Ngân hàng đề — AWS Certified AI Practitioner
Tìm thấy 623 câu.
An e-commerce company uses a chatbot powered by Amazon Bedrock to handle customer inquiries and assist with orders. To enhance customer satisfaction, the company wants the chatbot to continuously learn and improve from real-time customer interactions, adapting its responses to become more accurate and effective over time.
Which approach would be the most suitable for enabling ongoing self-improvement of the chatbot based on its conversations with customers?
-
A
The company should leverage reinforcement learning (RL), where rewards are generated from positive customer feedback to train the chatbot in optimizing its responses
-
B
The company should leverage supervised learning, using the latest datasets containing both positive and negative customer interactions to improve the chatbot's response quality
-
C
The company should leverage incremental training, a method that allows the chatbot to adapt over time by learning from new data without forgetting previously learned information
-
D
The company should leverage transfer learning, which involves applying knowledge gained from one domain to enhance performance in another related domain
Xem giải thích
Đáp án
A — Dùng học tăng cường, với phần thưởng sinh ra từ phản hồi tích cực của khách hàng
Vì sao đúng
Đề đòi ba thứ cùng lúc: học liên tục, từ tương tác thời gian thực, và tự cải thiện. Học tăng cường khớp cả ba vì nó không cần tập dữ liệu có nhãn chuẩn bị trước — tín hiệu học đến ngay từ phản hồi của khách.
Vòng lặp trong thực tế:
Khách hỏi → chatbot trả lời → khách phản hồi (hài lòng / bỏ đi / hỏi lại)
│
phần thưởng ← chuyển thành
↓
cập nhật chính sách trả lời
Đây chính là ý tưởng nền của RLHF — kỹ thuật đứng sau phần lớn trợ lý hội thoại hiện nay.
Vì sao các phương án khác sai
- B. Học có giám sát với dữ liệu mới nhất — cần người gán nhãn cho từng mẫu, nên không diễn ra theo thời gian thực và không mở rộng được theo lượng hội thoại hằng ngày.
- C. Incremental training — giải bài toán nạp dữ liệu mới mà không quên cũ; nó nói về cách cập nhật chứ không cung cấp cơ chế biến phản hồi khách hàng thành tín hiệu học.
- D. Transfer learning — chuyển tri thức từ lĩnh vực khác sang; đề không có lĩnh vực nguồn nào cả.
A financial services company is exploring the use of generative AI to automate report generation and enhance customer insights. As part of this effort, the team is evaluating different AI models and technologies, including Foundation Models (FMs), to understand their capabilities and how they can be applied to improve efficiency. The team needs to clarify key characteristics and features of Foundation Models to determine if they align with the company's objectives.
Which of the following statements is correct regarding Foundation Models (FMs) in the context of generative AI?
-
A
FMs use supervised learning to create labels from input data and fine-tuning an FM is a supervised learning process as well
-
B
FMs use supervised learning to create labels from input data, however, fine-tuning an FM is a self-supervised learning process
-
C
FMs use self-supervised learning to create labels from input data and fine-tuning an FM is a self-supervised learning process as well
-
D
FMs use self-supervised learning to create labels from input data, however, fine-tuning an FM is a supervised learning process
Xem giải thích
Đáp án
*D — FM dùng học tự giám sát để tự tạo nhãn từ dữ liệu đầu vào, còn fine-tuning là quá trình học có giám sát
Vì sao đúng
Hai giai đoạn của một Foundation Model dùng hai kiểu học khác nhau, và đó chính là điều làm quy mô huấn luyện khổng lồ trở nên khả thi:
| Huấn luyện trước | Fine-tuning | |
|---|---|---|
| Kiểu học | Tự giám sát | Có giám sát |
| Nhãn từ đâu | Tự sinh từ chính dữ liệu | Con người chuẩn bị |
| Ví dụ nhiệm vụ | Che một từ, bắt mô hình đoán từ bị che | Cặp "câu hỏi → câu trả lời mẫu" |
| Quy mô dữ liệu | Hàng nghìn tỷ token | Hàng nghìn tới hàng chục nghìn mẫu |
Điểm cốt lõi: tự giám sát không cần người gán nhãn, vì nhãn nằm sẵn trong dữ liệu — chỉ cần che đi rồi bắt đoán. Không có tính chất này thì không ai gán nhãn nổi cho khối dữ liệu ở quy mô đó.
Vì sao các phương án khác sai
- A — nói cả hai đều có giám sát; sai ở giai đoạn huấn luyện trước.
- B — đảo ngược hoàn toàn hai vế.
- C — nói cả hai đều tự giám sát; sai ở giai đoạn fine-tuning, vốn cần dữ liệu có nhãn.
A healthcare analytics company has developed a machine learning model to predict patient outcomes based on historical medical data. During testing, the model demonstrates high accuracy and performs well on the training dataset, but once deployed in a real-world production environment, its accuracy drops significantly when processing new, unseen patient records. The company needs to improve the model's ability to generalize and perform well on new data, ensuring reliable predictions in the production setting.
What would be the most effective approach to fix this problem?
-
A
The company should swap the existing model with a state-of-the-art generative AI model
-
B
The company should use hyperparameters for model tuning, which involves adjusting parameters such as regularization, learning rates, and dropout rates to enhance the model's ability to generalize well to new data
-
C
The company should reduce the amount of training data, which can help eliminate noise in the data
-
D
The company should increase the amount of training data, which can help the model learn more diverse patterns and improve its performance on new, unseen data by exposing it to a wider range of examples
Xem giải thích
Đáp án
B — Tinh chỉnh siêu tham số như điều chuẩn (regularization), learning rate và dropout
Vì sao đúng
Triệu chứng trong đề — rất tốt trên dữ liệu huấn luyện, kém hẳn trên dữ liệu mới — là định nghĩa sách vở của quá khớp (overfitting): mô hình đã học thuộc cả nhiễu của tập huấn luyện thay vì học quy luật chung.
Ba siêu tham số được nêu đều nhắm thẳng vào quá khớp:
- Regularization — phạt trọng số lớn, buộc mô hình đơn giản hơn.
- Dropout — ngẫu nhiên tắt bớt nơ-ron khi huấn luyện, mô hình không dựa quá mức vào một đường đi.
- Learning rate — ảnh hưởng tới việc mô hình dừng ở đâu trong không gian nghiệm.
Vì sao các phương án khác sai
- D. Tăng lượng dữ liệu huấn luyện — đây cũng là biện pháp đúng cho quá khớp, và trong nhiều trường hợp còn là biện pháp mạnh nhất. Nhưng nó phụ thuộc vào việc có dữ liệu để mà thêm — trong y tế thì thu thập thêm hồ sơ bệnh nhân là chuyện tốn kém và vướng quy định. Chỉnh siêu tham số làm được ngay với dữ liệu đang có.
- C. Giảm lượng dữ liệu huấn luyện — làm quá khớp nặng thêm.
- A. Đổi sang mô hình AI sinh — không liên quan tới bài toán dự đoán này.
A retail company is using an Amazon SageMaker machine learning model to analyze customer purchasing patterns and predict future buying behavior. The data scientists at the company regularly need to process datasets of less than 1 GB, such as daily sales records and customer interaction logs. The company does not require immediate responses and can afford some delay in receiving the analysis results, as the insights are primarily used for weekly strategy meetings.
Which inference method would be the most suitable for the company in this scenario?
-
A
Serverless inference
-
B
Asynchronous inference
-
C
Batch inference
-
D
Real-time inference
Xem giải thích
Đáp án
B — Asynchronous inference (suy luận bất đồng bộ)
Vì sao đúng
Hai dữ kiện trong đề trỏ thẳng vào đặc tả của async inference:
- Dữ liệu dưới 1 GB — đúng bằng giới hạn payload tối đa của asynchronous inference. Con số 1 GB không phải ngẫu nhiên, nó là dấu hiệu nhận dạng của loại endpoint này (real-time chỉ chịu được 6 MB).
- Chấp nhận độ trễ — async xếp yêu cầu vào hàng chờ rồi trả kết quả về S3 khi xong.
Async còn một lợi thế về chi phí: nó tự co về 0 instance khi không có yêu cầu nào, nên giữa các lần chạy hằng ngày bạn không trả tiền.
Bảng đối chiếu bốn kiểu suy luận của SageMaker
| Kiểu | Payload tối đa | Độ trễ | Hợp với |
|---|---|---|---|
| Real-time | 6 MB | Mili giây | Ứng dụng trực tuyến |
| Serverless | 4 MB | Có khởi động nguội | Tải rời rạc, khó đoán |
| Asynchronous | 1 GB | Phút | Payload lớn, chờ được |
| Batch transform | Không giới hạn thực tế | Theo lô | Cả tập dữ liệu, không cần endpoint |
Vì sao các phương án khác sai
- C. Batch inference — hợp lý về mặt "không cần trả lời ngay", nhưng nó không dùng endpoint thường trực mà tạo job xử lý cả tập; async khớp hơn với mô tả xử lý theo yêu cầu có payload dưới 1 GB. Đây là phương án nhiễu chính.
- D. Real-time — trả tiền cho instance chạy 24/7 trong khi đề nói rõ không cần ngay.
- A. Serverless — giới hạn payload chỉ 4 MB, quá nhỏ cho tập dữ liệu này.
A retail company needs to perform sentiment analysis for its customer service audio calls.
Which AWS services would you recommend for this requirement?
-
A
Amazon Rekognition and Amazon Transcribe
-
B
Amazon Transcribe and Amazon Comprehend
-
C
Amazon Translate and Amazon Comprehend
-
D
Amazon Transcribe and Amazon Translate
Xem giải thích
Đáp án
B — Amazon Transcribe và Amazon Comprehend
Vì sao đúng
Đầu vào là cuộc gọi thoại, còn dịch vụ phân tích cảm xúc chỉ đọc được văn bản — nên phải đi qua hai bước:
File ghi âm cuộc gọi
│
▼ Amazon Transcribe (giọng nói → văn bản)
Bản ghi lời thoại
│
▼ Amazon Comprehend (văn bản → cảm xúc)
POSITIVE / NEGATIVE / NEUTRAL / MIXED
Đây là mẫu ghép dịch vụ kinh điển của AWS, và ý cần nhớ là không có dịch vụ nào phân tích cảm xúc thẳng từ âm thanh — luôn phải chuyển sang văn bản trước.
Vì sao các phương án khác sai
- D. Transcribe và Translate — chuyển được giọng nói thành chữ rồi dịch, nhưng không có bước nào phân tích cảm xúc.
- C. Translate và Comprehend — thiếu mất bước chuyển âm thanh thành văn bản, tức là thiếu đúng bước đầu tiên.
- A. Rekognition và Transcribe — Rekognition xử lý ảnh và video, không liên quan tới cảm xúc trong lời nói.
A company is exploring Amazon Q to streamline its internal business processes through automation and generative AI capabilities. The team is particularly interested in understanding how Amazon Q integrates generative AI techniques within its web application workflow to enhance tasks such as automating report generation, creating summaries, and analyzing large datasets. They want to know which specific generative AI techniques are employed in Amazon Q to achieve these outcomes.
Which of the following generative AI techniques are used in the Amazon Q Business web application workflow? (Select two)
-
A
Diffusion Model
-
B
Generative adversarial network (GAN)
-
C
Variational autoencoders (VAE)
-
D
Large Language Model (LLM)
-
E
Retrieval-Augmented Generation (RAG)
Xem giải thích
Đáp án
D và E — Large Language Model và Retrieval-Augmented Generation
Vì sao đúng
Amazon Q Business chạy trên đúng hai kỹ thuật này ghép lại:
- E. RAG — Q kết nối vào dữ liệu nội bộ của doanh nghiệp (S3, SharePoint, Salesforce...), đánh chỉ mục rồi truy xuất đoạn liên quan cho mỗi câu hỏi. Nhờ vậy nó trả lời được về tài liệu riêng của công ty và dẫn được nguồn.
- D. LLM — nhận đoạn đã truy xuất cộng câu hỏi rồi sinh ra câu trả lời bằng ngôn ngữ tự nhiên.
Cách ghép này giải quyết được vấn đề then chốt: dữ liệu công ty thay đổi liên tục, mà cập nhật chỉ mục thì rẻ, còn huấn luyện lại mô hình thì không.
Vì sao các phương án khác sai
Ba phương án còn lại đều là kiến trúc sinh ảnh, không liên quan tới quy trình xử lý văn bản của Q Business:
- A. Diffusion Model — sinh ảnh bằng cách khử nhiễu dần.
- B. GAN — hai mạng cạnh tranh, dùng cho ảnh.
- C. VAE — học không gian tiềm ẩn để sinh dữ liệu.
A streaming service company is developing a machine learning model to automatically classify its extensive movie library, which includes thousands of titles, into 20 distinct categories based on such as characteristics such as language, director, cast, runtime, etc. To enhance user experience and improve content recommendations, the company needs a model that not only accurately classifies the movies but also provides clear insights into how the classification decisions are made. This transparency will help the team understand which features most influence the categorization, ensuring that the model's decision-making process is fully documented and interpretable.
Which of the following machine learning algorithms would be the most suitable for achieving this goal?
-
A
Logistic Regression
-
B
Neural Networks
-
C
Decision Trees
-
D
Support Vector Machines (SVMs)
Xem giải thích
Đáp án
C — Cây quyết định (Decision Trees)
Vì sao đúng
Đề đòi hai thứ cùng lúc: phân loại chính xác vào 20 nhóm, và giải thích được quyết định phân loại dựa trên đặc trưng nào.
Vế thứ hai mới là vế quyết định. Cây quyết định là mô hình tự giải thích được: đường đi từ gốc tới lá chính là chuỗi luật, đọc thẳng ra tiếng người.
Thời lượng > 120 phút?
├── Có → Ngôn ngữ = tiếng Anh?
│ ├── Có → "Phim chính kịch dài"
│ └── Không → "Phim quốc tế"
└── Không → ...
Không cần công cụ giải thích bên ngoài — bản thân mô hình là lời giải thích. Nó cũng cho ra mức quan trọng của từng đặc trưng, đúng thứ đề yêu cầu.
Vì sao các phương án khác sai
- B. Neural Networks — chính xác cao nhưng là hộp đen; muốn giải thích phải bọc thêm SHAP hay LIME, mà đó vẫn chỉ là ước lượng gần đúng.
- D. SVM — với hạt nhân phi tuyến thì ranh giới quyết định nằm trong không gian nhiều chiều, không diễn giải được.
- A. Logistic Regression — giải thích được, nhưng vốn dựng cho phân loại nhị phân; mở rộng ra 20 lớp phải ghép nhiều mô hình con và mất luôn sự đơn giản đó.
A security company is evaluating Amazon Rekognition to enhance its Machine Learning (ML) capabilities. However, the data science team needs to identify scenarios where Amazon Rekognition may not be the most suitable solution. Understanding these limitations will help the team select the right tools for different aspects of their security system.
Given this context, which of the following use cases is NOT the right fit for Amazon Rekognition?
-
A
Enable multilingual user experiences in your applications
-
B
Searchable media libraries
-
C
Face-based user identity verification
-
D
Celebrity recognition
Xem giải thích
Đáp án
A — Tạo trải nghiệm đa ngôn ngữ cho ứng dụng
Vì sao đúng
Đây là câu hỏi phủ định: tìm việc mà Rekognition không làm. Rekognition là dịch vụ thị giác máy tính — nó chỉ xử lý ảnh và video.
Trải nghiệm đa ngôn ngữ thuộc về nhóm dịch vụ ngôn ngữ: Amazon Translate để dịch, Amazon Polly để đọc thành tiếng, Amazon Transcribe để chuyển giọng nói thành chữ.
Vì sao các phương án khác đều là việc Rekognition làm được
- B. Thư viện media tìm kiếm được — tự gắn nhãn cho ảnh và video (vật thể, cảnh, hoạt động) để tìm theo nội dung.
- C. Xác minh danh tính bằng khuôn mặt — so khớp khuôn mặt kèm phát hiện giả mạo (liveness); đúng nhu cầu của một công ty bảo mật.
- D. Nhận diện người nổi tiếng — tính năng có sẵn của dịch vụ.
Ghi nhớ
Với dạng câu hỏi "cái nào KHÔNG phù hợp", cách nhanh nhất là xác định phương thức dữ liệu: Rekognition = ảnh và video. Bất kỳ phương án nào nói về chữ hoặc tiếng nói đều là câu trả lời.
A financial services company is developing machine learning models to predict customer credit risk and detect fraudulent transactions. After deploying the models, the company observes that the predictions are not as accurate as desired, leading to potential financial losses or missed fraud detections. To improve the accuracy of these models, the company has hired you as an AI Practitioner.
Which approach would you recommend to enhance the accuracy of the company's machine learning models?
-
A
The company should increase the number of epochs, which involves training the model for more iterations over the dataset
-
B
The company should reduce the batch size, which means processing fewer samples in each training step
-
C
The company should decrease the learning rate, which reduces the size of the steps taken during optimization
-
D
The company should increase regularization to improve the accuracy of the model
Xem giải thích
Đáp án
A — Tăng số epoch, tức là huấn luyện thêm nhiều vòng trên tập dữ liệu
Vì sao đúng
Trong bốn phương án, đây là cái duy nhất nhắm vào việc mô hình chưa học đủ — tức là thiếu khớp (underfitting), nguyên nhân thường gặp khi độ chính xác thấp ngay từ đầu. Mỗi epoch là một lượt mô hình đi hết dữ liệu; dừng quá sớm thì nó chưa kịp hội tụ.
Vì sao các phương án khác sai
Cả ba đều không nhằm tăng độ chính xác:
- D. Tăng điều chuẩn (regularization) — cố ý hạn chế mô hình để chống quá khớp; nó thường giảm độ chính xác trên tập huấn luyện, đổi lấy khả năng khái quát.
- C. Giảm learning rate — làm quá trình học ổn định hơn nhưng chậm hơn; không tự nó nâng độ chính xác.
- B. Giảm batch size — ảnh hưởng tới độ nhiễu của gradient và bộ nhớ tiêu thụ, không phải đòn bẩy về độ chính xác.
Ghi chú về chất lượng câu hỏi
Cần nói thẳng: tăng epoch không phải lúc nào cũng đúng. Nếu mô hình đang quá khớp thì huấn luyện thêm chỉ làm nặng hơn. Trong thực tế bạn phải nhìn đường cong lỗi trên tập kiểm định: còn giảm thì tăng epoch có ích, đã quay đầu đi lên thì phải dừng sớm (early stopping) chứ không phải chạy tiếp. Câu hỏi này chấm theo cách đọc "mô hình chưa hội tụ", nên A là đáp án — nhưng đừng mang nguyên tắc đó ra đời thật mà bỏ qua đường cong kiểm định.
A technology company is utilizing multiple machine learning models across different departments, such as marketing, customer support, and product development, to address various business needs. To enhance overall performance, the company wants these models to learn from each other by sharing the latest data insights and patterns discovered by each model. The goal is to optimize the models' accuracy and efficiency by effectively using the most up-to-date information available from all sources.
Given this objective, which approach would be the most suitable for achieving cross-model optimization?
-
A
The company should use self-supervised learning, a technique where the model learns patterns and representations from unlabeled data without relying on explicit supervision or labeled datasets
-
B
The company should use transfer learning, a method where a model pre-trained on one task is adapted to improve performance on a different but related task by leveraging knowledge from the original task
-
C
The company should use incremental training, an approach that allows models to be updated incrementally with new data without needing a complete retraining from scratch
-
D
The company should use reinforcement learning, a strategy where an agent learns to make decisions by interacting with an environment and receiving rewards or penalties based on its actions
Xem giải thích
Đáp án
B — Transfer learning (học chuyển giao)
Vì sao đúng
Đề mô tả nhiều mô hình ở các phòng ban khác nhau, và mong muốn mô hình này tận dụng được cái mô hình kia đã học. Đó chính là định nghĩa của transfer learning: lấy tri thức từ một mô hình đã huấn luyện cho nhiệm vụ này rồi áp sang nhiệm vụ khác nhưng có liên quan.
Cách làm thông thường là giữ lại các tầng đã học được đặc trưng chung, rồi huấn luyện lại phần cuối cho nhiệm vụ mới. Nhờ vậy nhiệm vụ mới cần ít dữ liệu và ít thời gian hơn hẳn so với xây từ đầu.
Vì sao các phương án khác sai
- C. Incremental training — cập nhật chính mô hình đó bằng dữ liệu mới; nó cải thiện theo chiều thời gian, không chia sẻ gì giữa các mô hình khác nhau. Đây là phương án nhiễu chính, và điểm phân biệt là: incremental đi theo trục thời gian, transfer đi giữa các nhiệm vụ.
- A. Self-supervised learning — cách tạo nhãn từ chính dữ liệu không nhãn; là kiểu huấn luyện, không phải cơ chế chia sẻ tri thức.
- D. Reinforcement learning — học qua thưởng phạt khi tương tác với môi trường; không liên quan.