp SageMaker Ground Truth UI (còn gọi là labeling workforce console) cho phép người dùng tạo, quản lý và thực hiện các job gán nhãn.
• Tính năng nổi bật (đến năm 2026):
  • Active learning: tự động chọn mẫu khó để người gán nhãn, giảm 30‑70 % chi phí labeling.
  • Hỗ trợ nhiều loại annotation: bounding box, image segmentation, key‑point, classification, video frame‑by‑frame, …
  • Tích hợp sẵn với Amazon S3, IAM, và SageMaker Pipelines – dữ liệu gán nhãn ngay lập tức có thể dùng để huấn luyện mô hình.
  • Công cụ Workforce: có thể dùng Mechanical Turk, vendor‑managed workforce, hoặc private workforce (team nội bộ).
  • Giao diện web drag‑and‑drop rất “user‑friendly”, phù hợp cho người không chuyên lập trình.

Vì vậy, SageMaker Ground Truth đáp ứng đầy đủ yêu cầu “giao diện thân thiện để gán nhãn dữ liệu” và giảm thiểu lỗi mô hình thông qua chất lượng nhãn cao.

3️⃣ Giải thích các phương án (đúng & sai)

• Amazon SageMaker Ground Truth

  • ✅ Cung cấp UI gán nhãn trực quan, hỗ trợ active learning, đa dạng loại annotation, tích hợp sẵn trong môi trường SageMaker.
  • ✅ Được khuyến nghị trong tài liệu AWS cho “building high‑quality training datasets”.
  • ✅ Đáp ứng yêu cầu “user‑friendly interface for data labeling”.

• Amazon SageMaker Canvas

  • ❌ SageMaker Canvas là công cụ low‑code giúp người dùng business‑level “tạo mô hình ML” bằng cách kéo‑thả dữ liệu, không phải để gán nhãn dữ liệu.
  • ❌ Nó không cung cấp chức năng annotation hình ảnh/video, không hỗ trợ active learning cho computer‑vision.
  • ❌ Do vậy không phù hợp với yêu cầu “labeling interface”.

• Amazon Bedrock playground

  • ❌ Bedrock Playground là giao diện thử nghiệm (playground) để chạy các mô hình foundation model (LLM, diffusion, etc.) – tập trung vào tạo nội dung ngôn ngữ hoặc hình ảnh, không phải gán nhãn.
  • ❌ Không có tính năng annotation, không tích hợp với quy trình data labeling.
  • ❌ Vì vậy không đáp ứng yêu cầu.

• Amazon Bedrock Agents

  • ❌ Bedrock Agents cho phép tạo các agent AI dựa trên foundation model, hỗ trợ truy vấn và reasoning trên dữ liệu văn bản.
  • ❌ Không có công cụ UI cho việc gán nhãn hình ảnh hay video.
  • ❌ Không phải là dịch vụ dành cho data labeling, nên không phù hợp.

4️⃣ Tham khảo tài liệu (đến 2026)

• Amazon SageMaker Ground Truth – Documentation
  https://docs.aws.amazon.com/sagemaker/latest/dg/sms.html (phiên bản cập nhật 2026, bao gồm tính năng Active Learning v2).
• AWS Whitepaper: “Best Practices for Building High‑Quality Training Datasets” – AWS 2025, mục “Data Labeling with SageMaker Ground Truth”.
• AWS Blog – “Introducing SageMaker Ground Truth UI enhancements (2024)” – mô tả UI mới, hỗ trợ annotation video, 3D point cloud.

5️⃣ Kết luận ngắn gọn

🟢 Đáp án duy nhất đúng: Amazon SageMaker Ground Truth – dịch vụ chuyên dụng cho việc gán nhãn dữ liệu, cung cấp giao diện người dùng trực quan, hỗ trợ active learning và tích hợp sâu với quy trình ML trên AWS, phù hợp hoàn toàn với yêu cầu của câu hỏi.

Các lựa chọn còn lại (SageMaker Canvas, Bedrock Playground, Bedrock Agents) đều không phải công cụ gán nhãn và do đó không đáp ứng nhu cầu. 🚀

🔍 Phân tích câu hỏi

Công ty đang muốn tích hợp AI vào quy trình tuyển dụng và tuyển chọn nhân viên. Mục tiêu của họ là giảm thiểu rủi ro thiên lệch (bias) và đảm bảo các thực hành AI có trách nhiệm, đồng thời đưa ra quyết định tuyển dụng công bằng, minh bạch.

Câu hỏi yêu cầu chúng ta chọn hai “core dimensions” (đối tượng cốt lõi) của Responsible AI mà công ty cần cân nhắc. Trên thực tế, khung Responsible AI của AWS (và các chuẩn công nghiệp như ISO/IEC 22989, OECD AI Principles) xác định một số trục chính, trong đó “Fairness” và “Transparency” luôn nằm trong danh sách ưu tiên hàng đầu khi muốn giảm bias và tăng độ tin cậy của mô hình.

✅ Đáp án đúng

1. Fairness
2. Transparency

Hai yếu tố này trực tiếp đáp ứng yêu cầu “mitigate bias risks” và “ensure responsible AI practices” của đề bài.

📖 Giải thích chi tiết từng phương án (giữ nguyên nội dung tiếng Anh)

• Fairness ✅

  • Giải thích: Đối với tuyển dụng, “fairness” (công bằng) nghĩa là mô hình AI phải đưa ra quyết định không thiên lệch dựa trên giới tính, tuổi tác, dân tộc, hoặc bất kỳ đặc tính bảo hộ nào khác. AWS cung cấp Amazon SageMaker Clarify để đo lường và giảm thiểu bias, đồng thời khuyến cáo kiểm tra dữ liệu đầu vào và các chỉ số công bằng (e.g., disparate impact). Vì vậy, đây là một trong hai trục cốt lõi cần xem xét.

• Tolerance ❌

  • Giải thích: “Tolerance” không phải là một trong những trục chính của Responsible AI theo AWS hay các chuẩn quốc tế. Nó có thể được hiểu là khả năng chấp nhận lỗi, nhưng không liên quan trực tiếp tới việc giảm bias hay minh bạch trong quyết định tuyển dụng.

• Flexibility ❌

  • Giải thích: “Flexibility” (tính linh hoạt) là một thuộc tính kỹ thuật của hệ thống, không phải là một khía cạnh đạo đức hay trách nhiệm của AI. Khung Responsible AI tập trung vào các nguyên tắc như công bằng, minh bạch, bảo mật, và trách nhiệm, chứ không đề cập tới “flexibility”.

• Open source ❌

  • Giải thích: Mặc dù việc sử dụng phần mềm mã nguồn mở có thể hỗ trợ transparency (bởi vì mã nguồn có thể kiểm tra), “open source” tự nó không được liệt kê là một trục cốt lõi trong khung Responsible AI của AWS. Các nguyên tắc chính không bao gồm “open source” mà tập trung vào các giá trị đạo đức và xã hội.

• Transparency ✅

  • Giải thích: “Transparency” (tính minh bạch) đề cập tới việc giải thích cách mô hình đưa ra quyết định, cung cấp tài liệu mô hình, và cho phép người dùng (ở đây là nhà tuyển dụng và ứng viên) hiểu được cơ sở quyết định. AWS khuyến cáo sử dụng SageMaker Model Explainability và AWS AI Explainability Toolkit để cung cấp các báo cáo giải thích, đáp ứng yêu cầu này.

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

1. AWS Well‑Architected Framework – Machine Learning Lens (2025‑2026) – phần “Responsible AI” nêu rõ các trục: Fairness, Transparency, Privacy & Security, Accountability, and Sustainability.
2. Amazon SageMaker Clarify Documentation (phiên bản 2026.2) – hướng dẫn đo lường và giảm bias trong dữ liệu và mô hình.
3. AWS AI/ML Blog – “Building Responsible AI Solutions on AWS” (đăng 15/03/2026) – ví dụ thực tế về áp dụng Fairness & Transparency trong hệ thống tuyển dụng.
4. OECD AI Principles (2023) & ISO/IEC 22989 (2024) – các tiêu chuẩn quốc tế công nhận Fairness và Transparency là hai trong bốn nguyên tắc nền tảng.

🛠️ Kết luận

Để đáp ứng mục tiêu “mitigate bias risks” và “ensure responsible AI practices” trong quy trình tuyển dụng, công ty cần tập trung vào Fairness và Transparency. Hai trục này giúp:

• Đánh giá và giảm thiểu thiên lệch trong dữ liệu và mô hình.
• Cung cấp giải thích rõ ràng cho quyết định tuyển dụng, tăng độ tin cậy và chấp nhận từ phía ứng viên và nhà quản lý.

Các lựa chọn còn lại (Tolerance, Flexibility, Open source) không thuộc các trục cốt lõi của Responsible AI theo khung AWS và các chuẩn công nghiệp hiện hành, do đó không phải là đáp án đúng.

✅ Chọn: Fairness & Transparency.

🔍 Phân tích câu hỏi

• Bối cảnh: Một công ty tài chính đã triển khai mô hình Machine Learning (ML) để dự đoán “customer churn” (khách hàng rời bỏ). Mô hình đã chạy trong môi trường production được 1 tuần.
• Yêu cầu: Công ty muốn đánh giá độ chính xác của mô hình so sánh dự đoán churn với hành vi thực tế của khách hàng.
• Điểm quan trọng: “Độ chính xác” ở đây đề cập đến cách mô hình phân loại (churn / không churn) và muốn biết mô hình có cân bằng tốt giữa việc dự đoán đúng các trường hợp churn (recall) và không churn (precision). Vì churn thường là một hiện tượng hiếm gặp (tỷ lệ churn thấp), các metric cân bằng như F1 score thường được dùng.

✅ Đáp án đúng: F1 score

• F1 score là harmonic mean của Precision và Recall:

  [ F1 = 2 \times \frac{Precision \times Recall}{Precision + Recall} ]

• Khi dữ liệu không cân bằng (số churn ít hơn so với không churn), accuracy có thể gây hiểu lầm, còn F1 phản ánh tốt hơn khả năng mô hình vừa đánh bắt được nhiều trường hợp churn (recall cao) vừa giữ độ chính xác cao cho các dự đoán churn (precision cao).

• Vì câu hỏi yêu cầu “đánh giá độ chính xác của mô hình dự đoán churn so với hành vi thực tế”, F1 score là metric phù hợp nhất.

🧩 Giải thích các phương án

1. Root mean squared error (RMSE) (đánh dấu ❌)

• RMSE đo độ lệch trung bình bình phương giữa giá trị dự đoán và giá trị thực tế, dùng cho các bài toán hồi quy (dự đoán giá trị liên tục).
• Trong trường hợp churn, mục tiêu là phân loại (churn / không churn), không phải dự đoán một số thực. Do đó RMSE không phản ánh đúng chất lượng phân loại và không đáp ứng yêu cầu câu hỏi.

2. Return on investment (ROI) (đánh dấu ❌)

• ROI là chỉ số tài chính đo lường lợi nhuận thu được so với chi phí đầu tư.
• Đây không phải là metric đánh giá mô hình ML mà là đánh giá kinh tế của dự án.
• Câu hỏi chỉ quan tâm tới độ chính xác dự đoán, không liên quan tới lợi nhuận hay chi phí.

3. F1 score (đánh dấu ✅)

• Đã giải thích ở trên: phù hợp cho bài toán phân loại không cân bằng và cung cấp cái nhìn cân bằng giữa precision và recall.
• Được sử dụng rộng rãi trong AWS SageMaker khi tạo Evaluation Metrics cho mô hình phân loại, ví dụ: BinaryClassificationMetrics hỗ trợ F1, Precision, Recall, etc.

4. Bilingual Evaluation Understudy (BLEU) score (đánh dấu ❌)

• BLEU là metric đánh giá chất lượng dịch máy (machine translation) bằng cách so sánh n‑gram của câu dịch với câu tham chiếu.
• Không liên quan tới công việc dự đoán churn và không phản ánh độ chính xác của một mô hình phân loại.

🛠️ Liên hệ với AWS (2026)

• Amazon SageMaker Model Monitor: Cho phép thiết lập custom evaluation metrics (như F1) để tự động theo dõi độ chính xác của mô hình sau khi triển khai.
• SageMaker Clarify: Cung cấp bias detection và feature importance, nhưng vẫn dựa trên các metric chuẩn (precision, recall, F1) để đánh giá.
• AWS CloudWatch: Bạn có thể tạo custom metrics (ví dụ: ModelF1Score) và thiết lập alarm khi giá trị giảm xuống dưới ngưỡng mong muốn.

📚 Tham khảo

1. AWS Documentation – Amazon SageMaker Model Monitoring (phiên bản 2026): https://docs.aws.amazon.com/sagemaker/latest/dg/model-monitor.html
2. AWS Documentation – Evaluation Metrics for Binary Classification (2026): https://docs.aws.amazon.com/sagemaker/latest/dg/evaluation-metrics.html
3. F1 Score – Wikipedia (cập nhật 2025): https://en.wikipedia.org/wiki/F1_score
4. Root Mean Squared Error – Wikipedia (2025): https://en.wikipedia.org/wiki/Root-mean-square_deviation
5. BLEU – Wikipedia (2025): https://en.wikipedia.org/wiki/BLEU

📝 Tóm tắt nhanh

• Câu hỏi: Cần metric để đánh giá độ chính xác của mô hình churn so với hành vi thực tế.
• Đáp án đúng: F1 score – cân bằng precision & recall, thích hợp cho dữ liệu không cân bằng.
• Các đáp án còn lại (RMSE, ROI, BLEU) không phù hợp vì chúng phục vụ cho các loại bài toán hoặc mục tiêu khác (hồi quy, tài chính, dịch máy).

Hy vọng phân tích trên giúp bạn nắm rõ lý do tại sao F1 score là lựa chọn chính xác cho yêu cầu này! 🚀

📖 Phân tích câu hỏi

• Bối cảnh: Công ty đang chạy một ứng dụng AI sinh tạo (generative AI) dựa trên foundation model (FM) được cung cấp sẵn trên Amazon Bedrock.
• Yêu cầu: Muốn “bổ sung thêm ngữ cảnh” cho mô hình bằng thông tin nội bộ của công ty (ví dụ: tài liệu, quy trình, dữ liệu riêng).
• Mục tiêu: Đạt được điều này một cách tiết kiệm chi phí nhất.

Vì vậy, chúng ta cần một giải pháp cho phép truy xuất (retrieve) tài liệu nội bộ trong khi vẫn sử dụng mô hình nền (FM) hiện có, mà không phải đào tạo lại mô hình hoặc triển khai hạ tầng riêng.

✅ Đáp án đúng: Use Amazon Bedrock Knowledge Bases

Tại sao lại là Knowledge Bases?

1. Retrieval‑augmented generation (RAG) – Bedrock Knowledge Bases cho phép bạn tải lên các tài liệu (PDF, TXT, HTML, v.v.) và tạo một index dựa trên Amazon OpenSearch Serverless. Khi gọi mô hình, Bedrock sẽ tự động truy xuất các đoạn văn bản liên quan và chèn chúng vào prompt, giúp mô hình “hiểu” ngữ cảnh công ty mà không cần fine‑tune.
2. Chi phí thấp – Bạn chỉ trả tiền cho:
   • Lưu trữ và truy vấn trên OpenSearch Serverless (giá theo GB‑tháng và request).
   • Số token được gửi tới mô hình (giống như khi dùng FM gốc).
     Không có phí đào tạo, lưu trữ mô hình tùy chỉnh, hay điều khiển agent phức tạp.
3. Quản lý đơn giản – Không cần thiết lập hạ tầng máy học riêng, không cần quản lý phiên bản mô hình; mọi thứ được tích hợp sẵn trong console Bedrock.
4. Bảo mật – Bạn có thể áp dụng VPC‑endpoint và KMS cho dữ liệu tài liệu, đáp ứng yêu cầu an toàn nội bộ.

Vì các lý do trên, Knowledge Bases là cách tiết kiệm nhất để bổ sung ngữ cảnh công ty cho một FM đã có trên Bedrock.

❌ Giải thích các đáp án sai

• Choose a different FM on Amazon Bedrock

  • Lý do sai: Thay đổi FM chỉ thay đổi khả năng sinh ngôn ngữ của mô hình, không giải quyết vấn đề “thêm ngữ cảnh nội bộ”. Để mô hình biết thông tin công ty, bạn vẫn cần một cơ chế truy xuất tài liệu (Knowledge Base, RAG, fine‑tune...). Việc chuyển sang FM khác còn có thể tăng chi phí nếu chọn mô hình đắt hơn.

• Use Amazon Bedrock Agents

  • Lý do sai: Agents là khung cho phép xây dựng các tác vụ tự động (ví dụ: “đặt hàng”, “trả lời email”) bằng cách kết hợp nhiều FM và công cụ (tooling). Mặc dù agents có thể kết nối với Knowledge Bases, chúng yêu cầu bạn viết lập trình hành vi (actions, tool definitions) và quản lý luồng logic. Điều này làm tăng độ phức tạp và chi phí phát triển so với việc chỉ dùng Knowledge Base để cung cấp ngữ cảnh.

• Deploy a custom model on Amazon Bedrock

  • Lý do sai: Đưa mô hình tùy chỉnh lên Bedrock đồng nghĩa với việc:
    1. Thuê GPU/CPU để training (đắt đỏ).
    2. Lưu trữ mô hình trên S3 và trả phí model hosting trên Bedrock (giá theo giờ).
    3. Quản lý phiên bản, cập nhật.
       So với Knowledge Base, đây là cách tốn kém và không cần thiết chỉ để “bổ sung ngữ cảnh”; bạn vẫn có thể đạt được cùng mục tiêu bằng RAG mà không cần tự đào tạo mô hình.

🛠️ Các bước thực hiện “Amazon Bedrock Knowledge Bases” (tóm tắt)

1. Tạo Knowledge Base trong console Bedrock → chọn Amazon OpenSearch Serverless làm backend.
2. Tải lên tài liệu công ty (sử dụng S3, hoặc trực tiếp upload).
3. Cấu hình ingestion (cài đặt chunk size, metadata).
4. Khi gọi API InvokeModel, bật tùy chọn retrievalContext → Bedrock sẽ tự động truy xuất các đoạn tài liệu liên quan và truyền chúng vào prompt.
5. Kiểm soát chi phí bằng:
   • Giới hạn query per second trên OpenSearch.
   • Giám sát token usage của FM.

📚 Tham khảo (tính đến 2026)

• Amazon Bedrock Documentation – Knowledge Bases
  https://docs.aws.amazon.com/bedrock/latest/userguide/knowledge-base.html
• Pricing – Amazon Bedrock & OpenSearch Serverless
  https://aws.amazon.com/bedrock/pricing/
  https://aws.amazon.com/opensearch/pricing/
• Retrieval‑augmented generation (RAG) on Bedrock (blog 2024‑2025)
  https://aws.amazon.com/blogs/ai/retrieval-augmented-generation-with-amazon-bedrock/
• AWS Well‑Architected Framework – Cost Optimization Pillar (phiên bản 2025)
  https://docs.aws.amazon.com/wellarchitected/latest/cost-optimization-pillar/

Tóm lại: Để cho mô hình nền trên Amazon Bedrock “hiểu” thêm ngữ cảnh công ty một cách tiết kiệm và nhanh chóng, cách tốt nhất là sử dụng Amazon Bedrock Knowledge Bases. Các lựa chọn khác đều không đáp ứng được yêu cầu chi phí hoặc không giải quyết trực tiếp vấn đề ngữ cảnh. 🚀

📝 Giải thích nội dung câu hỏi

Công ty cung cấp dịch vụ thực phẩm muốn xây dựng một bộ dữ liệu (dataset) để dự đoán sở thích thực phẩm của khách hàng. Để mô hình dự đoán có độ bao phủ tốt, họ muốn chắc chắn rằng sở thích của mọi nhóm nhân khẩu học (demographics) đều được phản ánh trong dữ liệu.
Điều này đặt ra yêu cầu về đặc tính của bộ dữ liệu – bộ dữ liệu phải thể hiện đa dạng các quan điểm, hành vi và sở thích từ các nhóm tuổi, giới tính, khu vực địa lý, thu nhập, văn hoá…

✅ Đáp án đúng: Diversity

Vì sao “Diversity” là đáp án đúng?

• Diversity (đa dạng) trong ngữ cảnh dữ liệu nghĩa là bộ dữ liệu bao gồm các mẫu đại diện cho nhiều nhóm khác nhau (địa lý, tuổi, giới tính, thu nhập, nền văn hoá, …).
• Khi một mô hình học máy được huấn luyện trên dữ liệu đa dạng, nó sẽ giảm thiểu nguy cơ thiên lệch (bias) đối với một nhóm nhất định và cho khả năng tổng quát hoá (generalization) tốt hơn.
• Yêu cầu “muốn đảm bảo rằng sở thích thực phẩm của tất cả các nhóm nhân khẩu học đều được đưa vào dữ liệu” chính là mô tả đặc tính Diversity.

📚 Tham khảo:

• AWS Machine Learning Blog – “Building Fair and Representative Datasets for ML” (cập nhật 2025).
• “AWS SageMaker Data Wrangler” documentation – hướng dẫn cân bằng dữ liệu (balancing datasets) để đạt được Diversity.

❌ Phân tích các phương án còn lại (giữ nguyên nội dung tiếng Anh)

1. Accuracy

• Giải thích: Accuracy đề cập đến độ đúng của dữ liệu – tức là dữ liệu phản ánh đúng thực tế, không có lỗi đo lường hoặc ghi chép.
• Tại sao sai: Câu hỏi không hỏi về mức độ chính xác của mỗi mẫu dữ liệu mà chỉ quan tâm tới độ bao phủ của các nhóm nhân khẩu học. Một bộ dữ liệu có thể rất chính xác nhưng lại chỉ đại diện cho một nhóm duy nhất → không đáp ứng yêu cầu của câu hỏi.

2. Diversity (đáp án đúng)

• Giải thích: Như đã nêu ở trên, Diversity là tính đa dạng của dữ liệu, bao gồm các mẫu từ mọi nhóm dân số.
• Vì sao đúng: Yêu cầu “đảm bảo rằng sở thích của tất cả các demographics được bao gồm” chính xác mô tả tính Diversity.

3. Recency bias

• Giải thích: Recency bias là thiên lệch thời gian, khi dữ liệu mới (gần thời điểm hiện tại) được ưu tiên hơn dữ liệu cũ.
• Tại sao sai: Câu hỏi không đề cập đến thời gian thu thập dữ liệu mà chỉ nói đến việc bao phủ các nhóm dân số. Do vậy, Recency bias không liên quan.

4. Reliability

• Giải thích: Reliability (độ tin cậy) đề cập đến khả năng dữ liệu đều đặn, ổn định và có thể tái tạo trong các lần thu thập khác nhau.
• Tại sao sai: Mặc dù độ tin cậy là một tiêu chí quan trọng, nhưng nó không phản ánh việc dữ liệu có đại diện cho mọi demographics hay không. Vì vậy, không phải là đặc tính được mô tả trong kịch bản.

📌 Kết luận

• Đáp án đúng: Diversity ✅
• Các đáp án còn lại (Accuracy, Recency bias, Reliability) đều không phù hợp với yêu cầu “đảm bảo bao gồm sở thích của tất cả các demographics”.

🎯 Gợi ý thực tiễn trên AWS (2026)

• Khi xây dựng dataset đa dạng, bạn có thể sử dụng Amazon SageMaker Ground Truth để label dữ liệu từ nhiều nguồn khác nhau và áp dụng labeling workforce diversification.
• AWS DataBrew (trong SageMaker) hỗ trợ visual profiling giúp nhanh chóng nhận diện các nhóm dữ liệu bị thiếu (under‑represented) và thực hiện balancing (sử dụng class imbalance techniques).
• Đối với việc theo dõi bias và fairness, AWS SageMaker Clarify cung cấp các metric để đo lường demographic parity và equalized odds, hỗ trợ kiểm tra tính Diversity của dataset.

Hy vọng phân tích trên giúp bạn nắm vững khái niệm và lựa chọn đúng đáp án! 🚀