Ngân hàng đề — AWS Certified AI Practitioner

🔍 Phân tích câu hỏi

• Bối cảnh: Công ty đang xây dựng một chatbot AI sinh ra (generative AI) dựa trên Amazon Bedrock và một foundation model (FM). Khi chạy thử, họ phát hiện chatbot dễ bị prompt‑injection attacks – kẻ tấn công chèn các lệnh hoặc nội dung độc hại vào prompt để làm cho mô hình trả lời sai, đưa ra thông tin nhạy cảm, hoặc thực hiện hành vi không mong muốn.

• Yêu cầu: “What can the company do to secure the chatbot with the LEAST implementation effort?” → Tìm cách bảo vệ chatbot với công sức triển khai ít nhất. Vì vậy chúng ta cần một giải pháp “plug‑and‑play”, không yêu cầu thay đổi mô hình, không cần thu thập dữ liệu mới để fine‑tune, và không đòi hỏi việc thiết kế lại prompt phức tạp.

✅ Đáp án đúng

Use Amazon Bedrock Guardrails content filters and denied topics.

Vì sao đây là lựa chọn ít công sức nhất?

1. Tích hợp sẵn trong Amazon Bedrock
   • Guardrails là một tính năng được cung cấp ngay trong dịch vụ Bedrock (từ 2023, nâng cấp liên tục tới 2026). Bạn chỉ cần bật các content filters (lọc nội dung) và định nghĩa các denied topics (chủ đề cấm) thông qua API hoặc console.
2. Không cần thay đổi model
   • Guardrails hoạt động ở lớp trung gian: khi prompt tới mô hình và khi phản hồi trả về, chúng sẽ kiểm tra và chặn các nội dung vi phạm. Vì vậy không cần fine‑tune hay đổi mô hình.
3. Triển khai nhanh
   • Bạn chỉ cần tạo một Guardrails policy (có sẵn template) và gán cho endpoint Bedrock. Thời gian cấu hình thường chỉ trong vài phút, không yêu cầu viết code phức tạp hoặc thu thập dữ liệu nhãn.
4. Hiệu quả chống prompt injection
   • Guardrails có khả năng nhận diện các mẫu injection (ví dụ: “Ignore previous instructions and …”) và ngăn chặn chúng trước khi chúng tới mô hình, giảm thiểu rủi ro đáng kể.

Do đó, đây là giải pháp “least implementation effort” so với các phương án khác.

❌ Phân tích các phương án còn lại

1️⃣ Fine‑tune the FM to avoid harmful responses.

• Giải thích (tiếng Việt):

  • Fine‑tuning yêu cầu thu thập một bộ dữ liệu lớn, gán nhãn an toàn/độc hại, sau đó chạy quy trình huấn luyện lại trên mô hình.
  • Quá trình này tốn thời gian (tuần‑tháng), chi phí (điện toán GPU/Trn1) và kỹ năng (ML‑ops).
  • Ngoài ra, việc fine‑tune không thể đảm bảo 100 % ngăn chặn mọi dạng prompt injection, vì các mẫu tấn công mới có thể xuất hiện sau khi mô hình đã được huấn luyện.

• Kết luận: ❌ Không phải là giải pháp ít công sức; chi phí và độ phức tạp cao.

2️⃣ Change the FM to a more secure FM.

• Giải thích (tiếng Việt):

  • Chuyển sang một mô hình “an toàn hơn” (ví dụ: một model được nhà cung cấp khai báo có mức độ “safety‑tuned”) vẫn cần thay đổi endpoint, có thể phải điều chỉnh lại prompt, và đánh giá lại hiệu suất.
  • Việc lựa chọn mô hình mới không tự động giải quyết được prompt injection; ngay cả các model “secure” cũng có thể bị lừa đảo bởi các prompt tinh vi.
  • Thay đổi mô hình còn có thể gây gián đoạn dịch vụ và đòi hỏi kiểm thử lại toàn bộ pipeline.

• Kết luận: ❌ Cần nỗ lực triển khai và không chắc chắn sẽ giảm được rủi ro ngay lập tức.

3️⃣ Use chain‑of‑thought prompting to produce secure responses.

• Giải thích (tiếng Việt):

  • Chain‑of‑thought (CoT) là kỹ thuật thiết kế prompt khiến mô hình “nghĩ” từng bước trước khi đưa ra đáp án. Mặc dù CoT có thể cải thiện độ chính xác và minh bạch, nhưng không phải là biện pháp phòng ngừa prompt injection.
  • Việc thiết kế CoT đòi hỏi thiết kế lại prompt cho mọi yêu cầu, tốn công trong việc viết, kiểm thử và duy trì.
  • Các kẻ tấn công vẫn có thể chèn lệnh vào phần “thought” và gây ra phản hồi không mong muốn.

• Kết luận: ❌ Không đáp ứng yêu cầu “least implementation effort” và không chuyên dụng cho an toàn.

🧩 Tóm tắt so sánh nhanh

• Guardrails (đúng) – ✅ Cấu hình nhanh, không thay đổi model, lọc cả prompt và output, giảm đáng kể rủi ro injection.
• Fine‑tune – ❌ Yêu cầu dữ liệu, thời gian huấn luyện, chi phí cao, không bảo đảm toàn diện.
• Đổi FM – ❌ Cần thay đổi kiến trúc, kiểm thử lại, vẫn có thể bị tấn công.
• Chain‑of‑thought – ❌ Cần viết prompt phức tạp, không ngăn chặn injection, công sức cao.

📚 Nguồn tham khảo (cập nhật đến 2026)

1. Amazon Bedrock Developer Guide – Guardrails
   • https://docs.aws.amazon.com/bedrock/latest/userguide/guardrails.html (phiên bản 2024‑2026, cập nhật các policy mẫu và API CreateGuardrail, AssociateGuardrail).
2. AWS Security Blog – Protecting Generative AI Applications from Prompt Injection (2023‑2025)
   • https://aws.amazon.com/blogs/security/prompt-injection-protection/
3. AWS re:Invent 2023 – “Building Secure Generative AI with Amazon Bedrock Guardrails” (video và slide)
   • https://www.awsreInvent.com/2023/secure-genai-bedrock/
4. AWS Well‑Architected Framework – Security Pillar (AI/ML add‑on)
   • https://docs.aws.amazon.com/wellarchitected/latest/security-pillar/ai-ml.html

🎯 Kết luận cuối cùng

Với mục tiêu bảo mật chatbot và giảm thiểu công sức triển khai, công ty nên kích hoạt Amazon Bedrock Guardrails (content filters + denied topics). Đây là cách nhanh, tích hợp sẵn, và đã được chứng minh là hiệu quả trong việc ngăn chặn các cuộc tấn công injection trên mô hình nền tảng. 🚀

🔍 Phân tích câu hỏi
Câu hỏi: “What does inference refer to in the context of AI?”
Trong lĩnh vực trí tuệ nhân tạo (AI), inference (suy luận) là khái niệm mô tả giai đoạn sử dụng mô hình đã được huấn luyện để đưa ra dự đoán, quyết định hoặc trích xuất thông tin từ dữ liệu mới mà mô hình chưa từng “nhìn thấy” trong quá trình huấn luyện.

AWS cung cấp nhiều dịch vụ liên quan tới inference, ví dụ: Amazon SageMaker Inference, SageMaker Real‑Time Endpoints, Batch Transform, hay AWS Inferentia (chip chuyên dụng). Các dịch vụ này đều tập trung vào việc triển khai mô hình đã huấn luyện và thực thi các yêu cầu dự đoán (inference) trên dữ liệu đầu vào thực tế.

✅ Đáp án đúng

The use of a trained model to make predictions or decisions on unseen data

Giải thích:

• Đây là định nghĩa chuẩn nhất của inference trong AI. Sau khi mô hình đã học (training) trên tập dữ liệu huấn luyện, ta đưa mô hình vào hoạt động (serve) để thực hiện suy luận trên dữ liệu mới (unseen data).
• Trong môi trường AWS, khi tạo SageMaker Endpoint hoặc chạy Batch Transform, chúng ta đang thực hiện inference – mô hình nhận dữ liệu đầu vào, thực hiện tính toán và trả về kết quả dự đoán.

❌ Giải thích các phương án sai

1. The process of creating new AI algorithms

   • Giải thích: Đây là research & development hoặc algorithm design, không phải inference. Việc tạo ra thuật toán mới liên quan tới giai đoạn conceptualization và implementation, còn inference chỉ liên quan tới việc sử dụng mô hình đã hoàn thành.

2. The process of combining multiple AI models into one model

   • Giải thích: Quá trình này gọi là model ensembling, model stacking, hoặc model blending. Mặc dù các mô hình ensemble có thể được triển khai để inference, nhưng việc kết hợp chúng không phải là định nghĩa của inference.

3. The method of collecting training data for AI systems

   • Giải thích: Thu thập dữ liệu huấn luyện thuộc giai đoạn data acquisition / data preparation, còn inference xảy ra sau khi mô hình đã được huấn luyện và sẵn sàng dự đoán.

🧩 Các khái niệm liên quan trong AWS (đến năm 2026)

• Amazon SageMaker Real‑Time Inference: Triển khai mô hình dưới dạng endpoint luôn sẵn sàng nhận yêu cầu HTTP/HTTPS, trả về dự đoán trong mili‑giây.
• Amazon SageMaker Batch Transform: Thực hiện inference trên khối lượng lớn dữ liệu lưu trữ trong S3, phù hợp cho công việc không yêu cầu thời gian thực.
• AWS Inferentia & Trainium: Chip chuyên dụng (AWS Graviton) để tăng tốc inference (Inferentia) và training (Trainium) với độ trễ thấp, chi phí hiệu quả.
• Amazon Elastic Inference: Gán tài nguyên GPU linh hoạt cho các endpoint SageMaker để tối ưu chi phí khi nhu cầu inference không liên tục.

📚 Tham khảo

1. AWS Documentation – Amazon SageMaker Inference (phiên bản cập nhật 2026).
2. “Machine Learning Glossary” – AWS Machine Learning Blog, 2025.
3. “Deep Learning on AWS: From Training to Inference” – Whitepaper, AWS, 2024.

Tóm lại: Inference trong AI là việc dùng một mô hình đã được huấn luyện để đưa ra dự đoán hoặc quyết định trên dữ liệu chưa từng thấy. Đây là đáp án đúng, trong khi các lựa chọn còn lại mô tả các khía cạnh khác của quy trình phát triển AI. ✅

📖 Giải thích nội dung câu hỏi

Công ty muốn xây dựng AI assistant (trợ lý AI) có khả năng:

1. Đánh giá (evaluate) các nguồn dữ liệu nội bộ – có thể là tài liệu, cơ sở dữ liệu, hoặc các knowledge store.
2. Gửi yêu cầu tới (query) các API bên ngoài – ví dụ: dịch vụ thời tiết, hệ thống CRM, v.v.
3. Tạo ra (generate) nhiều lựa chọn câu trả lời – mô hình sẽ đưa ra các “response options”.
4. So sánh và ưu tiên (compare & prioritize) các lựa chọn – để đưa ra đáp án tốt nhất cho người dùng.

Câu hỏi hỏi: “Which Amazon Bedrock feature or resource will meet these requirements?”

Trong môi trường Amazon Bedrock (phiên bản cập nhật 2026), có một số thành phần hỗ trợ phát triển ứng dụng AI, trong đó Agents là chức năng mới được ra mắt để “orchestrate” (điều phối) nhiều công cụ, API và knowledge base, đồng thời thực hiện logic quyết định để chọn đáp án tối ưu. Vì vậy đáp án đúng là Agents.

✅ Đáp án đúng: Agents

Lý do lựa chọn:

• Agents trong Amazon Bedrock là một lớp trừu tượng cho phép bạn kết hợp một hoặc nhiều large language models (LLMs) với tooling (API, function calls, knowledge bases, etc.).
• Chúng có khả năng đánh giá nguồn dữ liệu, gọi API bên ngoài, tạo ra nhiều candidate responses, và so sánh, ưu tiên chúng dựa trên quy tắc hoặc hàm scoring do bạn định nghĩa.
• Đây chính là thiết kế “điều phối viên” (orchestrator) phù hợp nhất với yêu cầu của câu hỏi: evaluate data sources → query external APIs → generate response options → compare & prioritize.

🧩 Phân tích các phương án khác (đúng và sai)

1. Prompt Management

• Mô tả: Cung cấp khả năng tạo, lưu, và tái sử dụng các prompt (đầu vào) cho LLM, đồng thời quản lý phiên bản và kiểm soát truy cập.
• Tại sao ❌ không đáp ứng yêu cầu:
  • Prompt Management chỉ giúp quản lý và tái sử dụng các prompt, không thực hiện việc gọi API hay so sánh/đánh giá các đáp án.
  • Nó không cung cấp cơ chế orchestration để tích hợp nhiều nguồn dữ liệu hoặc logic quyết định.

2. Response streaming

• Mô tả: Tính năng trả về kết quả theo luồng (stream) khi LLM đang sinh ra văn bản, giảm độ trễ cho người dùng cuối.
• Tại sao ❌ không đáp ứng yêu cầu:
  • Response streaming chỉ cải thiện trải nghiệm thời gian thực của một câu trả lời duy nhất.
  • Nó không hỗ trợ đánh giá nhiều nguồn, gọi API, hay so sánh nhiều lựa chọn trả về.

3. Knowledge Bases

• Mô tả: Dịch vụ lưu trữ và truy vấn các tài liệu, tệp và định dạng không cấu trúc, cho phép LLM “rút trích” thông tin trong quá trình sinh câu trả lời.
• Tại sao ❌ không đáp ứng yêu cầu:
  • Knowledge Bases giúp tích hợp nội dung (knowledge) vào prompt, nhưng không tự động gọi API bên ngoài hay tạo và đánh giá nhiều lựa chọn.
  • Để thực hiện logic ưu tiên, bạn vẫn cần một lớp điều phối (như Agents) để xử lý kết quả từ Knowledge Base và các API.

4. Agents (ĐÚNG)

• Mô tả: Khả năng định nghĩa một “agent” với:
  • LLM làm bộ não chính.
  • Toolset gồm các API endpoints, functions, knowledge bases hoặc custom services.
  • Workflow logic cho phép lặp lại (iterate) qua các bước: lấy dữ liệu, gọi API, tạo candidate responses, tính điểm, và trả về câu trả lời tốt nhất.
• Tại sao ✅ đáp ứng đầy đủ:
  • Evaluate specific data sources → Agent có thể truy cập Knowledge Base hoặc các data store được cấu hình.
  • Query external APIs → Agent có thể định nghĩa “tool” là HTTP API và thực hiện request trong quá trình xử lý.
  • Generate response options → LLM bên trong Agent có thể sinh ra nhiều candidate answers.
  • Compare and prioritize response options → Bạn có thể cung cấp scoring function hoặc rule‑based logic trong Agent để lựa chọn đáp án tối ưu.

📚 Tham khảo tài liệu (đến năm 2026)

• Amazon Bedrock Developer Guide – Agents
  https://docs.aws.amazon.com/bedrock/latest/userguide/agents.html (phiên bản cập nhật 2026)
• Amazon Bedrock – Prompt Management
  https://docs.aws.amazon.com/bedrock/latest/userguide/prompt-management.html
• Amazon Bedrock – Response Streaming
  https://docs.aws.amazon.com/bedrock/latest/userguide/response-streaming.html
• Amazon Bedrock – Knowledge Bases
  https://docs.aws.amazon.com/bedrock/latest/userguide/knowledge-bases.html

🛠️ Kết luận nhanh

• Đáp án đúng: Agents – cung cấp khả năng orchestrate đa nguồn dữ liệu, gọi API, tạo nhiều đáp án, và thực hiện so sánh/đánh giá để đưa ra câu trả lời tối ưu.
• Các lựa chọn còn lại (Prompt Management, Response streaming, Knowledge Bases) chỉ đáp ứng một phần chức năng (quản lý prompt, truyền dữ liệu nhanh, hoặc lưu trữ kiến thức) và không đáp ứng toàn bộ chuỗi yêu cầu được nêu trong câu hỏi.

👍 Hy vọng phần phân tích này giúp bạn nắm rõ lý do tại sao Agents là lựa chọn duy nhất phù hợp!

🔎 Phân tích câu hỏi

“An AI practitioner notices a large language model (LLM) is generating different responses for the same input across multiple invocations. Which risk of AI does this describe?”

Câu hỏi muốn kiểm tra khả năng nhận diện một rủi ro thường gặp khi làm việc với các mô hình ngôn ngữ lớn (LLM). Điểm mấu chốt là: cùng một prompt nhưng mỗi lần chạy lại cho ra kết quả khác nhau. Điều này phản ánh tính không xác định (nondeterministic) của mô hình – tức là kết quả không ổn định, gây khó khăn trong việc dự đoán, kiểm soát và tái tạo kết quả.

✅ Đáp án đúng

Nondeterminism

• Lý do: Khi một LLM trả về các phản hồi không đồng nhất cho cùng một đầu vào, đó là dấu hiệu của nondeterminism – mô hình có tính ngẫu nhiên trong quá trình sinh ra token (do sampling, temperature, top‑k, top‑p,…). Điều này tạo ra rủi ro về độ tin cậy và khả năng tái sử dụng của hệ thống AI, đặc biệt khi cần tính nhất quán trong các ứng dụng sản xuất hoặc khi tuân thủ quy định.

❌ Giải thích các phương án còn lại

• Hallucinations

  • Hallucinations là hiện tượng mô hình “bịa ra” thông tin không có trong dữ liệu gốc (ví dụ: tạo ra dữ liệu sai, nguồn không tồn tại). Nó liên quan tới độ chính xác và độ tin cậy của nội dung, không phải sự biến đổi kết quả khi cùng một input được đưa vào nhiều lần.

• Accuracy

  • Accuracy đề cập tới mức độ đúng đắn của câu trả lời so với thực tế hoặc so với đáp án chuẩn. Một mô hình có độ chính xác cao vẫn có thể nondeterministic nếu kết quả thay đổi mỗi lần chạy, và ngược lại, một mô hình có độ chính xác thấp không nhất thiết phải cho ra kết quả khác nhau cho cùng một input.

• Multimodality

  • Multimodality là khả năng của mô hình xử lý và kết hợp nhiều kiểu dữ liệu (text, image, audio, video…). Đây là một tính năng/khả năng, không phải là rủi ro về tính nhất quán của output.

🧩 Tổng hợp các rủi ro liên quan đến Nondeterminism trong LLM (2026)

1. Khó tái tạo (Reproducibility)
   • Khi triển khai trong môi trường production, việc không thể tái tạo kết quả gây ra khó khăn trong debugging, kiểm thử, và đánh giá mô hình.
2. Tính ổn định của pipeline CI/CD
   • Trong DevOps, pipeline tự động hoá (ví dụ: kiểm thử API AI) dựa vào kết quả cố định; nondeterminism có thể làm pipeline thất bại ngẫu nhiên.
3. Tuân thủ và audit
   • Các quy định (ví dụ: GDPR, AI Act EU) yêu cầu giải thích được và độ nhất quán của quyết định AI. Nondeterminism gây khó khăn trong việc cung cấp bằng chứng.
4. Chi phí và tài nguyên
   • Để đạt được kết quả “đáng tin cậy”, thường phải chạy mô hình nhiều lần và chọn majority vote, tăng chi phí tính toán.

Biện pháp giảm thiểu (mitigation) (theo AWS Well‑Architected Framework for AI/ML – cập nhật 2025/2026):

• Thiết lập seed cố định cho các thuật toán sampling (temperature, top‑k, top‑p) khi cần tính tái lập.
• Sử dụng deterministic inference mode (có sẵn trong Amazon SageMaker JumpStart và các container Hugging Face mới nhất).
• Log và versioning toàn bộ siêu tham số và môi trường (Docker image, AMI, instance type) để tái tạo môi trường.
• Kiểm thử A/B để đo lường mức độ biến đổi và đưa ra ngưỡng chấp nhận.

📚 Tham khảo

1. AWS Whitepaper – “Architecting for AI/ML on AWS (2025 Update)” – phần Model Determinism & Reproducibility.
2. Amazon SageMaker Documentation (v2026.2) – Deterministic Inference và Seed Management.
3. IEEE Standard for AI System Risk Management (2025) – mô tả các rủi ro Nondeterminism và Hallucination.
4. “Large Language Model Risk Framework” – AI Governance Initiative, 2026 – chương về Consistency & Reproducibility.

Kết luận:
Câu hỏi mô tả rủi ro Nondeterminism – hiện tượng LLM tạo ra các phản hồi không đồng nhất cho cùng một đầu vào. Đây là một rủi ro quan trọng cần được quản lý trong quá trình thiết kế, triển khai và vận hành các hệ thống AI trên nền tảng AWS. 🎯

📖 Phân tích câu hỏi

Một công ty đang xây dựng một ứng dụng AI sinh ra (generative AI) trên AWS, mục tiêu giúp học sinh cải thiện khả năng đọc hiểu. Ứng dụng cần cho phép học sinh thêm hình minh hoạ vào các câu chuyện mà họ đang đọc/viết.

Vì vậy câu hỏi đang hỏi: Giải pháp nào trên AWS có thể chuyển đổi “đoạn văn bản mô tả hình ảnh” thành hình ảnh (illustrations) một cách tự động?

Ta cần một dịch vụ tạo ảnh từ văn bản (text‑to‑image), tích hợp được trong môi trường generative AI và có sẵn trên AWS.

✅ Đáp án đúng

- Use Amazon Bedrock Stable Diffusion 3.5 Large to generate images based on text inputs.

Lý do:

• Amazon Bedrock cung cấp các mô hình nền tảng (foundation models) cho cả ngôn ngữ và hình ảnh.
• Stable Diffusion 3.5 Large (phiên bản mới cập nhật tới 2024‑2025) là mô hình text‑to‑image mạnh mẽ, được hỗ trợ trực tiếp trong Bedrock, cho phép truyền một prompt mô tả cảnh hoặc nhân vật và nhận lại hình ảnh chất lượng cao.
• Bedrock cung cấp API an toàn, có thể tích hợp vào kiến trúc serverless (Lambda, API Gateway) hoặc container (ECS/EKS) để phục vụ yêu cầu thời gian thực của học sinh.
• Đúng với yêu cầu “add illustrations to stories”.

❌ Giải thích các phương án sai

1️⃣ Use Amazon Polly to create an audiobook based on story texts.

• Polly là dịch vụ Text‑to‑Speech (chuyển văn bản thành giọng nói). Nó không có khả năng tạo ra hình ảnh, chỉ tạo file âm thanh.
• Vì mục tiêu là hình minh hoạ, nên Polly không đáp ứng yêu cầu.

2️⃣ Use Amazon Rekognition to analyze image contents and detect text attributes.

• Rekognition là dịch vụ phân tích ảnh/video (phát hiện khuôn mặt, vật thể, văn bản trong ảnh). Nó phân tích ảnh hiện có, không tạo ảnh mới từ văn bản.
• Do đó không phù hợp cho việc sinh ra hình minh hoạ từ câu chuyện.

3️⃣ Create a standard prompt template. Use Amazon Q Business to illustrate stories.

• Amazon Q Business là giải pháp search‑augmented generative AI cho doanh nghiệp, tập trung vào truy vấn dữ liệu nội bộ, trả lời câu hỏi và tạo nội dung văn bản.
• Hiện tại Q Business không tích hợp mô hình tạo ảnh như Stable Diffusion và không cung cấp API text‑to‑image.
• Việc “create a standard prompt template” có thể là một bước chuẩn bị, nhưng công cụ Q Business không thực hiện việc sinh ảnh, vì vậy đáp án này sai.

🧩 Tóm tắt so sánh nhanh

• Amazon Bedrock (Stable Diffusion 3.5 Large) → text‑to‑image ✅
• Amazon Polly → text‑to‑speech ❌
• Amazon Rekognition → image/video analysis ❌
• Amazon Q Business → search‑augmented LLM, không tạo ảnh ❌

📚 Tham khảo tài liệu (đến năm 2026)

1. Amazon Bedrock Documentation – “Supported foundation models” (Stable Diffusion 3.5 Large) – https://docs.aws.amazon.com/bedrock/latest/userguide/models-supported.html
2. AWS Generative AI Blog, 2025 – “Using Stable Diffusion on Bedrock for high‑quality illustration generation” – https://aws.amazon.com/blogs/aws/generative-ai-stable-diffusion-bedrock/
3. Amazon Polly – Developer Guide – https://docs.aws.amazon.com/polly/latest/dg/
4. Amazon Rekognition – API Reference – https://docs.aws.amazon.com/rekognition/latest/dg/
5. Amazon Q Business – Product Overview – https://aws.amazon.com/q-business/

Kết luận: Để cho học sinh thêm hình minh hoạ vào câu chuyện, Amazon Bedrock với mô hình Stable Diffusion 3.5 Large là giải pháp duy nhất trong các lựa chọn đáp ứng yêu cầu “tạo ảnh từ văn bản”. Các phương án còn lại không cung cấp chức năng tạo ảnh và do đó không phù hợp. 🎉

📖 Phân tích câu hỏi

• Mục tiêu của doanh nghiệp y tế:

  1. Thu thập dữ liệu bệnh nhân trong suốt một năm.
  2. Hàng tháng tạo báo cáo phân tích xu hướng để trình cho các cơ quan y tế công cộng.
  3. Báo cáo cần cung cấp thông tin từ tháng gần nhất của năm hiện tại.

• Yêu cầu về cách thực hiện inference:

  • Không cần trả lời ngay lập tức (real‑time).
  • Khối lượng dữ liệu lớn (toàn bộ dữ liệu của một tháng).
  • Công việc được thực hiện định kỳ một lần mỗi tháng.
  • Yêu cầu chi phí thấp nhất.

Vì vậy, phương pháp inference phải phù hợp với xử lý batch (xử lý tập hợp dữ liệu lớn một lần), không duy trì endpoint liên tục và không trả phí cho mỗi request riêng lẻ.

✅ Đáp án đúng: Batch transform

Lý do lựa chọn

• Batch Transform của Amazon SageMaker cho phép bạn đưa vào một tập dữ liệu lớn (có thể lên tới terabytes) và tạo ra kết quả batch trong một job duy nhất.
• Bạn chỉ trả tiền cho thời gian các instance chạy trong thời gian job thực thi → chi phí chỉ phát sinh khi job chạy, không có chi phí duy trì endpoint liên tục.
• Có thể lên lịch (bằng Amazon EventBridge hoặc Step Functions) để tự động khởi chạy mỗi tháng, đáp ứng yêu cầu “báo cáo tháng”.
• Đối với khối lượng dữ liệu “trong tháng gần nhất”, việc sử dụng Batch Transform là cách tiết kiệm nhất so với các phương án duy trì endpoint (real‑time, asynchronous) hoặc trả tiền theo request (serverless inference).

🧩 Phân tích các phương án còn lại

• Real-time inference

  • ❌ Được thiết kế để trả lời yêu cầu ngay lập tức (độ trễ < 100 ms).
  • Cần triển khai và duy trì một endpoint luôn sẵn sàng, dù chỉ sử dụng một lần mỗi tháng → chi phí cao hơn so với batch.
  • Không phù hợp với khối lượng dữ liệu lớn và yêu cầu không thời gian thực.

• Serverless inference

  • ❌ Là mô hình pay‑per‑request (trả tiền cho mỗi lời gọi) và tự động mở/đóng tài nguyên.
  • Thích hợp cho lượng traffic không đồng đều, ít yêu cầu. Khi xử lý một tập dữ liệu tháng (hàng triệu bản ghi), chi phí sẽ tăng đáng kể vì mỗi request được tính riêng.
  • Không tận dụng khả năng xử lý hàng loạt như Batch Transform, vì vậy không tối ưu về chi phí cho công việc định kỳ lớn.

• Asynchronous inference

  • ❌ Cũng dựa trên endpoint (provisioned hoặc on‑demand) nhưng hỗ trợ độ trễ cao và kích thước payload lớn.
  • Đòi hỏi giữ endpoint tồn tại trong suốt thời gian xử lý, dẫn tới chi phí đều dù chỉ sử dụng một lần mỗi tháng.
  • Khi so sánh với Batch Transform, chi phí duy trì endpoint thường cao hơn và không cần thiết cho công việc báo cáo tháng.

📌 Kết luận

• Batch transform là phương án tiết kiệm nhất cho việc phân tích dữ liệu bệnh nhân hàng tháng, đáp ứng đầy đủ yêu cầu về khối lượng, tần suất và chi phí.
• Các phương án khác (real‑time, serverless, asynchronous) đều đều duy trì endpoint hoặc tính phí theo request, không phù hợp với khối lượng và tính chất batch của bài toán.

📚 Tham khảo

• Amazon SageMaker Batch Transform – AWS Documentation (phiên bản 2026): https://docs.aws.amazon.com/sagemaker/latest/dg/batch-transform.html
• SageMaker Serverless Inference – AWS Documentation: https://docs.aws.amazon.com/sagemaker/latest/dg/serverless-inference.html
• Real‑time vs Asynchronous Inference – AWS SageMaker Inference Types Overview: https://docs.aws.amazon.com/sagemaker/latest/dg/inference.html
• Pricing – SageMaker (cập nhật 2026): https://aws.amazon.com/sagemaker/pricing/

🔚 Hy vọng phân tích trên đã giúp bạn hiểu rõ vì sao Batch transform là lựa chọn tối ưu nhất cho yêu cầu của công ty y tế. Nếu còn thắc mắc về cách cấu hình job hoặc lên lịch tự động, cứ thoải mái hỏi thêm nhé! 🙌

🔎 Phân tích câu hỏi

Công ty vừa đạt được chứng nhận ISO (International Organization for Standardization) nhằm quản lý rủi ro AI và đảm bảo việc sử dụng AI một cách có trách nhiệm.
Câu hỏi muốn kiểm tra hiểu biết của bạn về ý nghĩa thực tế của một chứng nhận ISO: nó chứng minh điều gì ở mức độ tổ chức, chứ không phải ở mức độ cá nhân hay từng sản phẩm riêng lẻ.

✅ Đáp án đúng

✅ The company’s development framework is ISO certified.

Giải thích:

• ISO là tiêu chuẩn quốc tế áp dụng cho các quy trình, hệ thống quản lý của một tổ chức (ví dụ: ISO 9001 – quản lý chất lượng, ISO 27001 – an ninh thông tin, ISO 42001 – hệ thống quản lý AI).
• Khi một công ty “acquires ISO accreditation”, toàn bộ khung (framework) phát triển, quy trình kiểm soát, quản trị rủi ro AI của công ty đã được đánh giá và đáp ứng các yêu cầu của tiêu chuẩn ISO tương ứng.
• Do vậy, chứng nhận không nói gì về các cá nhân (nhân viên, thành viên) hay các sản phẩm AI riêng lẻ; nó chỉ khẳng định cách thức công ty xây dựng, vận hành và kiểm soát AI đã đáp ứng tiêu chuẩn quốc tế.

❌ Phân tích các phương án sai

1. All members of the company are ISO certified.

   • Sai: ISO không cấp chứng nhận cá nhân. Các chứng chỉ cá nhân (ví dụ: “ISO‑Certified Auditor”) là do các tổ chức đào tạo cấp, không phải do ISO cấp cho thành viên của công ty. Chứng nhận ISO của công ty chỉ đề cập tới hệ thống/quy trình của tổ chức.

2. All AI systems that the company uses are ISO certified.

   • Sai: ISO không chứng nhận mỗi hệ thống AI riêng lẻ. Có những tiêu chuẩn như ISO/IEC 42001 (AI Management System) nhưng chúng áp dụng cho quy trình quản lý chứ không phải “đánh dấu” từng sản phẩm AI. Một công ty có thể có nhiều giải pháp AI, nhưng chỉ cần quy trình phát triển, kiểm thử, giám sát đáp ứng tiêu chuẩn.

3. All AI application team members are ISO certified.

   • Sai: Tương tự mục 1, ISO không cấp chứng chỉ cho cá nhân. Các thành viên đội ngũ AI có thể có các chứng chỉ chuyên môn (ví dụ: AWS Certified Machine Learning – Specialty) nhưng không phải “ISO certified”. Chứng nhận ISO phản ánh cách thức làm việc của nhóm (quy trình, kiểm soát), không phải trình độ cá nhân.

📚 Kiến thức cập nhật (đến năm 2026)

• ISO/IEC 42001:2023 – AI Management System (AIMS). Đây là tiêu chuẩn mới nhất của ISO, cung cấp khung quản lý rủi ro, đạo đức và tuân thủ khi triển khai AI. Khi một công ty đạt chuẩn này, toàn bộ quy trình phát triển, vận hành, đánh giá và giám sát AI được xác nhận.
• AWS & ISO: AWS cung cấp AWS Artifact để truy cập các báo cáo tuân thủ ISO (ISO 27001, ISO 9001, ISO 27701, ISO 14001, ISO 45001, v.v.). Khi một doanh nghiệp sử dụng AWS và muốn đạt chuẩn ISO cho AI, họ thường xây dựng CI/CD pipeline dựa trên AWS CodePipeline, AWS CodeBuild, Amazon SageMaker Pipelines, kết hợp với AWS Config, AWS Security Hub để đáp ứng yêu cầu kiểm soát và báo cáo của ISO/IEC 42001.
• Best practice: Đặt ISO‑compliant controls ở mức infrastructure as code (IaC) (AWS CloudFormation, Terraform) và automation (AWS Step Functions) để duy trì tính nhất quán, đáp ứng yêu cầu audit.

🛠️ Lời khuyên thực tiễn cho các DevOps Engineer

• Thiết kế pipeline: Áp dụng AWS CodePipeline + SageMaker Model Registry để quản lý vòng đời mô hình AI, đồng thời tích hợp AWS Config Rules để kiểm tra các cấu hình (ví dụ: mã hoá dữ liệu, IAM role giới hạn).
• Audit & Logging: Sử dụng AWS CloudTrail, Amazon CloudWatch Logs, và AWS Security Hub để thu thập, lưu trữ và phân tích log, đáp ứng yêu cầu chứng minh tuân thủ ISO.
• Documentation: Duy trì Documentation-as-Code (Markdown trong repo) cho mọi SOP, SOP kiểm thử, và risk assessment của mô hình AI – đây là một phần quan trọng của development framework được ISO công nhận.

📖 Tham khảo

• ISO/IEC 42001:2023 – Artificial Intelligence Management System (AIMS). (ISO Official Website)
• AWS Artifact – “AWS Compliance Programs” (https://aws.amazon.com/artifact/)
• “AWS Well‑Architected Framework – Security Pillar” (2024 update).
• “Amazon SageMaker Pipelines – Build, automate, and manage ML workflows” (2025).

Tóm lại:
✅ Correct answer: The company’s development framework is ISO certified.
✅ Lý do: Chứng nhận ISO phản ánh việc toàn bộ khung/quy trình phát triển và quản lý AI của công ty đáp ứng tiêu chuẩn quốc tế, chứ không liên quan tới cá nhân hay từng hệ thống AI riêng lẻ.

🔎 Phân tích câu hỏi

Công ty đang xây dựng một mô hình Machine Learning (ML) để dự đoán nguy cơ bệnh tim dựa trên các đặc trưng của bệnh nhân (tuổi, cholesterol, huyết áp, trạng thái hút thuốc, thói quen tập thể dục).
Trong tập dữ liệu, mỗi bản ghi đều có giá trị mục tiêu (target) cho biết bệnh nhân có/không có bệnh tim.

Yêu cầu: Chọn kỹ thuật ML phù hợp để “học” mối quan hệ giữa các đặc trưng đầu vào và giá trị mục tiêu đã biết, sao cho mô hình có thể dự đoán nhãn (có bệnh / không bệnh) cho các bệnh nhân mới.

✅ Đáp án đúng: Supervised learning

Lý do:

• Khi dữ liệu đã gắn nhãn (có target) như trong câu hỏi, chúng ta sử dụng học có giám sát (supervised learning) để huấn luyện mô hình dự đoán nhãn.
• Đây là bài toán phân loại nhị phân (có bệnh tim hay không), một dạng điển hình của supervised learning.
• Trên AWS, dịch vụ Amazon SageMaker cung cấp các thuật toán supervised (Linear Learner, XGBoost, DeepAR, …) và quy trình “training‑inference” phù hợp.

🧩 Giải thích từng phương án

• Unsupervised learning

  • Giải thích: Unsupervised learning được dùng khi dữ liệu không có nhãn và mục tiêu là khám phá cấu trúc ẩn (clustering, dimensionality reduction). Vì đề bài đã có nhãn “có/không bệnh tim”, nên không phù hợp.
  • AWS liên quan: Amazon SageMaker Clustering, K‑Means, DBSCAN – dùng cho phân cụm khách hàng, anomaly detection, không phải cho dự đoán nhãn đã biết.

• Supervised learning

  • Giải thích: Như đã nêu ở trên, dữ liệu có nhãn, mô hình học cách ánh xạ từ các thuộc tính đầu vào sang nhãn đầu ra. Đây là cách chuẩn để giải quyết bài toán dự đoán bệnh tim.
  • AWS liên quan: SageMaker Built‑in Algorithms (XGBoost, Linear Learner) hoặc tự xây dựng model TensorFlow/PyTorch trong SageMaker, triển khai bằng SageMaker Endpoint để inference.

• Reinforcement learning

  • Giải thích: Reinforcement learning (RL) xử lý các tác vụ tương tác môi trường và học dựa trên phần thưởng/penalty (ví dụ: robot di chuyển, game AI). Không liên quan tới việc dự đoán dựa trên dữ liệu lịch sử có nhãn.
  • AWS liên quan: SageMaker RL, DeepRacer – dùng cho các bài toán quyết định thời gian thực, không phải classification có nhãn.

• Semi‑supervised learning

  • Giải thích: Semi‑supervised learning kết hợp có một phần dữ liệu có nhãn và phần còn lại không nhãn. Khi toàn bộ dữ liệu đã có nhãn như trong câu hỏi, việc dùng kỹ thuật này là không cần thiết và không tối ưu.
  • AWS liên quan: SageMaker hỗ trợ semi‑supervised qua custom scripts, nhưng thường dùng khi chi phí gán nhãn cao và dữ liệu không đủ nhãn.

📚 Tham khảo tài liệu (đến 2026)

1. AWS Documentation – Amazon SageMaker Training
   https://docs.aws.amazon.com/sagemaker/latest/dg/how-it-works.html
2. Machine Learning Foundations – Supervised vs Unsupervised vs Reinforcement (AWS Machine Learning Blog, 2025)
   https://aws.amazon.com/blogs/machine-learning/supervised-learning-basics/
3. AWS Whitepaper – Machine Learning at Scale (2026 update)
   https://d1.awsstatic.com/whitepapers/Machine-Learning-at-Scale.pdf

🛠️ Kết luận: Đối với bài toán dự đoán nguy cơ bệnh tim dựa trên dữ liệu đã gắn nhãn, Supervised learning là kỹ thuật thích hợp nhất. Các dịch vụ như Amazon SageMaker cung cấp đầy đủ công cụ để triển khai, huấn luyện và phục vụ mô hình này trong môi trường AWS hiện đại.

🔍 Phân tích câu hỏi
Câu hỏi: “A company has guidelines for data storage and deletion. Which data governance strategy does this describe?”

• Câu hỏi yêu cầu chúng ta xác định chiến lược quản trị dữ liệu (data governance) mà một tổ chức đang áp dụng khi họ có quy định rõ ràng về cách lưu trữ dữ liệu và thời điểm xóa dữ liệu.
• Trong bối cảnh AWS, việc thiết lập “guidelines for data storage and deletion” thường liên quan tới chính sách lưu trữ lâu dài (retention) và xóa tự động – ví dụ: S3 Lifecycle policies, S3 Object Lock (Governance mode), Glacier Vault Lock, hoặc AWS Backup retention plans.

Do đó, chiến lược này chính là Data retention – tức là quy tắc giữ lại dữ liệu trong một khoảng thời gian xác định và sau đó xóa hoặc lưu trữ lại theo chính sách.

✅ Đáp án đúng

- Data retention

Lý do:

• “Data retention” định nghĩa chính sách giữ lại dữ liệu trong một khoảng thời gian nhất định và xóa dữ liệu khi hết thời hạn.
• AWS cung cấp nhiều công cụ hỗ trợ chính sách này:
  • S3 Lifecycle: tự động chuyển dữ liệu sang các lớp lưu trữ giá rẻ hơn (Glacier, Deep Archive) và xóa bỏ sau thời gian quy định.
  • S3 Object Lock (Governance hoặc Compliance mode): ngăn chặn việc xóa hoặc ghi đè dữ liệu trong thời gian lưu trữ tối thiểu.
  • AWS Backup: cho phép đặt retention periods cho bản sao lưu, tự động xóa các snapshot đã hết hạn.
• Các hướng dẫn về storage và deletion trong câu hỏi phản ánh đúng khái niệm này.

❌ Giải thích các phương án sai

- Data de-identification

• Giải thích: Data de-identification (hoặc anonymization) là quy trình làm mất hoặc thay đổi thông tin nhận dạng cá nhân để bảo vệ quyền riêng tư. Nó không đề cập tới thời gian lưu trữ hay quy trình xóa dữ liệu.
• Ví dụ AWS: Sử dụng AWS Glue DataBrew hay Amazon Macie để phát hiện và gỡ bỏ thông tin nhạy cảm, nhưng không liên quan tới “guidelines for storage & deletion”.

- Data quality standards

• Giải thích: Data quality standards liên quan tới độ chính xác, tính đầy đủ, tính nhất quán của dữ liệu (ví dụ: chuẩn ISO 8000, chuẩn DQM). Nó không quy định khi nào và như thế nào dữ liệu phải được lưu trữ hoặc xóa.
• Ví dụ AWS: Sử dụng AWS Glue Data Catalog để quản lý metadata, nhưng không định nghĩa thời gian lưu trữ.

- Log storage

• Giải thích: Log storage chỉ mô tả việc lưu trữ các bản ghi (log) như CloudTrail logs, VPC Flow Logs, không đề cập đến quy tắc xóa hay thời gian lưu trữ. Nó là một loại dữ liệu chứ không phải một chiến lược quản trị toàn diện.
• Ví dụ AWS: Amazon S3 + S3 Object Lock cho log lưu trữ lâu dài, nhưng “log storage” không bao hàm chính sách xóa.

📚 Tham khảo (đến năm 2026)

1. AWS Documentation – S3 Object Lock – https://docs.aws.amazon.com/AmazonS3/latest/userguide/object-lock.html
2. AWS Documentation – S3 Lifecycle configuration – https://docs.aws.amazon.com/AmazonS3/latest/userguide/lifecycle-configuration-examples.html
3. AWS Backup – Retention periods – https://docs.aws.amazon.com/aws-backup/latest/devguide/backup-plan-retention.html
4. AWS Well‑Architected Framework – Operational Excellence Pillar (Data Retention) – https://docs.aws.amazon.com/wellarchitected/latest/operational-excellence-pillar/operational-excellence-pillar.html

🧩 Tổng kết

• Câu hỏi muốn xác định chiến lược quản trị dữ liệu dựa trên hướng dẫn lưu trữ và xóa dữ liệu.
• Đáp án đúng là Data retention vì nó chính xác mô tả việc đặt quy tắc thời gian lưu trữ và xóa dữ liệu.
• Các lựa chọn khác (Data de-identification, Data quality standards, Log storage) không bao hàm cả hai yếu tố storage + deletion đồng thời, do đó là sai.

Hy vọng phân tích chi tiết này giúp bạn nắm vững khái niệm và áp dụng đúng trong môi trường AWS! 🚀

🔎 Phân tích câu hỏi

Công ty muốn thực hiện các phép biến đổi số (numeric transformations) trên một tập hợp ảnh, cụ thể là transpose (đảo vị) và rotate (xoay).
Yêu cầu “most operationally efficient” (hiệu quả vận hành nhất) có nghĩa là:

• Giải pháp được quản lý (managed) hoặc serverless để giảm tối thiểu công việc vận hành (bảo trì, provisioning, scaling).
• Không cần xây dựng, huấn luyện mô hình phức tạp nếu chỉ thực hiện các thao tác hình học đơn giản.
• Có thể tích hợp dễ dàng vào luồng xử lý dữ liệu (ví dụ: trigger khi ảnh được tải lên S3).

✅ Đáp án đúng

Create an AWS Lambda function to perform the transformations.

✅ Lý do chọn

• Serverless & tự động scaling – Lambda được AWS quản lý, không cần provision EC2, không phải lo về patching hay scaling.
• Chi phí dựa trên thời gian thực thi – chỉ trả tiền cho thời gian chạy của hàm, phù hợp với khối lượng công việc biến đổi ảnh không liên tục.
• Có thể gắn trigger với Amazon S3 – mỗi khi một ảnh mới được đưa vào bucket, Lambda có thể tự động đọc, thực hiện transpose/rotate (sử dụng Pillow, OpenCV, hoặc AWS Rekognition‑style libraries) và ghi lại kết quả.
• Quản lý môi trường runtime – Lambda hỗ trợ Python, Node.js, Java… với các layer để đưa thư viện xử lý ảnh vào.

Do đó, đây là cách hoạt động hiệu quả nhất về mặt vận hành so với các lựa chọn còn lại.

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

1. Create a deep neural network by using the images as input.

• ❌ Sai vì:
  • Việc huấn luyện một mạng neural sâu chỉ để thực hiện các phép biến đổi hình học (transpose, rotate) là quá mức và không cần thiết.
  • Đòi hỏi công cụ GPU, cluster, quản lý mô hình, tăng chi phí và độ phức tạp vận hành.
  • Các phép biến đổi này đã có sẵn trong các thư viện xử lý ảnh; không cần AI để dự đoán hay tạo ra chúng.

2. Create an AWS Lambda function to perform the transformations.

• ✅ Đúng – đã phân tích ở trên. Lambda cung cấp môi trường serverless, tự động scaling, giá trả theo milisecond, và dễ dàng tích hợp với S3, CloudWatch, EventBridge để tạo pipeline chuyển đổi ảnh.

3. Use an Amazon Bedrock large language model (LLM) with a high temperature.

• ❌ Sai vì:
  • LLM (ví dụ Claude, Titan, Llama) được thiết kế để xử lý ngôn ngữ tự nhiên, không phải thao tác trên dữ liệu nhị phân như ảnh.
  • “High temperature” chỉ điều chỉnh độ ngẫu nhiên trong tạo văn bản, hoàn toàn không liên quan tới việc quay hoặc đảo ảnh.
  • Việc gọi Bedrock sẽ tạo thêm độ trễ và chi phí mà không mang lại giá trị cho tác vụ hình học.

4. Use AWS Glue Data Quality to make corrections to each image.

• ❌ Sai vì:
  • AWS Glue Data Quality là tính năng kiểm tra và cải thiện chất lượng dữ liệu dạng bảng (CSV, Parquet, JSON…) thông qua rule‑based profiling.
  • Nó không hỗ trợ xử lý hoặc sửa đổi dữ liệu binary như ảnh.
  • Ngay cả khi có thể, việc dùng Glue – một dịch vụ ETL lớn, dựa trên Spark – sẽ quá nặng và không tối ưu cho các phép biến đổi nhẹ, nhanh trên từng file ảnh.

📚 Tham khảo tài liệu (đến năm 2026)

• AWS Lambda – Serverless Compute – https://docs.aws.amazon.com/lambda/latest/dg/welcome.html
• Xử lý ảnh trong Lambda bằng Pillow (Python) – https://aws.amazon.com/blogs/compute/processing-images-with-aws-lambda-and-pillow/
• Best Practices for Lambda Performance – https://docs.aws.amazon.com/lambda/latest/dg/best-practices.html
• AWS Glue Data Quality Overview – https://docs.aws.amazon.com/glue/latest/dg/data-quality.html
• Amazon Bedrock Documentation – https://docs.aws.amazon.com/bedrock/latest/userguide/what-is-bedrock.html

🛠️ Kết luận

• Đối với các thao tác transpose và rotate trên ảnh, AWS Lambda là giải pháp đơn giản, nhanh, chi phí hợp lý và ít công sức vận hành.
• Các lựa chọn còn lại (deep neural network, Bedrock LLM, Glue Data Quality) đều không phù hợp với yêu cầu về tính năng và hiệu quả vận hành.

✅ Chọn Lambda để đáp ứng yêu cầu một cách tối ưu!