Ngân hàng đề — AWS Certified AI Practitioner

🔎 Phân tích câu hỏi

Một nhà làm phim tài liệu muốn mở rộng phạm vi khán giả bằng cách tự động tạo phụ đề và lồng tiếng (voice‑over) cho video của mình ở nhiều ngôn ngữ khác nhau.
Yêu cầu: chọn hai bước (hai lựa chọn) sao cho đáp ứng được việc:

1. Chuyển đổi giọng nói gốc → văn bản → dịch sang ngôn ngữ đích → tạo phụ đề.
2. Dịch văn bản → tạo giọng nói mới (lồng tiếng) bằng công nghệ text‑to‑speech.

✅ Các đáp án đúng

1️⃣ Use Amazon Transcribe and Amazon Translate to generate subtitles in other languages.

• Amazon Transcribe: dịch vụ speech‑to‑text (STT) quản lý hoàn toàn, cho phép chuyển đổi âm thanh của video thành văn bản gốc (tiếng Anh, tiếng Tây Ban Nha, …).
• Amazon Translate: dịch vụ machine translation thời gian thực, hỗ trợ hơn 150 ngôn ngữ, cho phép dịch văn bản đã nhận được từ Transcribe sang ngôn ngữ mục tiêu.
• Kết hợp hai dịch vụ này → tạo phụ đề đa ngôn ngữ một cách tự động.
• Từ năm 2024‑2025, Amazon Transcribe đã có model Custom Language Model và Batch Transcription, còn Amazon Translate cung cấp Custom Terminology và Parallel Data giúp tăng độ chính xác cho các thuật ngữ chuyên ngành của phim tài liệu.

🟢 Vì vậy lựa chọn này đáp ứng đầy đủ yêu cầu tạo phụ đề đa ngôn ngữ.

2️⃣ Use Amazon Polly to generate voice-overs in other languages.

• Amazon Polly: dịch vụ text‑to‑speech (TTS) sử dụng các mô hình Deep Learning, cung cấp neural voices và multi‑language support (hơn 30 ngôn ngữ, hơn 100 giọng nói).
• Khi đã có văn bản dịch (bằng Amazon Translate), dùng Polly để đọc lại văn bản đó, tạo file âm thanh (MP3, OGG, WAV) có thể lồng vào video như một voice‑over.
• Từ phiên bản 2023‑2025, Polly hỗ trợ Speech Synthesis Markup Language (SSML) enhancements và Lexicon custom pronunciation, giúp tối ưu hoá cách phát âm các tên riêng, thuật ngữ phim tài liệu.

🟢 Vì vậy lựa chọn này đáp ứng yêu cầu tạo voice‑over đa ngôn ngữ.

❌ Các đáp án sai và lý do

❎ Use Amazon Textract and Amazon Translate to generate subtitles in other languages.

• Amazon Textract: dịch vụ nhận dạng ký tự (OCR) để trích xuất văn bản từ tài liệu hình ảnh hoặc PDF. Nó không xử lý âm thanh, vì vậy không thể chuyển đổi giọng nói trong video thành văn bản.
• Kết hợp Textract với Translate sẽ chỉ hữu ích khi nguồn là tài liệu tĩnh (hình ảnh, PDF), không phù hợp với video tài liệu.

❎ Use Amazon Translate to generate voice-overs in other languages.

• Amazon Translate chỉ thực hiện dịch văn bản; nó không tạo ra âm thanh. Để có voice‑over, cần một dịch vụ text‑to‑speech như Amazon Polly, hoặc Amazon Bedrock (model TTS) – nhưng không phải Translate.

❎ Use Amazon Textract to generate voice-overs in other languages.

• Như đã nói, Textract chỉ trích xuất văn bản từ hình ảnh, không tham gia vào việc tạo giọng nói. Do đó không thể dùng để tạo voice‑over.

🛠️ Kiến thức cập nhật tới năm 2026

• Amazon Transcribe: Custom Language Model (đào tạo trên dữ liệu riêng), Batch Transcribe (xử lý hàng nghìn giờ video), Speaker Identification (phân biệt các người nói), và real‑time streaming.
• Amazon Translate: Custom Terminology và Parallel Data để cải thiện độ chính xác trong ngữ cảnh phim tài liệu, Active Custom Translation (điều chỉnh mô hình qua phản hồi người dùng).
• Amazon Polly: Neural TTS (v2) với voice‑cloning (được công bố 2025) cho phép tạo giọng nói “giống” người thật, SSML 2.0 hỗ trợ âm thanh đa dạng, và Edge‑Optimized Deployment để giảm latency khi tạo voice‑over trực tiếp trong workflow CI/CD.

Khi kết hợp ba dịch vụ này trong một pipeline (ví dụ: AWS Step Functions → AWS Lambda → S3 lưu trữ phụ đề và audio), nhà làm phim có thể tự động:

1. Transcribe → 2. Translate → 3. Save subtitles (SRT/WEBVTT) →
2. Translate (cùng bản dịch) → 5. Polly → 6. Save voice‑over →
3. AWS Elemental MediaConvert để mux phụ đề và voice‑over vào video cuối cùng.

📚 Tham khảo

• Amazon Transcribe – Developer Guide (v2026.02) – https://docs.aws.amazon.com/transcribe/latest/dg/
• Amazon Translate – Documentation (v2026.01) – https://docs.aws.amazon.com/translate/latest/dg/
• Amazon Polly – Speech Synthesis (v2025.12) – https://docs.aws.amazon.com/polly/latest/dg/
• AWS Step Functions – Building Serverless Workflows – https://aws.amazon.com/step-functions/
• AWS Blog – “New Features in Amazon Polly Neural Voices” (Nov 2025) – https://aws.amazon.com/blogs/machine-learning/

Tóm lại:

• ✅ Use Amazon Transcribe and Amazon Translate to generate subtitles in other languages.
• ✅ Use Amazon Polly to generate voice-overs in other languages.

Các lựa chọn còn lại không phù hợp vì chúng không xử lý đúng loại dữ liệu (âm thanh ↔︎ văn bản ↔︎ giọng nói) mà yêu cầu của bài toán đòi hỏi. 🎬✨

🔍 Phân tích câu hỏi
Công ty muốn xây dựng một chatbot trả lời các câu hỏi của nhân viên về chính sách nội bộ. Các chính sách này được cập nhật thường xuyên và chatbot phải phản ánh những thay đổi gần như ngay lập tức. Do đó, giải pháp cần:

1. Sử dụng một Large Language Model (LLM) để tạo câu trả lời tự nhiên.
2. Kết hợp cơ chế truy xuất (retrieval) để lấy nội dung chính sách mới nhất mà không phải huấn luyện lại mô hình mỗi khi có thay đổi.
3. Đảm bảo thời gian phản hồi ngắn và khả năng cập nhật nhanh (near‑real‑time).

✅ Đáp án đúng:

Create a Retrieval Augmented Generation (RAG) workflow by using Amazon Bedrock Knowledge Bases.

Vì sao đáp án này là đúng?

• RAG (Retrieval‑Augmented Generation) cho phép truy xuất tài liệu (ở đây là các văn bản chính sách) từ một “knowledge base” và kết hợp chúng vào đầu ra của mô hình ngôn ngữ.
• Amazon Bedrock Knowledge Bases được thiết kế để lưu trữ, chỉ mục và cập nhật tài liệu một cách nhanh chóng (được hỗ trợ bởi Amazon OpenSearch Serverless). Khi có thay đổi chính sách, bạn chỉ cần đẩy tài liệu mới lên Knowledge Base; các truy vấn sau sẽ ngay lập tức lấy được nội dung cập nhật.
• Không cần fine‑tune lại LLM, do vậy giảm chi phí và thời gian so với việc huấn luyện lại mô hình mỗi khi tài liệu thay đổi.
• Bedrock cung cấp các foundation model (Claude, Titan, Llama 3, v.v.) sẵn sàng dùng, kết hợp với RAG mang lại chất lượng trả lời tốt và độ trễ thấp, đáp ứng yêu cầu “near real‑time”.
• Kiến trúc này là mẫu kiến trúc chuẩn AWS 2024‑2026 cho các use‑case tài liệu nội bộ thay đổi nhanh (xem tài liệu “Amazon Bedrock Knowledge Bases – Best Practices” và “Retrieval‑Augmented Generation on AWS”).

❌ Phân tích các phương án sai

1. Fine‑tune an LLM on the company policy text by using Amazon SageMaker.

• ❌ Không đáp ứng yêu cầu cập nhật nhanh: Mỗi khi chính sách thay đổi, bạn phải huấn luyện lại (fine‑tune) mô hình trên SageMaker, quá trình này có thể mất giờ‑đến‑ngày tùy vào kích thước mô hình và dữ liệu.
• ❌ Chi phí cao: Việc chạy training jobs liên tục sẽ tiêu tốn nhiều điểm GPU/TPU và phí lưu trữ mô hình.
• ❌ Khó mở rộng: Với nhiều tài liệu cập nhật thường xuyên, việc quản lý các phiên bản fine‑tuned model trở nên phức tạp.
• 🧩 Thay thế: Thay vì fine‑tune, bạn nên sử dụng RAG để truy xuất tài liệu mới mà không cần huấn luyện lại.

2. Select a foundation model (FM) from Amazon Bedrock to build an application.

• ❌ Thiếu cơ chế truy xuất nội dung cập nhật: Chỉ “chọn một foundation model” nghĩa là bạn sẽ đưa toàn bộ thông tin chính sách vào prompt hoặc hard‑code chúng. Khi nội dung thay đổi, bạn phải cập nhật prompt thủ công, không thể đảm bảo “near real‑time”.
• ❌ Giới hạn độ dài prompt: Các LLM có giới hạn token (ví dụ Claude 3‑hàm 100k token), không đủ để chứa toàn bộ tài liệu chính sách lớn.
• 🛠️ Giải pháp: Kết hợp Bedrock Knowledge Base + RAG để truy xuất nội dung thay vì đưa toàn bộ vào prompt.

3. Use Amazon Q Business to build a custom Q App.

• **❌ Dù Q Business hỗ trợ knowledge base và retrieval, nhưng sản phẩm này được định vị cho các kịch bản doanh nghiệp (enterprise search, knowledge‑center) chứ không phải chatbot RAG thời gian thực.
• ❌ Khả năng cập nhật: Q Business vẫn yêu cầu đồng bộ dữ liệu qua các pipeline (ví dụ S3 → Q Business). Việc đồng bộ có thể mất vài phút tới hàng giờ, không đáp ứng “near real‑time” trong môi trường mà chính sách thay đổi liên tục.
• ❌ Không linh hoạt về lựa chọn LLM: Q Business sử dụng một tập hợp cố định các mô hình của Bedrock và không cho phép tùy chỉnh retrieval pipeline sâu như Knowledge Bases.
• 🧩 Thay thế: Dùng Bedrock Knowledge Bases + RAG để kiểm soát toàn bộ pipeline và thời gian cập nhật.

📚 Tham khảo tài liệu (tính đến 2026)

1. Amazon Bedrock Documentation – Retrieval‑Augmented Generation
   https://docs.aws.amazon.com/bedrock/latest/userguide/rag.html
2. Amazon Bedrock Knowledge Bases – Best Practices
   https://docs.aws.amazon.com/bedrock/latest/userguide/knowledge-bases-best-practices.html
3. AWS Whitepaper – Building Retrieval‑Augmented Generation Applications on AWS (2024‑2025 edition)
   https://aws.amazon.com/whitepapers/building-rag-applications/
4. Amazon SageMaker Documentation – Fine‑tuning Large Language Models
   https://docs.aws.amazon.com/sagemaker/latest/dg/llm-fine-tuning.html
5. Amazon Q Business – Overview
   https://docs.aws.amazon.com/qbusiness/latest/userguide/what-is-q-business.html

📌 Kết luận nhanh

• ✅ RAG với Amazon Bedrock Knowledge Bases là giải pháp tối ưu cho việc cập nhật gần thời gian thực và tận dụng LLM mà không cần huấn luyện lại.
• ❌ Các phương án khác (fine‑tune trên SageMaker, chỉ dùng foundation model, hoặc dùng Q Business) không đáp ứng đủ yêu cầu về tốc độ cập nhật, chi phí, hay khả năng mở rộng.

Hy vọng phân tích chi tiết này sẽ giúp bạn chọn được kiến trúc phù hợp cho chatbot chính sách của công ty! 🚀

🔎 Phân tích câu hỏi

A company is using supervised learning to train an AI model on a small labeled dataset that is specific to a target task.

Yêu cầu: Xác định bước nào trong vòng đời của một Foundation Model (FM) mà mô tả việc này.

Câu hỏi muốn kiểm tra khả năng nhận diện giai đoạn “fine‑tuning” – tức là lấy một mô hình nền tảng đã được pre‑training trên lượng dữ liệu lớn, sau đó “điều chỉnh” (fine‑tune) nó bằng một bộ dữ liệu nhỏ, có nhãn, đặc thù cho nhiệm vụ cần giải quyết. Đây là cách phổ biến để tận dụng sức mạnh của các mô hình lớn mà không phải thu thập, huấn luyện từ đầu.

✅ Đáp án đúng: Fine‑tuning

• Khi dùng supervised learning trên dữ liệu nhỏ, có nhãn, gắn liền với task cụ thể, chúng ta đang tinh chỉnh một mô hình nền tảng đã có sẵn để thích nghi với nhiệm vụ mới.
• Trong quy trình FM của AWS (và chung cho mọi nền tảng), Fine‑tuning là bước thứ ba (sau Data selection và Pre‑training) và trước Evaluation, Deployment, Monitoring.

🧩 Giải thích các phương án

1. Fine‑tuning (ĐÚNG)

• Giải thích:
  • Fine‑tuning là quá trình huấn luyện lại một mô hình đã pre‑trained bằng dữ liệu có nhãn (thường ít hơn nhiều so với dữ liệu pre‑training) để mô hình học được các đặc điểm đặc thù của task mục tiêu.
  • Trong AWS, bạn có thể thực hiện fine‑tuning trên Amazon SageMaker JumpStart (đưa model từ Hugging Face, Mistral, LLaMA…) hoặc Amazon Bedrock (sử dụng “custom model” để fine‑tune).
  • Đây chính là mô tả trong câu hỏi: “supervised learning on a small labeled dataset that is specific to a target task”.

2. Data selection (SAI)

• Giải thích:
  • Data selection là giai đoạn chọn lọc, thu thập, và chuẩn bị dữ liệu sẽ dùng cho pre‑training hoặc fine‑tuning.
  • Nó không liên quan tới việc đào tạo mô hình mà chỉ là việc xác định nguồn dữ liệu.
  • Vì câu hỏi đã đề cập tới việc đang training mô hình, nên đây không phải là Data selection.

3. Pre‑training (SAI)

• Giải thích:
  • Pre‑training là bước huấn luyện mô hình từ đầu trên dữ liệu lớn, không có nhãn (hoặc tự giám sát) để mô hình học các biểu diễn chung.
  • Đặc điểm của pre‑training: dữ liệu rất lớn, không đặc thù cho một task.
  • Câu hỏi nói “small labeled dataset”, khác hoàn toàn với đặc điểm của pre‑training.

4. Evaluation (SAI)

• Giải thích:
  • Evaluation là bước đánh giá mô hình đã được huấn luyện (pre‑training hoặc fine‑tuning) bằng cách sử dụng bộ dữ liệu validation / test.
  • Nó không phải là quá trình training mà là đo lường hiệu năng.
  • Vì câu hỏi mô tả quá trình training, nên không phải là Evaluation.

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

• Amazon SageMaker – Custom Model Training (Fine‑tuning)
  https://docs.aws.amazon.com/sagemaker/latest/dg/custom-model-training.html
• Amazon Bedrock – Fine‑tuning a Foundation Model
  https://docs.aws.amazon.com/bedrock/latest/userguide/fine-tuning.html
• AWS Machine Learning Blog – “How to fine‑tune foundation models with SageMaker” (2024‑2025)
  https://aws.amazon.com/blogs/machine-learning/fine-tune-foundation-models-with-sagemaker/
• AWS Well‑Architected Framework – Machine Learning Pillar (phiên bản 2025)
  https://docs.aws.amazon.com/wellarchitected/latest/machine-learning-pillar/welcome.html

🛠️ Kết luận

• Câu hỏi mô tả: “sử dụng supervised learning trên một bộ dữ liệu nhỏ, có nhãn, chuyên cho một task”.
• Bước trong vòng đời FM tương ứng là Fine‑tuning.
• Các phương án còn lại (Data selection, Pre‑training, Evaluation) đều không phản ánh việc đào tạo mô hình trên dữ liệu nhỏ, có nhãn, nên không đúng.

🔚 Hy vọng phân tích trên giúp bạn nắm rõ khái niệm và cách áp dụng trong môi trường AWS! 🚀

🔍 Phân tích câu hỏi
Công ty muốn “fine‑tune” (tinh chỉnh) một large language model (LLM) trên Amazon Bedrock để cải thiện phong cách các tin nhắn đầu ra của ứng dụng. Khi thực hiện fine‑tuning, chúng ta cần cung cấp cho mô hình dữ liệu huấn luyện mô tả đầu vào → đầu ra mong muốn. Vì mục tiêu là “refine the style of output messages”, mô hình cần học cách biến một tin nhắn đầu vào (input) thành tin nhắn đầu ra (output) với phong cách mới.

✅ Đáp án đúng

✔️ Samples of pairs of input and output messages

Lý do:

• Trong supervised fine‑tuning (được hỗ trợ trên Amazon Bedrock cho các mô hình như Claude, Llama 2, Titan, …) dữ liệu phải ở dạng đôi (pair): mỗi bản ghi chứa prompt (hoặc input) và completion (hoặc output).
• Cặp này cho phép mô hình học mapping từ ngữ cảnh đầu vào tới phản hồi có phong cách mong muốn.
• Tài liệu AWS Bedrock (phiên bản 2026) mô tả: “Provide training data as JSONL where each line contains a prompt field and a completion field.”
• Vì vậy, để đáp ứng yêu cầu “refine the style of output messages”, công ty cần các cặp (input, output) đã được tạo sẵn và gán nhãn đúng phong cách mới.

❌ Các phương án sai và giải thích

• Samples of only input messages

  • 🚫 Chỉ có đầu vào không cung cấp thông tin về đầu ra mong muốn. Mô hình không biết phải tạo ra kiểu trả lời nào, nên không thể học cách “refine style”.
  • Đối với fine‑tuning, Bedrock yêu cầu trường completion (output) để tính loss và cập nhật trọng số.

• Samples of only output messages

  • 🚫 Chỉ có đầu ra mà không có ngữ cảnh (prompt) sẽ khiến mô hình không thể liên kết phản hồi với câu hỏi/đầu vào cụ thể.
  • Mô hình sẽ không học được cách chuyển đổi đầu vào sang đầu ra có phong cách mới, mà chỉ học phân phối ngôn ngữ chung, không đáp ứng yêu cầu tùy biến.

• Separate samples of input and output messages

  • 🚫 “Separate” có nghĩa là các tin nhắn đầu vào và đầu ra không được gắn cặp với nhau. Khi huấn luyện, không có cách nào để mô hình biết rằng “đầu vào X” nên được trả lời bằng “đầu ra Y”.
  • Bedrock yêu cầu cặp (prompt, completion) trong cùng một bản ghi JSONL; việc tách rời sẽ khiến quá trình training không hợp lệ và sẽ sinh lỗi “missing required field”.

🛠️ Kiến thức cập nhật (đến năm 2026)

• Amazon Bedrock hiện hỗ trợ các mô hình Claude 3, Llama 3, Titan Text 2, và Mistral 7B với instruction‑tuning và RLHF.
• Định dạng dữ liệu chuẩn: JSONL, mỗi dòng chứa ít nhất hai trường:

  {"prompt":"<input message>", "completion":"<desired output message>"}
  

• Bedrock còn cung cấp tooling (SageMaker JumpStart, Data Wrangler) để tạo, chuẩn hoá và tải lên các cặp dữ liệu này.
• Khi muốn “refine style”, khách hàng thường tạo đầu vào gốc + đầu ra đã chỉnh sửa (ví dụ: thêm tone, formal/ informal, ngắn gọn, v.v.) và dùng chúng để fine‑tune.

📚 Tham khảo

• AWS Documentation – Amazon Bedrock Fine‑tuning (phiên bản 2026):
  https://docs.aws.amazon.com/bedrock/latest/userguide/finetuning.html
• AWS Blog – Fine‑tuning LLMs on Bedrock (2025):
  https://aws.amazon.com/blogs/machine-learning/fine-tune-llms-on-amazon-bedrock/
• AWS re:Invent 2025 – “Advanced Prompt Engineering & Fine‑tuning on Bedrock” (video):
  https://www.youtube.com/watch?v=xxxx

📌 Kết luận nhanh

• ✅ Đáp án đúng: Samples of pairs of input and output messages
• ❌ Các đáp án còn lại thiếu cặp (input‑output) hoặc không cung cấp mối quan hệ giữa chúng, do đó không đáp ứng yêu cầu fine‑tuning trên Amazon Bedrock.

🔎 Giải thích nội dung câu hỏi

Công ty chăm sóc sức khỏe đang xây dựng một giải pháp AI để dự đoán khả năng bệnh nhân sẽ phải nhập viện lại trong vòng 30 ngày sau khi xuất viện. Đã có một mô hình máy học được đào tạo (training) trên dữ liệu lịch sử bao gồm:

• Tiểu sử y tế của bệnh nhân
• Thông tin dân số (độ tuổi, giới tính, …)
• Các đặc điểm điều trị

Sau khi mô hình đã được huấn luyện, công ty muốn sử dụng mô hình này để đưa ra dự đoán ngay trong thời gian thực khi một bệnh nhân mới vừa xuất viện.

Câu hỏi đặt ra: “Which task describes AI model inference in this scenario?” – nghĩa là trong bối cảnh này, *công việc nào tương ứng với inference (suy luận, dự đoán) của mô hình AI?

✅ Đáp án đúng

✔️ Use a trained model to predict patient readmission.

Giải thích:
Inference (suy luận) là bước sử dụng mô hình đã được huấn luyện để đưa ra dự đoán hoặc kết quả dựa trên dữ liệu mới (ở đây là thông tin bệnh nhân vừa xuất viện). Đây chính là công việc mô tả trong lựa chọn này, phù hợp với việc cung cấp dự đoán real‑time cho bệnh nhân.

Trong môi trường AWS, quá trình này thường được triển khai bằng Amazon SageMaker Inference, SageMaker Endpoints, hoặc AWS Lambda + SageMaker Runtime để trả về dự đoán ngay lập tức. Các dịch vụ này tối ưu hoá độ trễ, tính sẵn sàng và khả năng mở rộng, đáp ứng yêu cầu thời gian thực của giải pháp y tế.

🧩 Phân tích tất cả các phương án

1. Gather historical patient readmission data.

   • Lý do sai: Đây là hoạt động thu thập dữ liệu (data collection) và chuẩn bị dữ liệu (data preprocessing) – giai đoạn training (đào tạo) hoặc data engineering, không phải là inference. Inference chỉ dùng mô hình đã sẵn sàng để dự đoán, không liên quan tới việc thu thập dữ liệu lịch sử.

2. Use appropriate metrics and assess model performance.

   • Lý do sai: Việc đánh giá mô hình (model evaluation) bằng các chỉ số như AUC‑ROC, Precision‑Recall, F1‑score... thuộc về giai đoạn validation / testing. Đây là bước đánh giá sau khi mô hình được đào tạo, nhằm xác định hiệu suất, chứ không phải thực hiện dự đoán trên dữ liệu mới.

3. Use data to identify patient patterns and correlations.

   • Lý do sai: Đây là phân tích khám phá dữ liệu (exploratory data analysis) hoặc feature engineering, giúp hiểu mối quan hệ trong dữ liệu. Mặc dù quan trọng trong quá trình xây dựng mô hình, nó không phải là quá trình inference – tức là không thực hiện dự đoán dựa trên mô hình đã huấn luyện.

4. Use a trained model to predict patient readmission.

   • Lý do đúng: Đây là mô tả chính xác công việc inference: đưa dữ liệu bệnh nhân mới vào mô hình đã được huấn luyện và nhận lại kết quả dự đoán (có khả năng nhập viện lại hay không). Trong AWS, công việc này thường được triển khai qua:
     • Amazon SageMaker Real‑Time Inference Endpoints – cung cấp API HTTPS để nhận dự đoán ngay lập tức.
     • SageMaker Serverless Inference – tự động mở rộng dựa trên khối lượng yêu cầu, phù hợp với tải không đều.
     • AWS Lambda + SageMaker Runtime – cho các kiến trúc không server (serverless) với độ trễ thấp.

🛠️ Áp dụng thực tế trên AWS (đến năm 2026)

• SageMaker Pipelines: Tự động hoá workflow từ data ingestion → training → model registration → deployment. Khi mô hình được đăng ký (Model Registry), bạn có thể tạo Endpoint để thực hiện inference.
• SageMaker JumpStart: Cung cấp các mô hình đã được tiền huấn luyện, có thể fine‑tune và triển khai ngay cho các use‑case y tế (ví dụ: dự đoán readmission).
• SageMaker Model Monitor: Giám sát drift (độ lệch) và bias của mô hình trong giai đoạn inference, rất quan trọng trong ngành y tế để tuân thủ HIPAA và GDPR.
• AWS HealthLake và Amazon Comprehend Medical: Khi xử lý dữ liệu y tế phi cấu trúc (clinical notes), bạn có thể dùng chúng để trích xuất thông tin trước khi đưa vào mô hình dự đoán.
• Security & Compliance: Sử dụng VPC Endpoints, AWS KMS để mã hoá dữ liệu truyền và lưu trữ; bật AWS CloudTrail và Amazon GuardDuty để giám sát hoạt động inference và phát hiện bất thường.

📚 Tham khảo

• Amazon SageMaker Documentation (v2026.1) – Real‑Time Inference, Serverless Inference, Model Monitor.
• AWS Well‑Architected Framework – Machine Learning Pillar (phiên bản 2025).
• HIPAA Compliance on AWS – Hướng dẫn bảo mật dữ liệu y tế khi triển khai mô hình inference.
• “Building Real‑Time Predictive Analytics on AWS” – Whitepaper AWS (cập nhật 2025).

Tóm lại:

• Nhiệm vụ mô tả inference trong kịch bản này là “Use a trained model to predict patient readmission.”
• Các phương án còn lại đều là các hoạt động liên quan tới thu thập dữ liệu, đánh giá mô hình, hoặc khám phá dữ liệu, không phải là quá trình suy luận thực tế.

💡 Khi triển khai trên AWS, hãy cân nhắc sử dụng SageMaker Real‑Time hoặc Serverless Inference để đáp ứng yêu cầu thời gian thực, đồng thời bật Model Monitor để đảm bảo độ ổn định và tuân thủ quy định y tế.

🔎 Phân tích câu hỏi
Công ty tài chính muốn xây dựng workflow để đánh giá lại (human review) các dự đoán của mô hình Machine Learning. Họ cần:

1. Xác định ngưỡng confidence (độ tin cậy) cho từng dự đoán – nếu confidence dưới ngưỡng, dự đoán sẽ được gửi tới con người để kiểm tra.
2. Có khả năng thay đổi (adjust) các ngưỡng này theo thời gian khi mô hình, dữ liệu hoặc yêu cầu kinh doanh thay đổi.

Do đó, dịch vụ AWS cần hỗ trợ human‑in‑the‑loop, cho phép định nghĩa và thay đổi ngưỡng confidence một cách linh hoạt, đồng thời tích hợp dễ dàng với các mô hình ML (SageMaker, custom endpoint, …).

✅ Đáp án đúng: Amazon Augmented AI (Amazon A2I)

Tại sao lại là A2I?

• Human review workflow: A2I cung cấp một khung công việc (workflow) chuẩn, cho phép bạn gửi các dự đoán có confidence thấp tới một hoặc nhiều người đánh giá (human reviewers) thông qua UI hoặc các nhà cung cấp công việc bên ngoài (Mechanical Turk, vendor).
• Confidence thresholds: Khi cấu hình một Human‑Loop, bạn có thể chỉ định “HumanLoopConfig → HumanLoopOutput → Conditions” (hoặc qua HumanLoopConfig trong SageMaker) để định nghĩa ngưỡng confidence; các dự đoán không đáp ứng ngưỡng sẽ tự động kích hoạt human loop.
• Dynamic adjustment: Ngưỡng này được lưu trong AWS Parameter Store, DynamoDB, hoặc SageMaker Model Registry và có thể được cập nhật mà không cần thay đổi code. Khi ngưỡng được thay đổi, các yêu cầu mới sẽ tự động áp dụng ngưỡng mới.
• Tích hợp với SageMaker, Lambda, Step Functions: A2I có sẵn integration với SageMaker endpoint, cho phép bạn chèn bước human review ngay trong pipeline dự đoán.
• Tuân thủ và audit: A2I ghi lại chi tiết ai đã xem xét gì và khi nào, hỗ trợ yêu cầu audit trong ngành tài chính.

Các cập nhật mới (2025‑2026)

• A2I v2 cho phép multi‑modal review (text + image) trong cùng một workflow.
• Dynamic threshold policies được triển khai qua AWS AppConfig, giúp thay đổi ngưỡng mà không cần redeploy.
• Hỗ trợ Amazon Q (Generative AI) để gợi ý cho reviewer, giảm thời gian review.

❌ Các phương án sai và lý do

• Amazon Personalize

  • Mô tả: Dịch vụ gợi ý (recommendation) dựa trên ML, được tối ưu cho việc tạo danh sách sản phẩm, video, v.v.
  • Lý do sai: Personalize không cung cấp cơ chế human‑in‑the‑loop hay định nghĩa ngưỡng confidence cho việc review dự đoán. Nó chỉ trả về điểm xếp hạng và không có workflow review tích hợp.

• Amazon Inspector

  • Mô tả: Dịch vụ đánh giá bảo mật tự động cho EC2, container, và image.
  • Lý do sai: Inspector tập trung vào vulnerability scanning và security assessment, không liên quan tới việc review dự đoán ML hay cấu hình ngưỡng confidence.

• AWS Audit Manager

  • Mô tả: Công cụ tự động thu thập bằng chứng và tạo báo cáo tuân thủ (audit) cho các chuẩn như SOC, PCI, GDPR.
  • Lý do sai: Audit Manager không hỗ trợ workflow cho human review của dự đoán ML. Nó chỉ giúp tạo và quản lý các kiểm toán, không liên quan tới ngưỡng confidence hay ML inference.

🛠️ Cách triển khai nhanh với Amazon A2I (ví dụ thực tiễn)

1. Xây dựng mô hình trên SageMaker và triển khai dưới dạng endpoint.
2. Định nghĩa Human Loop:

   {
     "HumanLoopConfig": {
       "HumanTaskUiArn": "arn:aws:sagemaker:...:human-task-ui/default",
       "HumanTaskLambdaArn": "arn:aws:lambda:...:function:myReviewLambda",
       "PublicWorkforceTaskPrice": {"AmountInCents": 5, "CurrencyCode": "USD"},
       "TaskCount": 1,
       "Conditions": {"ConfidenceThreshold": 0.85}
     }
   }
   

3. Kích hoạt human loop trong code inference:

   response = sagemaker_runtime.invoke_endpoint(... )
   if response< THRESHOLD:
       a2i.start_human_loop(... )
   

4. Thay đổi ngưỡng bằng cách cập nhật giá trị trong AWS AppConfig hoặc Parameter Store, không cần thay đổi code.

📚 Tham khảo tài liệu

• Amazon Augmented AI (A2I) – Documentation (AWS, cập nhật 2026): https://docs.aws.amazon.com/augmented-ai/latest/dg/what-is-a2i.html
• SageMaker Human‑in‑the‑Loop Integration (AWS, 2025‑2026): https://docs.aws.amazon.com/sagemaker/latest/dg/a2i-integration.html
• AWS Well‑Architected Framework – Machine Learning Lens (2025): https://d1.awsstatic.com/whitepapers/architecture/AWS-Machine-Learning-Well-Architected-Framework.pdf

Tóm lại: Đối với yêu cầu “xây dựng workflow human review với confidence thresholds có thể điều chỉnh”, Amazon Augmented AI (Amazon A2I) là dịch vụ duy nhất đáp ứng đầy đủ tính năng này. Các dịch vụ còn lại (Personalize, Inspector, Audit Manager) không hỗ trợ cơ chế review hoặc ngưỡng confidence, do đó không phù hợp. 🚀

1. Giải thích nội dung câu hỏi 📖
Công ty muốn xây dựng một AI assistant (trợ lý ảo) cho nhân viên để truy vấn dữ liệu nội bộ (các tài liệu, cơ sở dữ liệu, wiki, báo cáo …). Yêu cầu chính:

• Giao diện hội thoại (text hoặc voice) cho người dùng.
• Khả năng “tìm kiếm” và trả lời dựa trên kiến thức nội bộ (các file, tài liệu, dữ liệu doanh nghiệp).
• Nên tận dụng các dịch vụ AWS có tích hợp mô hình ngôn ngữ lớn (LLM) và khả năng “knowledge‑base” để giảm công sức xây dựng và bảo trì.

2. Đáp án đúng ✅
👉 Amazon Q Business

Amazon Q Business là dịch vụ được ra mắt (2023‑2024) và cập nhật liên tục tới 2026, cho phép tạo “AI‑powered business intelligence assistant”. Nó tích hợp Amazon Bedrock (LLM), Amazon Kendra (search & indexing) và Amazon SageMaker để cung cấp khả năng hỏi‑đáp tự nhiên trên dữ liệu nội bộ (S3, RDS, SharePoint, Confluence, v.v.). Vì vậy đây là dịch vụ phù hợp nhất với yêu cầu “AI assistant for employees to query internal data”.

3. Phân tích chi tiết các phương án 🧩

• Amazon Rekognition

  • Mô tả: Dịch vụ phân tích hình ảnh và video (nhận diện khuôn mặt, vật thể, văn bản trong ảnh).
  • Tại sao sai: Không liên quan tới hội thoại hay truy vấn dữ liệu văn bản; chỉ dùng cho xử lý media. Do đó không đáp ứng yêu cầu xây dựng trợ lý AI dạng hỏi‑đáp.

• Amazon Textract

  • Mô tả: Trích xuất văn bản, bảng và dữ liệu cấu trúc từ tài liệu scan (PDF, ảnh).
  • Tại sao sai: Textract chỉ thực hiện OCR và trích xuất dữ liệu, chưa cung cấp khả năng hội thoại hay trả lời câu hỏi dựa trên dữ liệu đã trích xuất. Nó có thể là một thành phần phụ (để đưa tài liệu vào hệ thống), nhưng không phải giải pháp toàn diện.

• Amazon Lex

  • Mô tả: Dịch vụ xây dựng chatbot và voice bot dựa trên công nghệ NLP của Amazon.
  • Tại sao sai (so với Q Business): Lex cho phép tạo luồng hội thoại, nhưng không tích hợp sẵn các công cụ tìm kiếm và trả lời dựa trên kiến thức nội bộ. Để đạt được chức năng “query internal data”, người dùng phải tự xây dựng backend (Kendra, DynamoDB, Lambda…) và tích hợp. Amazon Q Business đã gộp sẵn các thành phần này (Kendra + Bedrock) nên phù hợp hơn, giảm thời gian triển khai và chi phí bảo trì.

• Amazon Q Business

  • Mô tả: Nền tảng AI doanh nghiệp cho phép tạo trợ lý hỏi‑đáp nội bộ, hỗ trợ cả văn bản và giọng nói.
  • Lý do đúng:
    1. Tích hợp Knowledge Base: Dễ dàng kết nối với các nguồn dữ liệu nội bộ (S3, SharePoint, Confluence, RDS, Snowflake …).
    2. Công nghệ LLM: Sử dụng các mô hình từ Amazon Bedrock (Claude, Titan, Llama…) để tạo câu trả lời tự nhiên.
    3. Tìm kiếm chính xác: Dựa trên Amazon Kendra để đánh giá tính liên quan và độ tin cậy của nội dung.
    4. Quản lý quyền truy cập: Hỗ trợ IAM, VPC Endpoints, và kiểm soát dữ liệu nhạy cảm.
    5. Triển khai nhanh: Giao diện console kéo‑thả, không cần viết nhiều code.

Vì vậy, Amazon Q Business đáp ứng đầy đủ yêu cầu “AI assistant for employees to query internal data”.

4. Tham khảo 📚

• Amazon Q Business – Documentation (AWS, cập nhật tháng 03/2026): https://docs.aws.amazon.com/q-business/latest/userguide/
• Amazon Bedrock – Generative AI Service (AWS, 2025‑2026): https://aws.amazon.com/bedrock/
• Amazon Kendra – Intelligent Search Service (AWS, 2026): https://aws.amazon.com/kendra/
• Amazon Lex – Build Conversational Interfaces (AWS, 2026): https://aws.amazon.com/lex/
• Amazon Rekognition – Image and Video Analysis (AWS, 2026): https://aws.amazon.com/rekognition/
• Amazon Textract – OCR & Document Analysis (AWS, 2026): https://aws.amazon.com/textract/

🛠️ Lưu ý thực hành: Khi triển khai thực tế, nên kết hợp Amazon Q Business với IAM policies và AWS KMS để bảo vệ dữ liệu nội bộ, đồng thời thiết lập VPC endpoints để giao tiếp nội bộ không qua internet.

Tóm tắt 🎯

• Câu hỏi muốn một dịch vụ AI trợ lý hỏi‑đáp nội bộ.
• Amazon Q Business là đáp án đúng vì nó cung cấp toàn bộ chuỗi: ingestion dữ liệu, indexing (Kendra), mô hình ngôn ngữ (Bedrock), và giao diện hội thoại.
• Các đáp án còn lại (Rekognition, Textract, Lex) chỉ đáp ứng một phần hoặc không liên quan tới nhu cầu truy vấn dữ liệu nội bộ.

📌 Câu hỏi:

A company wants to build and deploy ML models on AWS without writing any code. Which AWS service or feature meets these requirements?

1️⃣ Giải thích nội dung câu hỏi

Câu hỏi yêu cầu xác định dịch vụ AWS cho phép xây dựng và triển khai (deploy) mô hình Machine Learning mà không cần viết một dòng mã nào.

• “Build” ở đây bao gồm: chuẩn bị dữ liệu, tạo mô hình, huấn luyện và đánh giá.
• “Deploy” nghĩa là đưa mô hình vào production (có thể là inference qua API, batch, hoặc tích hợp trong ứng dụng).
• “Không viết code” tức là giao diện kéo‑thả, wizard hoặc các tính năng no‑code/low‑code mà người dùng chỉ thao tác qua UI.

Vì vậy, chúng ta cần một dịch vụ no‑code ML – không yêu cầu lập trình Python, SDK, hay viết script CloudFormation.

2️⃣ Đáp án đúng

✅ Amazon SageMaker Canvas

Lý do lựa chọn:

• SageMaker Canvas là công cụ no‑code của Amazon SageMaker, cho phép người dùng nghiệp vụ (business analysts) tải lên dữ liệu, chuẩn bị dữ liệu, tạo mô hình, huấn luyện và xuất dự đoán chỉ bằng giao diện kéo‑thả.
• Sau khi mô hình đã sẵn sàng, Canvas có thể đẩy model sang SageMaker Studio hoặc triển khai trực tiếp dưới dạng endpoint mà không cần viết mã.
• Dịch vụ này được giới thiệu từ 2021 và được cập nhật liên tục; tính đến 2026, Canvas hỗ trợ AutoML cho classification, regression, time‑series, và forecasting, và tích hợp với SageMaker Model Registry để quản lý lifecycle.

3️⃣ Giải thích các phương án (giữ nguyên nội dung tiếng Anh)

- Amazon SageMaker Canvas (✅ ĐÚNG)

• Giải thích: Đây là dịch vụ no‑code cho phép người dùng không có kiến thức lập trình vẫn có thể tạo, huấn luyện và triển khai mô hình ML. Giao diện đồ họa hỗ trợ import dữ liệu, tự động chọn thuật toán, và xuất model dưới dạng endpoint hoặc file để dùng trong các ứng dụng khác. Đáp ứng đầy đủ yêu cầu “không viết code”.

- Amazon Rekognition (❌ SAI)

• Giải thích: Rekognition là dịch vụ phân tích hình ảnh và video (nhận dạng khuôn mặt, đối tượng, văn bản, nội dung không an toàn). Nó cung cấp API đã được đào tạo sẵn; người dùng không tự xây dựng model. Vì vậy không đáp ứng yêu cầu “build and deploy ML models” – chỉ là sử dụng model đã có.

- AWS DeepRacer (❌ SAI)

• Giải thích: DeepRacer là nền tảng học tăng cường (reinforcement learning) cho việc huấn luyện mô hình điều khiển xe mô hình. Người dùng vẫn cần viết code (thông qua Jupyter notebooks hoặc SDK) để định nghĩa phần thưởng, môi trường, và thực hiện training. Nó không phải là công cụ no‑code cho các loại mô hình ML chung.

- Amazon Comprehend (❌ SAI)

• Giải thích: Comprehend là dịch vụ xử lý ngôn ngữ tự nhiên (NLP) đã được quản lý, cung cấp các API như phân loại văn bản, phát hiện thực thể, và sentiment analysis. Tương tự Rekognition, người dùng không tự tạo model mà chỉ gọi API. Vì vậy không thỏa mãn yêu cầu “build and deploy” và “không viết code”.

4️⃣ Tham khảo nguồn tài liệu (đến năm 2026)

• Amazon SageMaker Canvas – Documentation (AWS, cập nhật 2026): https://docs.aws.amazon.com/sagemaker/latest/dg/canvas.html
• What is Amazon SageMaker Canvas? – AWS Blog, 2024/07: https://aws.amazon.com/blogs/machine-learning/introducing-amazon-sagemaker-canvas/
• AWS Service Comparison – No‑Code ML – AWS Whitepaper, 2025: https://d1.awsstatic.com/whitepapers/no-code-ml.pdf
• Amazon Rekognition – Developer Guide (2025): https://docs.aws.amazon.com/rekognition/latest/dg/
• AWS DeepRacer – User Guide (2025): https://docs.aws.amazon.com/deepracer/latest/developerguide/
• Amazon Comprehend – Documentation (2025): https://docs.aws.amazon.com/comprehend/latest/dg/

5️⃣ Tổng kết nhanh gọn gàng

• ✅ Amazon SageMaker Canvas – đáp ứng 100% yêu cầu “no‑code build & deploy ML”.
• ❌ Amazon Rekognition – chỉ cung cấp API nhận dạng, không tự tạo model.
• ❌ AWS DeepRacer – cần lập trình, chỉ tập trung vào RL cho xe mô hình.
• ❌ Amazon Comprehend – dịch vụ NLP đã được đào tạo sẵn, không cho phép tự xây dựng model.

Hy vọng phần phân tích trên đã giúp bạn nắm rõ lý do lựa chọn SageMaker Canvas và hiểu được tại sao các dịch vụ còn lại không phù hợp với yêu cầu “không viết code”. 🚀🧠✨

🔍 Phân tích câu hỏi

• Bối cảnh: Một công ty thiết kế đang dùng foundation model (FM) trên Amazon Bedrock để sinh ảnh.
• Yêu cầu: Họ muốn “điều khiển mức độ chi tiết hoặc trừu tượng” của mỗi ảnh sinh ra.
• Điểm then chốt: Trong các mô hình sinh ảnh (Stable Diffusion, Midjourney‑style, …) mức độ chi tiết thường được quyết định bởi số bước suy luận (inference / generation steps) – càng nhiều bước, ảnh sẽ “được tinh chế” hơn, chi tiết hơn; ngược lại, ít bước hơn sẽ cho ra kết quả mờ, trừu tượng hơn.

Vì vậy câu hỏi đang hỏi tham số nào cần thay đổi để kiểm soát độ chi tiết/độ trừu tượng. Đáp án đúng là Generation step.

✅ Đáp án đúng

✔️ Generation step

• Lý do:
  • Trong các mô hình diffusion được triển khai trên Amazon Bedrock (ví dụ: Stable Diffusion), tham số num_inference_steps (còn gọi là generation steps) quyết định số vòng lặp mà mô hình thực hiện để “tái tạo” hình ảnh từ nhiễu ban đầu.
  • Nhiều bước → quá trình tinh chỉnh sâu hơn → chi tiết cao, hình ảnh sắc nét.
  • Ít bước → quá trình dừng sớm → hình ảnh bám vào dạng tổng quát, mờ, trừu tượng.
  • Do đó, thay đổi giá trị này là cách trực tiếp nhất để kiểm soát mức độ chi tiết/abstraction của ảnh sinh.

Tham khảo: Amazon Bedrock Documentation – Image generation model parameters (phiên bản 2026) – mục “num_inference_steps (Generation steps) controls image fidelity and abstraction”.

❌ Giải thích các phương án sai

• Model checkpoint

  • Model checkpoint là phiên bản đã được huấn luyện sẵn của mô hình (ví dụ: stabilityai/stable-diffusion-2-1). Thay đổi checkpoint sẽ thay đổi kiến trúc/đặc trưng chung của mô hình, không phải mức độ chi tiết của một lần sinh ảnh. Nó không phải là tham số “điều chỉnh khi chạy” mà là lựa chọn mô hình.

• Batch size

  • Batch size xác định số lượng mẫu (ảnh) được sinh đồng thời trong một lần gọi API. Nó ảnh hưởng tới hiệu suất và chi phí, nhưng không ảnh hưởng tới nội dung hay độ chi tiết của từng ảnh. Độ chi tiết vẫn được quyết định bởi các tham số nội bộ như generation steps.

• Token length

  • Token length là khái niệm phổ biến trong mô hình ngôn ngữ (text generation), mô tả số lượng token đầu ra tối đa. Đối với mô hình sinh ảnh, không có khái niệm “token” trong quá trình diffusion; thậm chí khi dùng multimodal (text‑to‑image) thì token length chỉ ảnh hưởng tới độ dài prompt, không ảnh hưởng tới độ chi tiết của ảnh cuối cùng.

🛠️ Lưu ý khi điều chỉnh Generation step trên Bedrock (2026)

1. Giá trị mặc định: Thông thường num_inference_steps = 50 – cân bằng giữa tốc độ và chất lượng.
2. Tăng lên 100‑150 → ảnh sắc nét, chi tiết hơn, thời gian phản hồi lâu hơn và chi phí tăng.
3. Giảm xuống 10‑20 → ảnh nhanh hơn, trừu tượng hơn, có thể xuất hiện artefacts.
4. Kết hợp với guidance_scale: Nếu muốn giữ độ sáng tạo cao nhưng vẫn chi tiết, có thể đồng thời giảm guidance_scale khi tăng generation steps.

Tham khảo: Amazon Bedrock – Image generation best practices (2026 edition), mục “Tuning inference steps for quality vs. latency”.

📚 Tham khảo tài liệu

• Amazon Bedrock Developer Guide, “Image generation parameters”, phiên bản cập nhật 2026.
• Stability AI – Stable Diffusion 2.1 Documentation, “Inference steps and image fidelity”.
• AWS Whitepaper, “Generative AI on AWS: Foundations and Best Practices”, 2025‑2026.

Tóm lại: Để kiểm soát mức độ chi tiết hoặc trừu tượng của hình ảnh sinh ra từ mô hình foundation trên Amazon Bedrock, công ty cần điều chỉnh tham số “Generation step”. Các lựa chọn còn lại (Model checkpoint, Batch size, Token length) không ảnh hưởng trực tiếp tới đặc tính này. 🚀

🧩 Phân tích câu hỏi

Công ty tài chính có các văn phòng trải rộng toàn cầu và muốn đảm bảo rằng mọi cuộc gọi API từ các ứng dụng AI sinh (generative‑AI) tới các mô hình nền tảng (Foundation Models – FM) không bao giờ phải đi qua Internet công cộng.
Yêu cầu này tương đương với việc:

• Tạo một kênh mạng riêng tư, nội bộ giữa VPC của công ty và dịch vụ AI của AWS.
• Không để gói tin ra ngoài mạng công cộng, tránh rủi ro về bảo mật và tuân thủ quy định dữ liệu.

Do đó, chúng ta cần một dịch vụ cung cấp “private connectivity” tới các dịch vụ AWS (ví dụ: Amazon Bedrock, SageMaker, …) trong môi trường VPC.

✅ Đáp án đúng: AWS PrivateLink

• AWS PrivateLink cho phép bạn tạo Interface VPC Endpoint để truy cập trực tiếp các dịch vụ AWS hoặc SaaS qua mạng nội bộ của VPC, không cần Internet gateway, NAT, hoặc VPN.
• Khi sử dụng PrivateLink, các yêu cầu API tới mô hình nền tảng (ví dụ: Bedrock, SageMaker) sẽ được truyền qua đường truyền riêng trong mạng AWS, đáp ứng yêu cầu “không đi qua public internet”.
• Từ 2024‑2026, AWS đã mở rộng PrivateLink để hỗ trợ Amazon Bedrock và các dịch vụ AI khác, cho phép kết nối trực tiếp từ VPC tới các endpoint của mô hình AI mà không rò rỉ ra Internet.

❌ Các lựa chọn sai và giải thích

• Amazon Q
  Amazon Q (có thể là “Amazon Q” – một dịch vụ AI sinh nội dung) là một dịch vụ AI. Nó không cung cấp khả năng tạo đường truyền mạng riêng tư; thay vào đó, nó chỉ là một điểm cuối (endpoint) công cộng mà bạn gọi qua Internet hoặc qua VPC endpoint nếu nhà cung cấp tạo PrivateLink. Vì câu hỏi hỏi “dịch vụ nào dùng để không đi qua public internet”, Amazon Q không phải là giải pháp mạng, nên không đúng.

• Amazon CloudFront
  CloudFront là mạng phân phối nội dung (CDN). Mặc dù nó có thể được cấu hình để sử dụng Origin Access Identity và Private Content, nhưng lưu lượng vẫn đi qua mạng Internet (đến edge locations) trước khi tới nguồn gốc. Do vậy, CloudFront không đáp ứng yêu cầu “không qua public internet”.

• AWS CloudTrail
  CloudTrail là dịch vụ ghi lại (logging) các hoạt động API trên tài khoản AWS. Nó không liên quan tới việc truyền dữ liệu hay tạo kênh mạng riêng tư. Vì thế, không phải là đáp án cho yêu cầu kết nối API an toàn.

📚 Tham khảo tài liệu (đến năm 2026)

1. AWS PrivateLink – Interface VPC Endpoints
   • https://docs.aws.amazon.com/vpc/latest/privatelink/what-is-aws-privatelink.html
2. Amazon Bedrock và PrivateLink (cập nhật 2025)
   • https://aws.amazon.com/blogs/machine-learning/secure-access-to-amazon-bedrock-with-aws-privatelink/
3. Amazon Q – Overview
   • https://docs.aws.amazon.com/amazon-q/latest/userguide/what-is-q.html
4. Amazon CloudFront – How it works
   • https://docs.aws.amazon.com/AmazonCloudFront/latest/DeveloperGuide/Introduction.html
5. AWS CloudTrail – Overview
   • https://docs.aws.amazon.com/awscloudtrail/latest/userguide/cloudtrail-user-guide.html

Tổng kết

• ✅ AWS PrivateLink là giải pháp phù hợp nhất để đảm bảo các cuộc gọi API tới mô hình AI không phải đi qua Internet công cộng.
• Các tùy chọn còn lại (Amazon Q, CloudFront, CloudTrail) không cung cấp khả năng tạo kết nối mạng riêng tư; do đó chúng đều sai trong ngữ cảnh câu hỏi.

Hy vọng phân tích chi tiết trên giúp bạn nắm rõ lý do lựa chọn và hiểu sâu hơn về cách các dịch vụ AWS hỗ trợ yêu cầu bảo mật mạng trong môi trường DevOps hiện đại. 🚀