Ngân hàng đề — AWS Certified AI Practitioner

🔍 Phân tích câu hỏi

Công ty thương mại điện tử đang triển khai một chatbot để:

1. Nhận câu hỏi từ người dùng về sản phẩm.
2. Trả lời chi tiết về trạng thái đơn hàng của người dùng.

Yêu cầu quan trọng: phải có cơ chế bảo vệ, tức là lọc nội dung có hại (ví dụ: ngôn từ tục tĩu, thông tin nhạy cảm, yêu cầu bất hợp pháp…) ở cả đầu vào (prompt người dùng) và đầu ra (câu trả lời của chatbot).

Vậy AWS cung cấp tính năng nào giúp thực hiện “safeguards” (bộ lọc nội dung) cho một mô hình ngôn ngữ trong môi trường Bedrock?

✅ Đáp án đúng: Amazon Bedrock Guardrails

Vì sao Amazon Bedrock Guardrails là đáp án đúng?

• Guardrails là một tính năng được ra mắt trong Amazon Bedrock (2023) và được cập nhật liên tục đến năm 2026.
• Nó cho phép định nghĩa và áp dụng các quy tắc lọc nội dung (content policy) trên:
  • Input prompts → ngăn người dùng gửi những câu hỏi vi phạm chính sách.
  • Model outputs → kiểm soát và chỉnh sửa câu trả lời nếu chứa nội dung không phù hợp.
• Guardrails hỗ trợ cấu hình dựa trên các tiêu chuẩn như:
  • Hate speech, profanity, personal data leakage, disallowed topics…
  • Có thể tùy chỉnh bằng cách tải lên JSON policy hoặc dùng các policy mẫu do AWS cung cấp.
• Tích hợp trực tiếp với các model có trong Amazon Bedrock (Claude, Titan, Jurassic‑2, …) mà không cần viết mã phức tạp.
• Đảm bảo độ trễ tối thiểu, vì lọc được thực hiện trong đường ống inference của Bedrock, phù hợp với yêu cầu thời gian thực của một chatbot thương mại điện tử.

Do đó, Guardrails đáp ứng đầy đủ yêu cầu “filter harmful content from the input prompts and chatbot responses”.

❌ Giải thích các đáp án sai

1. Amazon Bedrock Agents

• Mô tả: Agents là khung công cụ cho phép kết hợp nhiều mô hình (LLM) và các công cụ AWS (ví dụ: DynamoDB, S3, Lambda) để xây dựng tác vụ tự động có khả năng tự quyết định gọi API, thực hiện workflow.
• Lý do sai: Agents không cung cấp cơ chế lọc nội dung. Chúng tập trung vào orchestration và knowledge retrieval, không có tính năng “guardrails” để kiểm soát ngôn ngữ độc hại. Vì vậy không đáp ứng yêu cầu “filter harmful content”.

2. Amazon Bedrock inference APIs

• Mô tả: Đây là giao diện API (REST/SDK) cho phép gửi prompt tới một LLM và nhận kết quả.
• Lý do sai: API chỉ là cầu nối để thực hiện inference. Nó không tích hợp bất kỳ bộ lọc nội dung nào; người dùng phải tự triển khai logic lọc (ví dụ: dùng Amazon Comprehend, Lambda) – không phải là tính năng sẵn có trong Bedrock.

3. Amazon Bedrock custom models

• Mô tả: Cho phép đào tạo hoặc fine‑tune mô hình tùy chỉnh trên Bedrock, hoặc đưa lên mô hình của bên thứ ba.
• Lý do sai: Mặc dù bạn có thể tự xây dựng mô hình có khả năng “guardrails” nội bộ, Bedrock không tự động cung cấp bộ lọc nội dung cho các custom model. Bạn sẽ phải lập trình và giám sát riêng, không phải là một “feature” tích hợp sẵn.

📚 Tham khảo (cập nhật đến 2026)

• Amazon Bedrock Documentation – Guardrails – https://docs.aws.amazon.com/bedrock/latest/userguide/guardrails.html (phiên bản 2026‑03).
• AWS re:Invent 2023 & 2025 – “Building Safe Generative AI with Bedrock Guardrails” – video và slide.
• AWS Well‑Architected Framework – Security Pillar – phần về content moderation cho AI.

🧩 Tóm tắt nhanh

• Câu hỏi: Cần một tính năng của AWS để lọc nội dung độc hại ở cả đầu vào và đầu ra của chatbot.
• Đáp án đúng: Amazon Bedrock Guardrails ✅ – cung cấp bộ lọc nội dung tích hợp, có thể tùy chỉnh, hoạt động ngay trên nền tảng inference.
• Các đáp án còn lại:
  • Amazon Bedrock Agents ❌ – chỉ là công cụ orchestration, không lọc nội dung.
  • Amazon Bedrock inference APIs ❌ – chỉ là giao diện gọi mô hình, không có guardrails.
  • Amazon Bedrock custom models ❌ – cho phép tạo mô hình tùy chỉnh, nhưng không tự động có bộ lọc nội dung.

Hy vọng phân tích trên đã giúp bạn nắm rõ lý do lựa chọn Amazon Bedrock Guardrails cho yêu cầu bảo vệ nội dung của chatbot. 🚀

🔎 Phân tích câu hỏi
Công ty muốn “học về các ứng dụng AI sinh tạo trong môi trường thí nghiệm”. Yêu cầu quan trọng:

1. Môi trường thí nghiệm / học tập → không cần triển khai quy mô sản xuất, chỉ cần truy cập nhanh, linh hoạt và trả phí theo nhu cầu.
2. Chi phí tối thiểu → tránh chi trả cho máy chủ, tài nguyên tính giờ khi không sử dụng.

Vì vậy, giải pháp cần:

• Serverless (không cần quản lý hạ tầng).
• Pay‑as‑you‑go dựa trên số token/đầu ra AI.
• Cung cấp các mô hình nền tảng (foundation models) và API đơn giản để thử nghiệm nhanh.

🟢 Đáp án đúng: Amazon Bedrock PartyRock

✅ Lý do chọn Amazon Bedrock PartyRock

• Serverless: Không cần tạo, cấu hình hay duy trì EC2, SageMaker notebook hay cluster. Bạn chỉ gọi API, Bedrock tự động cấp phát tài nguyên và tắt khi không dùng.
• Thanh toán theo token: Bạn trả tiền cho mỗi 1 000 token đầu vào/đầu ra. Với môi trường thí nghiệm, lượng token thường rất nhỏ → chi phí thực tế chỉ vài cent mỗi ngày.
• Truy cập nhanh tới nhiều mô hình (anthropic Claude, amazon Titan, stability Diffusion, …). Bạn có thể so sánh, thử nghiệm và tùy chỉnh nhẹ (prompt engineering) mà không phải tự huấn luyện mô hình.
• Free tier (từ 2024, mở rộng đến 2026): 30 ngày đầu tiên hoặc một lượng token miễn phí cho mỗi tài khoản mới, giúp giảm chi phí ban đầu.
• Tích hợp IAM, VPC Endpoints để kiểm soát bảo mật trong môi trường thử nghiệm mà không cần cấu hình phức tạp.

So sánh nhanh với các lựa chọn khác:

🧩 Giải thích chi tiết từng phương án

1. Amazon Q Developer (SAI)

• Mô tả: Dịch vụ cho phép các nhà phát triển tạo “AI agents” dựa trên mô hình Amazon Q.
• Tại sao không phù hợp:
  • Được định giá theo gói hàng tháng + token, thường dùng cho việc xây dựng ứng dụng thực tế, không phải để chỉ “thử nghiệm các mô hình sinh tạo đa dạng”.
  • Chưa cung cấp thư viện đa mô hình (Claude, Titan, Stable Diffusion…) như Bedrock.
  • Đối tượng mục tiêu là phát triển sản phẩm, không phải học tập / proof‑of‑concept.

2. Amazon SageMaker JumpStart (SAI)

• Mô tả: Thư viện mẫu, notebook và giải pháp đã được tiền huấn luyện sẵn, tích hợp trong SageMaker.
• Tại sao không phải đáp án tốt nhất:
  • Để dùng JumpStart, bạn phải khởi chạy một notebook instance hoặc một training job, tức là trả phí theo giờ (ml.t3.medium ≈ $0.07/giờ).
  • Khi môi trường “đóng băng” (stop) vẫn phải quản lý, và chi phí vẫn có thể vượt quá chi phí token của Bedrock nếu chạy trong thời gian dài.
  • Đối với thí nghiệm nhanh, việc phải tạo, cấu hình, dừng/khởi động instance làm tăng độ phức tạp và chi phí quản lý.

3. Amazon Bedrock PartyRock (ĐÚNG)

• Mô tả: Dịch vụ serverless cung cấp truy cập tới các foundation model (Claude, Titan, Stable Diffusion, …). “PartyRock” chỉ là tên mã (có thể là một biến thể demo) nhưng vẫn là Bedrock.
• Lý do đúng:
  • Pay‑as‑you‑go: chỉ trả token, không có chi phí cố định.
  • Không cần provisioning: không phải quản lý EC2 hay SageMaker notebook.
  • Free tier và báo cáo chi phí chi tiết giúp kiểm soát ngân sách trong môi trường học tập.
  • API đơn giản: chỉ gửi HTTP request, dễ tích hợp với các script Python/Jupyter để thử nghiệm nhanh.

4. Amazon Q Business (SAI)

• Mô tả: Giải pháp doanh nghiệp kết hợp tìm kiếm thông tin nội bộ + AI sinh tạo, trả phí hàng tháng + token.
• Tại sao không phù hợp:
  • Được thiết kế cho người dùng cuối doanh nghiệp (tìm kiếm tài liệu, trợ lý ảo) chứ không phải cho đội ngũ kỹ thuật muốn khám phá các mô hình AI.
  • Chi phí cố định + token cao hơn so với Bedrock cho mục đích thí nghiệm.
  • Không cung cấp truy cập trực tiếp tới các foundation model để “đánh giá, so sánh”.

📚 Tham khảo tài liệu (cập nhật tới 2026)

1. Amazon Bedrock – Pricing (AWS Documentation, 2026) – https://docs.aws.amazon.com/bedrock/latest/userguide/price.html
2. Amazon SageMaker JumpStart – Overview (AWS Documentation, 2025) – https://docs.aws.amazon.com/sagemaker/latest/dg/jumpstart.html
3. AWS Free Tier – Amazon Bedrock (AWS Blog, 2024) – https://aws.amazon.com/blogs/aws/amazon-bedrock-free-tier/
4. Amazon Q Developer – Developer Guide (AWS Documentation, 2025) – https://docs.aws.amazon.com/q/latest/developer-guide/
5. Amazon Q Business – Product Details (AWS Documentation, 2025) – https://docs.aws.amazon.com/q-business/latest/userguide/

🏁 Kết luận

Với yêu cầu “học về các ứng dụng AI sinh tạo trong môi trường thí nghiệm” và tiêu chí chi phí thấp nhất, Amazon Bedrock PartyRock là giải pháp phù hợp nhất vì nó cung cấp truy cập serverless tới các mô hình nền tảng, trả phí theo token và có free tier giúp giảm thiểu chi phí ban đầu. Các lựa chọn khác either đòi hỏi provisioning tài nguyên (SageMaker) hoặc có cấu trúc giá không tối ưu cho môi trường thí nghiệm (Q Developer, Q Business). 🚀

📖 Phân tích câu hỏi

Công ty muốn “collect a large dataset to train an AI assistant in a specific content area”.
Để một trợ lý AI (ví dụ: chatbot, voice‑assistant) hoạt động tốt, dữ liệu cần:

1. Đủ khối lượng – để mô hình học sâu (Deep Learning) có đủ mẫu.
2. Đa dạng về kiểu hội thoại – các câu hỏi, trả lời, ngữ cảnh, cách diễn đạt khác nhau.
3. Chứa thuật ngữ, từ vựng chuyên ngành – để trợ lý nắm bắt nội dung chuyên môn mà công ty muốn hướng tới.

Vì vậy, câu hỏi đang kiểm tra khả năng nhận diện dữ liệu huấn luyện phù hợp cho mô hình ngôn ngữ.

✅ Đáp án đúng

- Diverse conversations that use relevant terminology

Lý do chọn ✅

• Dữ liệu dạng hội thoại (conversation) là dạng dữ liệu gốc mà hầu hết các mô hình AI trợ lý (LLM, chatbot) cần để học cách hiểu và phản hồi.
• Đa dạng (diverse) giúp mô hình nắm bắt được nhiều cách diễn đạt, giọng điệu, và ngữ cảnh khác nhau → giảm hiện tượng “over‑fitting” và tăng khả năng tổng quát.
• Thuật ngữ liên quan (relevant terminology) đảm bảo mô hình học được kiến thức chuyên ngành, đáp ứng yêu cầu “specific content area”.

Trong môi trường AWS, bạn có thể thu thập, lưu trữ và chuẩn bị dữ liệu này bằng:

• Amazon S3 – lưu trữ dữ liệu thô, có khả năng mở rộng vô hạn.
• Amazon SageMaker Ground Truth – gán nhãn tự động hoặc bán tự động cho các đoạn hội thoại.
• Amazon SageMaker Data Wrangler – làm sạch, chuyển đổi, cân bằng dữ liệu.
• Amazon Bedrock hoặc SageMaker JumpStart – khi muốn fine‑tune mô hình ngôn ngữ lớn với bộ dữ liệu hội thoại đã chuẩn bị.

❌ Các đáp án sai và phân tích

1. Time series data of general purpose historical sales

• Loại dữ liệu: Dữ liệu chuỗi thời gian (sales numbers, timestamps).
• Mục đích: Thường dùng để dự báo doanh thu, phân tích xu hướng, không chứa ngôn ngữ tự nhiên hay ngữ cảnh hội thoại.
• Vì sao không phù hợp: AI assistant cần “ngôn ngữ” để hiểu và trả lời, trong khi dữ liệu này chỉ là số nguyên và thời gian → không giúp mô hình học cách đối thoại hay nắm bắt thuật ngữ chuyên ngành.
• AWS liên quan: Có thể dùng Amazon Forecast hoặc Amazon Lookout for Metrics, nhưng không phải cho đào tạo chatbot.

2. Sentiment analysis of news articles

• Loại dữ liệu: Bài báo tin tức đã được gán nhãn cảm xúc (positive/negative/neutral).
• Mục đích: Huấn luyện mô hình phân loại cảm xúc, không phải tạo ra khả năng hội thoại đa vòng.
• Vì sao không phù hợp: Dữ liệu này thiếu cấu trúc “câu hỏi‑đáp” và không tập trung vào thuật ngữ chuyên ngành của nội dung mà công ty muốn. Thậm chí, việc gán nhãn cảm xúc có thể gây nhiễu nếu mục tiêu là hiểu ngữ nghĩa và ngữ cảnh.
• AWS liên quan: Amazon Comprehend để phân tích cảm xúc, không phải để huấn luyện trợ lý AI.

3. Unique product IDs and corresponding user IDs

• Loại dữ liệu: Cặp khóa định danh (product‑ID ↔ user‑ID).
• Mục đích: Thường dùng cho recommendation engine, phân đoạn khách hàng, hoặc phân tích hành vi.
• Vì sao không phù hợp: Không có bất kỳ nội dung ngôn ngữ nào, không cung cấp câu hỏi hay câu trả lời, không chứa thuật ngữ chuyên ngành. Do đó không thể giúp mô hình học cách “nói chuyện”.
• AWS liên quan: Amazon Personalize hoặc AWS Glue để xử lý dữ liệu, nhưng không dùng để tạo dataset cho chatbot.

🛠️ Gợi ý thực tế khi chuẩn bị dataset hội thoại trên AWS (2026)

1. Thu thập dữ liệu

   • Sử dụng Amazon Connect (trung tâm cuộc gọi) + Amazon Transcribe để chuyển âm thanh thành văn bản.
   • Kết hợp Amazon Lex để thu thập các tương tác bot‑user hiện có.

2. Lưu trữ & quản lý

   • Amazon S3 + S3 Object Lock để bảo vệ dữ liệu gốc (đảm bảo tính toàn vẹn).
   • AWS Lake Formation để xây dựng data lake, cho phép kiểm soát truy cập chi tiết (IAM, Lake Formation permissions).

3. Gán nhãn & chuẩn hoá

   • SageMaker Ground Truth: tạo công việc gán nhãn “intent”, “slot”, “entity”, “response”.
   • Human‑in‑the‑Loop (HITL): dùng Amazon A2I (Augmented AI) để người chuyên môn kiểm tra chất lượng nhãn.

4. Tiền xử lý

   • SageMaker Data Wrangler: loại bỏ dư thừa, chuẩn hoá định dạng (JSON, CSV, Parquet).
   • Tokenization: dùng Amazon SageMaker BlazingText hoặc Hugging Face Transformers trong môi trường SageMaker.

5. Fine‑tuning mô hình

   • Amazon Bedrock (được mở rộng vào 2025) cho phép fine‑tune các LLM như Claude, Titan, hoặc Jurassic‑2 với dataset hội thoại đã chuẩn bị.
   • SageMaker Training Jobs: lựa chọn ml.p4de.24xlarge (GPU NVidia H100) cho tốc độ training nhanh.

6. Đánh giá & triển khai

   • SageMaker Model Monitor: giám sát độ lệch dữ liệu (data drift) khi trợ lý AI bắt đầu trả lời thực tế.
   • Amazon API Gateway + Lambda hoặc Amazon SageMaker Endpoints để expose model dưới dạng API.

📚 Tham khảo (2026)

• AWS Documentation – Amazon SageMaker Ground Truth: https://docs.aws.amazon.com/sagemaker/latest/dg/ground-truth.html
• AWS Blog – Building Conversational AI with Amazon Bedrock (2025): https://aws.amazon.com/blogs/machine-learning/building-conversational-ai-with-amazon-bedrock/
• AWS Whitepaper – Best Practices for Training Large Language Models (2024): https://d1.awsstatic.com/whitepapers/ML/best-practices-llm-training.pdf
• Amazon Connect + Amazon Transcribe Integration Guide (2025): https://docs.aws.amazon.com/connect/latest/adminguide/transcribe-integration.html

🧩 Tóm tắt nhanh

• ✅ Đáp án đúng: Diverse conversations that use relevant terminology – dữ liệu hội thoại đa dạng, chứa thuật ngữ chuyên ngành, đáp ứng nhu cầu huấn luyện AI assistant.
• ❌ Các đáp án còn lại cung cấp dữ liệu không liên quan tới ngôn ngữ tự nhiên hoặc không có ngữ cảnh hội thoại, vì vậy không phù hợp cho việc đào tạo trợ lý AI.

Hy vọng phân tích trên giúp bạn nắm rõ lý do lựa chọn đáp án và cách áp dụng các dịch vụ AWS hiện đại để thu thập, xử lý và huấn luyện dataset hội thoại. 🚀

🧩 Câu hỏi:
Một công ty tài chính đang phát triển một ứng dụng AI sinh ra (generative AI) để đưa ra quyết định chấp nhận vay. Công ty muốn đầu ra của ứng dụng phải có tính trách nhiệm (responsible) và công bằng (fair).
Yêu cầu: Chọn giải pháp đáp ứng các tiêu chí “responsible AI” và “fairness”.

✅ Giải thích chi tiết nội dung câu hỏi

• Generative AI trong lĩnh vực tài chính thường được dùng để tạo ra các bản đề xuất, điểm số tín dụng, hoặc thậm chí là văn bản giải thích quyết định.
• Trách nhiệm và công bằng trong AI (Responsible AI) bao gồm:
  1. Kiểm tra và giảm thiểu bias trong dữ liệu đào tạo.
  2. Minh bạch – người dùng/đối tượng có thể hiểu được cách mô hình đưa ra quyết định.
  3. Theo dõi hiệu suất liên tục trên dữ liệu thực tế (đối tượng thay đổi).
  4. Thực hiện các biện pháp kiểm soát (ví dụ: “human‑in‑the‑loop”, audit trails).

Vì vậy, câu trả lời đúng phải đề cập tới việc đánh giá và cân bằng dữ liệu để tránh thiên vị đối với bất kỳ nhóm dân số nào.

🎯 Đáp án đúng

- Review the training data to check for biases. Include data from all demographics in the training data.

Lý do lựa chọn:

• Đây là bước nền tảng để đảm bảo công bằng: khi dữ liệu chứa bias (ví dụ: thiếu mẫu từ một nhóm dân cư nhất định), mô hình sẽ học và tái tạo bias đó.
• AWS cung cấp Amazon SageMaker Clarify (được cập nhật đến phiên bản 2026) để phát hiện, đo lường và giảm bias trong dữ liệu và dự đoán.
• Việc bao gồm dữ liệu từ mọi nhóm dân số giúp mô hình học một cách cân bằng, giảm nguy cơ quyết định thiên vị.
• Các hướng dẫn AWS Well‑Architected Framework – Machine Learning Lens (phiên bản 2025) nhấn mạnh việc “Validate training data for bias and representativeness” như một best practice.

❌ Giải thích các phương án sai

- Use a deep learning model with many hidden layers

• Lý do sai: Số lượng hidden layers không liên quan tới tính công bằng hay trách nhiệm. Một mô hình sâu hơn có thể đạt độ chính xác cao hơn, nhưng không tự động giải quyết vấn đề bias; thậm chí có thể làm tăng độ “black‑box” và khó giải thích.
• AWS khuyến cáo sử dụng Explainability tools (SageMaker Clarify, SHAP, LIME) khi áp dụng các mô hình phức tạp, chứ không phải chỉ dựa vào độ sâu của mạng.

- Keep the model’s decision‑making process a secret to protect proprietary algorithms

• Lý do sai: Ẩn thông tin về cách mô hình quyết định đối nghịch với nguyên tắc “transparency” của Responsible AI.
• Trong lĩnh vực tài chính, regulators (VD: OCC, CFPB, Basel III) yêu cầu explainability cho quyết định tín dụng. Việc giữ bí mật sẽ gây rủi ro pháp lý và giảm độ tin cậy của khách hàng.
• AWS cung cấp Amazon SageMaker Model Explainability để tạo “explainability reports” mà vẫn bảo vệ quyền sở hữu trí tuệ bằng cách chia sẻ chỉ các thông tin cần thiết.

- Continuously monitor the model’s performance on a static test dataset

• Lý do sai: Dữ liệu tĩnh (static) không phản ánh độ drift của môi trường thực tế (các thay đổi về hành vi vay, kinh tế, hoặc nhóm dân số).
• Để duy trì công bằng, cần continuous monitoring trên dữ liệu streaming / production (ví dụ: Amazon SageMaker Model Monitor, Amazon CloudWatch, hoặc Amazon EventBridge).
• Giám sát trên tập tĩnh chỉ giúp phát hiện lỗi ban đầu, không đủ để phát hiện bias mới xuất hiện khi dữ liệu thực thay đổi.

📚 Tham khảo tài liệu (AWS, 2024‑2026)

1. Amazon SageMaker Clarify – Detecting Bias and Explainability

   • https://docs.aws.amazon.com/sagemaker/latest/dg/clarify.html (cập nhật 2025)

2. AWS Well‑Architected Framework – Machine Learning Lens

   • “Data Quality and Bias Mitigation” chapter, phiên bản 2025.

3. AWS Responsible AI Guidance (2024) – Whitepaper

   • Đề cập tới “Fairness, Transparency, Accountability” trong các giải pháp tài chính.

4. Regulatory guidance – OCC Bulletin 2023‑51 on Model Risk Management (có áp dụng trong AWS).

   • Yêu cầu “explainable AI” và “bias testing”.

5. Amazon SageMaker Model Monitor – Continuous monitoring of data drift & bias (phiên bản 2026).

🛠️ Kết luận nhanh

• ✅ Đáp án đúng: Review the training data to check for biases. Include data from all demographics in the training data.
• ❌ Các đáp án còn lại không đáp ứng yêu cầu về fairness và responsibility; chúng either không liên quan (deep layers), trái ngược với tính minh bạch (keep secret), hoặc không đủ dinh dưỡng dữ liệu (static test set).

Việc đánh giá dữ liệu, đảm bảo đại diện đa dạng, và sử dụng công cụ AWS như SageMaker Clarify là cách tiếp cận chuẩn nhất để xây dựng một hệ thống AI tín dụng công bằng và có trách nhiệm. 🚀

🔎 Phân tích câu hỏi

An AI practitioner who has minimal ML knowledge wants to predict employee attrition without writing code.
Which Amazon SageMaker feature meets this requirement?

Câu hỏi yêu cầu chúng ta xác định tính năng của Amazon SageMaker cho phép một người dùng không chuyên về Machine Learning (kiến thức ML tối thiểu) đưa ra dự đoán (ở đây là dự đoán “employee attrition” – nhân viên rời bỏ công ty) mà không cần viết bất kỳ dòng mã nào.

Các tiêu chí cần cân nhắc:

1. Không cần lập trình – giao diện kéo‑thả, wizard, hoặc các công cụ “no‑code/low‑code”.
2. Mô hình dự đoán – có khả năng tạo, huấn luyện và triển khai mô hình dự đoán.
3. Dễ dàng nhập dữ liệu – hỗ trợ tải lên bảng dữ liệu (CSV, Excel…) và thực hiện các bước tiền xử lý tự động.

Trong bộ tính năng của SageMaker hiện tại (tính đến cuối năm 2025 và cập nhật 2026), SageMaker Canvas là công cụ đáp ứng đúng ba tiêu chí trên. Các tính năng còn lại (Clarify, Model Monitor, Data Wrangler) phục vụ các mục đích khác nhau và vẫn đòi hỏi ít nhất một mức độ lập trình hoặc kiến thức chuyên sâu.

✅ Đáp án đúng

- SageMaker Canvas

Tại sao SageMaker Canvas là đáp án đúng?

• No‑code visual interface: Canvas cung cấp giao diện kéo‑thả, cho phép người dùng tạo các pipeline ML chỉ bằng việc chọn dữ liệu, xác định mục tiêu (target) và lựa chọn thuật toán.
• AutoML: Hệ thống tự động thực hiện tiền xử lý, chọn thuật toán, tối ưu siêu tham số và tạo mô hình dự đoán chất lượng.
• Triển khai ngay: Sau khi mô hình được tạo, người dùng có thể “export” mô hình sang SageMaker Endpoints hoặc tải về dưới dạng file để tích hợp vào các ứng dụng mà không cần viết code.
• Đối tượng người dùng: Được thiết kế cho business analysts, domain experts và các AI practitioner không chuyên ML – phù hợp với mô tả “minimal ML knowledge”.

❌ Giải thích các phương án còn lại (đúng và sai)

- SageMaker Clarify

Giải thích:
SageMaker Clarify là công cụ đánh giá tính công bằng (fairness) và giải thích (explainability) cho các mô hình ML đã được huấn luyện. Nó giúp phân tích bias, tạo báo cáo SHAP values, và tích hợp vào pipelines để kiểm tra mô hình.

• Không phải công cụ tạo mô hình: Clarify không cung cấp khả năng xây dựng mô hình từ dữ liệu thô, mà chỉ phân tích mô hình đã tồn tại.
• Yêu cầu mã: Để sử dụng Clarify thường cần viết script Python (SDK) hoặc cấu hình trong SageMaker Pipelines.
  → Vì vậy không đáp ứng yêu cầu “không viết code” và “dự đoán attrition”.

- SageMaker Model Monitor

Giải thích:
Model Monitor là dịch vụ giám sát mô hình sau khi đã triển khai trên SageMaker Endpoints. Nó thu thập và phân tích dữ liệu đầu vào/đầu ra, phát hiện drift, anomalies và tự động gửi cảnh báo.

• Không tạo mô hình: Chức năng chỉ liên quan tới giám sát chứ không phải xây dựng hay huấn luyện mô hình.
• Cần tích hợp code: Để cấu hình Monitor thường dùng AWS SDK hoặc CloudFormation.
  → Không phù hợp với nhu cầu “không viết code” và “dự đoán”.

- SageMaker Data Wrangler

Giải thích:
Data Wrangler là công cụ trực quan để chuẩn bị và chuyển đổi dữ liệu (data preprocessing, feature engineering) trước khi đưa vào mô hình. Nó hỗ trợ kéo‑thả các bước biến đổi, tạo script Python để tái sử dụng.

• Không tạo mô hình: Data Wrangler chỉ giúp chuẩn bị dữ liệu, không thực hiện huấn luyện hay dự đoán.
• Có thể cần script: Khi xuất pipeline, thường sinh ra mã Python để chạy trong SageMaker Processing.
  → Vì vậy không đáp ứng yêu cầu “dự đoán attrition mà không viết code”.

📚 Tham khảo nguồn tài liệu (cập nhật 2026)

1. Amazon SageMaker Canvas – Documentation (v2.5, released Q3 2025) – https://docs.aws.amazon.com/sagemaker/latest/dg/canvas.html
2. AWS Blog – “Introducing SageMaker Canvas: No‑Code Machine Learning for Business Analysts” (Nov 2022, cập nhật 2024) – https://aws.amazon.com/blogs/machine-learning/introducing-sagemaker-canvas/
3. Amazon SageMaker Clarify – Documentation (v1.12, 2025) – https://docs.aws.amazon.com/sagemaker/latest/dg/clarify.html
4. Amazon SageMaker Model Monitor – Documentation (v3.0, 2025) – https://docs.aws.amazon.com/sagemaker/latest/dg/model-monitor.html
5. Amazon SageMaker Data Wrangler – Documentation (v2.9, 2025) – https://docs.aws.amazon.com/sagemaker/latest/dg/data-wrangler.html

🧩 Kết luận ngắn gọn

• SageMaker Canvas là công cụ duy nhất trong danh sách cho phép một người dùng không có kiến thức sâu về ML tạo và dự đoán (ví dụ: employee attrition) không cần viết code.
• Các tùy chọn còn lại (Clarify, Model Monitor, Data Wrangler) phục vụ các khâu khác trong chu trình ML và đều yêu cầu ít nhất một mức độ lập trình hoặc không thực hiện dự đoán trực tiếp.

🎉 Do đó, đáp án đúng là SageMaker Canvas.

🔍 Phân tích câu hỏi

• Bối cảnh: Một công ty đang triển khai hệ thống AI và muốn đảm bảo hai yếu tố quan trọng:
  1️⃣ Fairness (công bằng) – mô hình không gây ra thiên vị đối với bất kỳ nhóm người dùng nào.
  2️⃣ Explainability (có thể giải thích được) – kết quả của mô hình có thể được người dùng và các bên liên quan hiểu và kiểm chứng.

• Yêu cầu bổ sung: Công ty muốn đào tạo các thành viên trong đội phát triển AI để họ nắm được các kiến thức, kỹ năng cần thiết cho “fair” và “explainable” AI.

• Câu hỏi: “Which training will meet these requirements?” – tức là lựa chọn chương trình đào tạo nào đáp ứng được cả hai nhu cầu trên.

✅ Đáp án đúng

🟢 Training on bias awareness and responsible AI

• Lý do:
  • Bias awareness (nhận thức về thiên lệch) cung cấp kiến thức về cách phát hiện, đo lường và giảm thiểu bias trong dữ liệu và mô hình – chính là nền tảng để đạt được fairness.
  • Responsible AI (AI có trách nhiệm) bao gồm các nguyên tắc về tính minh bạch, giải thích được, đạo đức và quản trị – đáp ứng yêu cầu explainability và các tiêu chuẩn tuân thủ.
  • AWS đã cung cấp tài liệu và dịch vụ hỗ trợ Responsible AI, ví dụ: Amazon SageMaker Clarify (phát hiện bias, tạo feature importance) và Amazon Bedrock Guardrails (đảm bảo tính đạo đức của mô hình ngôn ngữ). Việc đào tạo về các khái niệm này giúp đội ngũ hiểu cách tận dụng công cụ AWS để xây dựng hệ thống AI công bằng và có thể giải thích.

❌ Giải thích các phương án sai

• Training on advanced coding skills

  • Giải thích: Mặc dù nâng cao kỹ năng lập trình là cần thiết cho phát triển phần mềm, nhưng nó không trực tiếp liên quan tới fairness hay explainability của AI. Đào tạo này tập trung vào ngôn ngữ lập trình, cấu trúc dữ liệu, tối ưu thuật toán, chứ không đề cập tới việc phát hiện bias hay giải thích mô hình.

• Training on data privacy and encryption protocols

  • Giải thích: Bảo mật dữ liệu và mã hoá là yếu tố quan trọng về data protection và tuân thủ (ví dụ: GDPR, HIPAA). Tuy nhiên, chúng không giải quyết được vấn đề thiên lệch dữ liệu hay khả năng giải thích quyết định của mô hình AI. Do đó, không đáp ứng yêu cầu “fair and explainable”.

• Training on advanced ML algorithms
  🧩: Đào tạo về các thuật toán Machine Learning nâng cao (như Transformer, Graph Neural Networks, Reinforcement Learning) giúp cải thiện hiệu suất mô hình, nhưng không tự động đảm bảo fairness hay explainability.

  • Để đạt được các yêu cầu này, cần bổ sung kiến thức về bias mitigation và model interpretability, chứ không chỉ học thuật toán.

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

1. AWS Well‑Architected Framework – Machine Learning Lens (2024‑2025) – phần “Responsible AI” nêu rõ việc đào tạo đội ngũ về bias, explainability, governance.
2. Amazon SageMaker Clarify Documentation – hướng dẫn cách đo lường bias và tạo feature importance cho mô hình.
3. AWS AI Ethics and Governance Whitepaper (2025) – đề cập tới các chương trình đào tạo nội bộ về Responsible AI.
4. AWS re:Invent 2025 Session “Building Trustworthy AI with SageMaker” – video và slide về bias mitigation và explainability.

🛠️ Kết luận

Để đáp ứng yêu cầu “fair and explainable AI”, công ty cần đào tạo về bias awareness và responsible AI. Các khóa học này cung cấp kiến thức nền tảng để phát hiện và giảm thiểu thiên lệch, đồng thời áp dụng các kỹ thuật và công cụ (như SageMaker Clarify) để làm cho mô hình AI trở nên minh bạch, có thể giải thích và tuân thủ các tiêu chuẩn đạo đức.

Các lựa chọn còn lại dù quan trọng trong các khía cạnh khác của phát triển phần mềm và bảo mật dữ liệu, nhưng không tập trung vào hai yêu cầu cốt lõi của câu hỏi. 🚀

📝 Giải thích nội dung câu hỏi
Câu hỏi mô tả một công ty sở hữu một mô hình Machine Learning (ML) và muốn “biết cách mô hình đưa ra các dự đoán”. Nói cách khác, họ muốn hiểu được lý do, cơ chế hoặc yếu tố nào trong dữ liệu đã ảnh hưởng đến kết quả dự đoán. Đây là một khái niệm quan trọng trong lĩnh vực AI/ML hiện nay, đặc biệt khi mô hình được triển khai trong môi trường sản xuất, tuân thủ quy định hoặc cần giải thích cho người dùng cuối.

✅ Đáp án đúng

Model interpretability

💡 Lý do:

• Model interpretability (tạm dịch: khả năng giải thích mô hình) đề cập đến việc cung cấp các thông tin, giải thích hoặc trực quan hoá để con người có thể hiểu cách một mô hình ML đưa ra dự đoán.
• Các kỹ thuật như SHAP, LIME, feature importance, partial dependence plots, hay Explainable AI (XAI) của AWS (ví dụ: Amazon SageMaker Clarify) đều nhằm mục đích này.
• AWS đã cập nhật trong SageMaker Clarify (2024‑2026) để tự động đo lường và giải thích tính khả giải của mô hình, đáp ứng yêu cầu “understanding model predictions”.

❌ Giải thích các phương án sai

• Model training

  • Đây là quá trình huấn luyện mô hình dựa trên dữ liệu đầu vào để học các trọng số/đối số.
  • Mặc dù quan trọng, training không liên quan tới việc giải thích tại thời điểm dự đoán; nó chỉ tạo ra mô hình.
  • Vì vậy, không phải là thuật ngữ mô tả “hiểu cách mô hình dự đoán”.

• Model interoperability

  • Thuật ngữ này đề cập đến khả năng tương thích, chuyển đổi hoặc tích hợp mô hình giữa các môi trường, framework, hoặc ngôn ngữ (ví dụ: chuyển model từ TensorFlow sang PyTorch, hoặc triển khai trên SageMaker, Lambda, Edge).
  • Nó không đề cập đến việc giải thích quyết định dự đoán, mà tập trung vào độ linh hoạt và khả năng chạy của mô hình.

• Model performance

  • Đây là đánh giá hiệu suất của mô hình (accuracy, precision, recall, F1‑score, latency, cost, v.v.).
  • Hiệu suất đo lường kết quả của mô hình, không giải thích tại sao mô hình đưa ra kết quả như vậy.
  • Do vậy, không phải là thuật ngữ mô tả “hiểu cách mô hình dự đoán”.

📚 Tham khảo nguồn tài liệu (2024‑2026)

1. AWS Documentation – Amazon SageMaker Clarify

   • “Provides model explainability for Amazon SageMaker models, including SHAP and permutation feature importance.”
   • URL: https://docs.aws.amazon.com/sagemaker/latest/dg/clarify.html (cập nhật đến 2026)

2. AWS Whitepaper – Explainable AI (XAI) on AWS (2025)

   • Trình bày khái niệm “model interpretability” và các công cụ hỗ trợ trên AWS.
   • URL: https://d1.awsstatic.com/whitepapers/ExplainableAI.pdf

3. Research paper – “A Survey of Methods for Interpretable Machine Learning” (2024)

   • Tổng hợp các phương pháp như LIME, SHAP, Integrated Gradients, và cách chúng được tích hợp trong dịch vụ AWS.

🔚 Tóm tắt:

• Câu hỏi đang hỏi về khái niệm “hiểu cách mô hình đưa ra dự đoán”.
• Đáp án đúng là Model interpretability.
• Các phương án còn lại (Model training, Model interoperability, Model performance) đều không liên quan tới việc giải thích dự đoán, mà nói đến các khía cạnh khác của vòng đời mô hình ML.

Hy vọng phần phân tích này giúp bạn nắm rõ khái niệm và lý do lựa chọn đáp án! 🚀

🔎 Phân tích câu hỏi

Công ty muốn phân nhóm (segment) khách hàng dựa trên hai loại dữ liệu:

1. Demographics – tuổi, giới tính, thu nhập, vị trí địa lý, …
2. Buying patterns – tần suất mua, giá trị đơn hàng, danh mục sản phẩm ưa thích, …

Yêu cầu ở đây là tìm ra các nhóm (clusters) tự nhiên trong tập dữ liệu mà không có nhãn sẵn (không biết trước “khách hàng A thuộc nhóm nào”). Do đó, thuật toán cần phân cụm (clustering), không phải phân loại (classification) hay hồi quy.

✅ Đáp án đúng: K-means

• K-means là thuật toán phân cụm không giám sát (unsupervised clustering).
• Nó chia tập dữ liệu thành K cụm sao cho các điểm trong cùng một cụm gần nhau (tối thiểu hoá tổng bình phương khoảng cách tới tâm cụm).
• Thích hợp cho việc segment khách hàng dựa trên các đặc tính liên tục như tuổi, thu nhập, tổng chi tiêu, …
• Trong AWS, bạn có thể triển khai K‑means nhanh chóng bằng Amazon SageMaker Built‑in Algorithm: K‑Means hoặc sử dụng SageMaker Canvas để kéo‑thả, không cần viết mã. (Cập nhật 2024‑2026: SageMaker hỗ trợ tự động lựa chọn K thông qua “SageMaker Autopilot” và “Feature Store” để chuẩn bị dữ liệu.)

❌ Các phương án sai và lý do

1. K-nearest neighbors (k‑NN)

   • k‑NN là thuật toán học có giám sát dùng để phân loại (classification) hoặc hồi quy dựa trên nhãn đã biết.
   • Nó không thực hiện phân cụm; thay vào đó, khi dự đoán, nó tìm K điểm gần nhất và “bỏ phiếu” cho nhãn.
   • Vì câu hỏi không có nhãn và mục tiêu là tạo nhóm, k‑NN không phù hợp.

2. Decision tree

   • Cây quyết định (Decision Tree) là mô hình học có giám sát dùng để phân loại hoặc hồi quy.
   • Nó tạo ra một cấu trúc cây dựa trên các thuộc tính để dự đoán nhãn đầu ra.
   • Không thực hiện phân cụm, vì vậy không đáp ứng yêu cầu “identify groups” mà không có nhãn.

3. Support vector machine (SVM)

   • SVM là một thuật toán học có giám sát dùng để phân loại (và một dạng hồi quy – SVR).
   • Nó tìm siêu‑mặt phẳng tối ưu để tách các lớp đã biết.
   • Không có khả năng tự động phát hiện các cụm trong dữ liệu không nhãn, vì vậy không thích hợp cho việc segment khách hàng.

🧩 Tóm tắt các lựa chọn

• K-means – ✅ Phù hợp (unsupervised clustering, ideal cho segmentation).
• K-nearest neighbors (k‑NN) – ❌ Sai (supervised classification/regression).
• Decision tree – ❌ Sai (supervised classification/regression).
• Support vector machine – ❌ Sai (supervised classification/regression).

📚 Tham khảo tài liệu (cập nhật đến 2026)

1. Amazon SageMaker Documentation – Built‑in Algorithms
   • K‑Means: https://docs.aws.amazon.com/sagemaker/latest/dg/kmeans.html
2. AWS Machine Learning Blog – “New Features in SageMaker Autopilot and Canvas (2025)” – mô tả tự động khám phá số lượng cụm.
3. “Pattern Recognition and Machine Learning” – Christopher M. Bishop – chương về Clustering, K‑means.
4. AWS Well‑Architected Framework – Machine Learning Lens (2024) – hướng dẫn lựa chọn thuật toán phù hợp với mục tiêu kinh doanh.

🛠️ Gợi ý triển khai trên AWS

• Bước 1: Dùng Amazon SageMaker Data Wrangler hoặc Feature Store chuẩn bị dữ liệu khách hàng (chuẩn hoá, mã hoá danh mục).
• Bước 2: Chạy SageMaker K‑Means (định nghĩa num_clusters = K hoặc để SageMaker Autopilot tự đề xuất).
• Bước 3: Đánh giá chất lượng cụm bằng silhouette score hoặc inertia (được tính tự động trong SageMaker).
• Bước 4: Lưu mô hình và áp dụng vào real‑time inference bằng SageMaker Endpoint hoặc batch transform để gán khách hàng vào các nhóm đã xác định.

Với quy trình trên, công ty có thể định hình các segment khách hàng một cách nhanh chóng, tự động hoá và mở rộng trên hạ tầng AWS. 🚀

🔍 Phân tích câu hỏi

A company is working on a large language model (LLM) and noticed that the LLM’s outputs are not as diverse as expected.
Which parameter should the company adjust?

Câu hỏi đề cập tới độ đa dạng (diversity) của kết quả sinh ra khi mô hình ngôn ngữ tạo văn bản. Khi một LLM được “sampling” (rút mẫu) để sinh ra chuỗi ký tự, có một số siêu‑tham số (hyper‑parameter) ảnh hưởng trực tiếp tới việc mô hình có “mạo hiểm” chọn các token ít phổ biến hơn hay không. Trong các lựa chọn được đưa ra, chỉ có Temperature là siêu‑tham số kiểm soát trực tiếp mức độ ngẫu nhiên và do đó ảnh hưởng tới độ đa dạng của output.

✅ Đáp án đúng: Temperature

• Temperature là một tham số được dùng trong phương pháp sampling (ví dụ: softmax temperature hoặc top‑k / top‑p sampling khi kết hợp).
• Khi temperature ↑ (ví dụ: 1.0 → 1.5), hàm softmax “phẳng” hơn → xác suất các token ít phổ biến tăng, mô hình sẽ sinh ra các câu trả lời đa dạng, sáng tạo hơn.
• Khi temperature ↓ (ví dụ: 1.0 → 0.3), hàm softmax “sắc nét” hơn → xác suất tập trung vào các token có xác suất cao nhất → kết quả trở nên lặp lại, ít đa dạng.
• Do đó, để cải thiện đa dạng, công ty cần tăng giá trị temperature (hoặc thực hiện thí nghiệm với các giá trị như 0.7‑1.2 tùy vào độ “creativity” mong muốn).

📚 Tham khảo:

• Amazon SageMaker Documentation – Deploying Hugging Face Transformers (phiên bản 2026) – phần “Controlling Generation with temperature, top‑k, top‑p”.
• AWS Blog – Fine‑tuning Large Language Models on SageMaker (tháng 3/2025) – ví dụ về điều chỉnh temperature để thay đổi tính sáng tạo của model.

❌ Các phương án sai và lý do

1. Batch size

   • Batch size quyết định số lượng mẫu (samples) được đưa vào GPU/TPU trong một bước training hoặc inference.
   • Thay đổi batch size có thể ảnh hưởng tới hiệu năng (thời gian training, tiêu thụ GPU memory) và đôi khi tới stability của quá trình training, nhưng không ảnh hưởng trực tiếp tới tính đa dạng của token được sinh ra trong quá trình inference.
   • Vì vậy, việc tăng/giảm batch size sẽ không giải quyết vấn đề “output không đa dạng”.

2. Learning rate

   • Learning rate là tốc độ cập nhật trọng số trong quá trình training.
   • Nó quyết định mô hình hội tụ nhanh hay chậm, và có thể ảnh hưởng tới chất lượng tổng thể (over‑fitting / under‑fitting).
   • Tuy learning rate có thể gián tiếp ảnh hưởng tới khả năng mô hình “học” các mẫu phong phú, nhưng không phải là tham số điều khiển trực tiếp khi sinh ra văn bản sau khi mô hình đã được huấn luyện.
   • Khi mô hình đã được fine‑tuned và đang được dùng để tạo văn bản, việc thay đổi learning rate không còn ảnh hưởng.

3. Optimizer type

   • Loại optimizer (Adam, AdamW, SGD, …) quyết định cách tính gradient và cập nhật trọng số trong giai đoạn training.
   • Giống như learning rate, optimizer ảnh hưởng tới quá trình hội tụ và chất lượng mô hình cuối cùng, nhưng không kiểm soát việc sampling token trong inference.
   • Thay đổi optimizer không làm tăng hoặc giảm độ đa dạng của output ngay lập tức.

🛠️ Gợi ý thực tiễn khi điều chỉnh Temperature trên AWS

• SageMaker Endpoints: Khi gọi endpoint (bằng InvokeEndpoint), truyền temperature trong payload JSON nếu model hỗ trợ (ví dụ: Hugging Face text-generation pipeline).
• SageMaker JumpStart: Các mô hình có sẵn cho LLM thường cho phép tùy chỉnh temperature, top_k, top_p thông qua model_kwargs.
• Batch Transform: Khi thực hiện batch inference, cũng có thể truyền temperature trong TransformInput để đồng nhất mức độ đa dạng cho toàn bộ batch.
• Best practice: Bắt đầu với temperature = 0.7, đánh giá kết quả, sau đó tăng dần (0.9 → 1.2) nếu cần nhiều sáng tạo hơn, nhưng chú ý tới risk of incoherent output khi temperature quá cao.

📌 Tổng kết

• ✅ Temperature là tham số duy nhất trong danh sách ảnh hưởng trực tiếp tới độ đa dạng của kết quả sinh ra từ một LLM.
• ❌ Batch size, Learning rate, và Optimizer type là các tham số liên quan tới quá trình training hoặc hiệu năng tính toán, không quyết định mức độ sáng tạo khi inference.

Việc điều chỉnh temperature một cách hợp lý sẽ giúp công ty đạt được kết quả LLM đa dạng và phong phú hơn, đồng thời vẫn duy trì chất lượng ngữ nghĩa cần thiết. 🚀

🔎 Phân tích câu hỏi
Một công ty đang dùng Amazon Nova Canvas – một mô hình tạo ảnh dựa trên AI (thuộc dịch vụ Amazon Bedrock). Mô hình hiện đang tạo ảnh thành công, nhưng công ty muốn ngăn không cho những vật phẩm nhất định xuất hiện trong ảnh (ví dụ: không muốn hình có xe hơi, logo, v.v.).

Yêu cầu: chọn giải pháp cho phép “loại trừ” (exclude) các thành phần không mong muốn khi mô hình tạo ảnh.

✅ Đáp án đúng

✅ Use a negative prompt.

Giải thích:

• Negative prompt là một kỹ thuật “prompt engineering” cho phép người dùng liệt kê các từ khóa hoặc mô tả điều không muốn mô hình sinh ra. Khi đưa vào API Bedrock (hoặc Amazon Nova Canvas), mô hình sẽ cố gắng tránh những đối tượng, màu sắc, phong cách được liệt kê trong negative prompt.
• Đây là cách chuẩn nhất hiện nay để kiểm soát nội dung đầu ra của các mô hình tạo ảnh (cũng được áp dụng trong Amazon Titan‑Image G1, Stable Diffusion trên Bedrock, v.v.).
• Tài liệu AWS (2024‑2026) về Prompt Engineering for Generative AI nêu rõ: “Use negative prompts to explicitly tell the model what to exclude from the generation.”

🧩 Giải thích các phương án còn lại

• ❌ Use a higher temperature value.

  • Temperature (nhiệt độ) điều chỉnh mức độ ngẫu nhiên trong quá trình sinh. Giá trị cao → kết quả đa dạng, ít dự đoán; giá trị thấp → ổn định, ít biến thể.
  • Tuy nhiên, temperature không ảnh hưởng đến việc loại bỏ một đối tượng cụ thể; nó chỉ thay đổi độ ngẫu nhiên của toàn bộ ảnh. Do đó không đáp ứng yêu cầu “ngăn không cho các mục cụ thể xuất hiện”.

• ❌ Use a more detailed prompt.

  • Việc cung cấp mô tả chi tiết (more detailed prompt) có thể giúp mô hình hiểu rõ hơn ý định tổng thể, nhưng không đảm bảo loại trừ những yếu tố không mong muốn. Thậm chí, chi tiết quá mức có thể gây nhầm lẫn và làm mô hình tạo ra các thành phần phụ không kiểm soát.
  • Để “loại trừ” cần một cơ chế đặc biệt (negative prompt), không phải chỉ làm rõ yêu cầu.

• ❌ Use another foundation model (FM).

  • Chuyển sang một mô hình nền tảng khác (ví dụ: từ Amazon Titan‑Image sang một model Stable Diffusion khác) không chắc chắn sẽ loại bỏ các đối tượng không mong muốn, trừ khi model đó đã được huấn luyện hoặc cấu hình sẵn để lọc.
  • Việc thay đổi FM thường gây tốn chi phí, thời gian tích hợp và có thể làm mất tính năng, hiệu năng hiện tại mà Nova Canvas đang cung cấp.

📘 Tham khảo tài liệu (2024‑2026)

1. AWS Documentation – Prompt Engineering for Amazon Bedrock (phiên bản cập nhật 2026).
2. Amazon Bedrock – Using Negative Prompts with Image Generation Models – Blog post AWS Machine Learning, 2025.
3. AWS re:Invent 2024 – “Advanced Prompt Techniques for Generative AI” (video và slide).

🛠️ Kết luận ngắn gọn

• Để ngăn không cho các mục cụ thể xuất hiện trong ảnh do Amazon Nova Canvas tạo ra, sử dụng “negative prompt” là giải pháp đúng và hiệu quả nhất.
• Các lựa chọn khác (tăng temperature, chi tiết prompt, đổi model) không đáp ứng nhu cầu loại trừ nội dung và vì thế là không phù hợp.