Ngân hàng đề — AWS Certified AI Practitioner

🔎 Phân tích câu hỏi
Công ty muốn sử dụng Amazon Q Business để khai thác dữ liệu nội bộ, nhưng đồng thời phải bảo đảm bảo mật và riêng tư cho dữ liệu đó.
Yêu cầu “Choose two” nghĩa là chỉ cần chọn hai biện pháp đáp ứng được mục tiêu:

1. Mã hoá dữ liệu ở mức lưu trữ (ngăn chặn người không có quyền truy cập đọc được dữ liệu).
2. Xác thực & ủy quyền để chỉ những người, vai trò hợp lệ mới có thể truy cập vào chỉ mục (index) của Q Business.

✅ Các đáp án đúng

1. Enable AWS Key Management Service (AWS KMS) keys for the Amazon Q Business Enterprise index.

• Tại sao đúng?
  • KMS cung cấp mã hoá bên trong cho dữ liệu khi nó được lưu trữ trong Enterprise index của Q Business.
  • Khi KMS được bật, mọi tài liệu được đưa vào index sẽ được encrypt bằng CMK (Customer Managed Key) hoặc AWS‑managed key, giúp đáp ứng yêu cầu bảo mật dữ liệu “at rest”.
  • Điều này ngăn chặn việc dữ liệu bị lộ nếu có truy cập trái phép vào bucket hoặc dịch vụ lưu trữ phía sau Q Business.

2. Configure AWS Identity and Access Management (IAM) for authentication.

• Tại sao đúng?
  • IAM là cơ chế chuẩn của AWS để xác thực (authentication) và ủy quyền (authorization) cho người dùng, nhóm, vai trò hoặc các dịch vụ.
  • Bằng cách tạo IAM policies cho phép/không cho phép các hành động như qbusiness:Search, qbusiness:CreateIndex, …, công ty có thể kiểm soát ai được phép truy cập vào Q Business và đối tượng nào (ví dụ: chỉ một domain nội bộ).
  • Kết hợp với IAM Identity Center (SSO) hoặc AWS SSO cũng có thể tích hợp với các IdP doanh nghiệp (AD, Okta) để thực hiện single‑sign‑on và tuân thủ các tiêu chuẩn bảo mật.

❌ Các đáp án sai và lý do

• Set up cross‑account access to the Amazon Q index.

  • Sai vì việc thiết lập cross‑account access (cho phép tài khoản AWS khác truy cập) không phải là một biện pháp bảo mật dữ liệu nội bộ; ngược lại, nó mở rộng phạm vi truy cập ra ngoài, làm tăng rủi ro rò rỉ dữ liệu nếu không quản lý chặt chẽ.
  • Khi mục tiêu là riêng tư, nên hạn chế quyền truy cập trong cùng một tài khoản hoặc cùng tổ chức (Organization) và không cần chia sẻ sang tài khoản khác.

• Configure Amazon Inspector for authentication.

  • Sai vì Amazon Inspector là dịch vụ đánh giá bảo mật (vulnerability assessment) cho EC2, container, và các workload. Nó không liên quan tới xác thực người dùng hay kiểm soát truy cập vào Q Business.
  • Việc cấu hình Inspector không giúp bảo vệ dữ liệu trong Q Business; thay vào đó, nó chỉ cung cấp báo cáo về lỗ hổng bảo mật của môi trường compute.

• Allow public access to the Amazon Q index.

  • Sai vì mở public access (truy cập công cộng) đối nghịch hoàn toàn với yêu cầu “security and privacy”.
  • Khi chỉ mục được công khai, bất kỳ ai có URL đều có thể thực hiện tìm kiếm và truy cập dữ liệu, gây rò rỉ nghiêm trọng.
  • Đối với môi trường doanh nghiệp, luôn phải giới hạn truy cập bằng IAM, VPC endpoints, hoặc PrivateLink.

🛠️ Gợi ý triển khai thực tế (theo chuẩn AWS 2026)

1. Tạo Customer Managed Key (CMK) trong KMS

   • Đặt policy cho phép chỉ IAM role của Q Business và các role ứng dụng được phép kms:Encrypt, kms:Decrypt.
   • Khi tạo Enterprise index trong Q Business, chọn “Enable encryption” và chỉ định CMK đã tạo.

2. Xây dựng IAM policy cho Q Business

   • Ví dụ policy:

     {
       "Version": "2012-10-17",
       "Statement": [
         {
           "Effect": "Allow",
           "Action": [
             "qbusiness:Chat",
             "qbusiness:Search",
             "qbusiness:GetDocument"
           ],
           "Resource": "arn:aws:qbusiness:region:account-id:index/YourEnterpriseIndex"
         }
       ]
     }
     

   • Gán policy này cho IAM users, groups, hoặc roles tương ứng (ví dụ: QBusinessReadOnlyRole).

3. Kết hợp với AWS PrivateLink / VPC endpoint (tùy chọn) để giữ lưu lượng truy cập trong mạng VPC nội bộ, giảm bớt rủi ro từ internet.

📚 Tham khảo tài liệu

• Amazon Q Business Developer Guide (v2026.x) – “Security and encryption” section.
• AWS Key Management Service Documentation – “Using AWS KMS with Amazon Q Business”.
• IAM Best Practices – “Controlling access to Amazon Q Business”.
• AWS Security Blog (2025‑2026) – “Protecting enterprise data in generative AI services”.

Tóm lại: Để đáp ứng yêu cầu bảo mật & riêng tư cho dữ liệu trong Amazon Q Business, công ty cần mã hoá index bằng KMS và cấu hình IAM để thực hiện xác thực/ủy quyền. Hai lựa chọn còn lại (cross‑account access, Amazon Inspector, public access) không phù hợp hoặc thậm chí trái ngược với mục tiêu. ✅✨

🔍 Phân tích câu hỏi

Công ty đang sử dụng Amazon Comprehend để tạo các mô hình machine‑learning tùy chỉnh và gán mỗi mô hình vào một endpoint (điểm cuối) riêng.
Mục tiêu: tự động tạo báo cáo liệt kê các endpoint không có bất kỳ lượt gọi nào trong hơn 15 ngày.

Để đáp ứng yêu cầu này, chúng ta cần một dịch vụ có khả năng:

1. Theo dõi (monitor) các metric hoặc sự kiện liên quan đến việc gọi endpoint của Amazon Comprehend.
2. Đánh giá thời gian không hoạt động (idle time) – ví dụ: “số lần gọi = 0” trong một khoảng thời gian liên tục.
3. Kích hoạt (trigger) một hành động – như gửi báo cáo qua SNS, Lambda, hoặc lưu vào S3 – một cách tự động.

Trong các lựa chọn, Amazon CloudWatch là dịch vụ duy nhất cung cấp các tính năng trên (metric collection, metric math, alarm, EventBridge rules).

✅ Đáp án đúng: Amazon CloudWatch

Lý do lựa chọn

• Amazon Comprehend tự động xuất các metric vào CloudWatch, bao gồm NumberOfInvocations (số lần gọi endpoint) và InferenceLatency.
• Bạn có thể tạo CloudWatch Metric Alarm hoặc Metric Math để kiểm tra điều kiện “NumberOfInvocations = 0 trong 15 ngày liên tiếp”.
• Khi alarm được kích hoạt, CloudWatch có thể gửi thông báo qua Amazon SNS hoặc khởi chạy một hàm Lambda để tổng hợp và gửi báo cáo.
• CloudWatch EventBridge cũng cho phép lập lịch (cron) để chạy định kỳ một job (Lambda, Step Functions, …) thực hiện truy vấn metric và tạo báo cáo.

Do đó, CloudWatch đáp ứng đầy đủ yêu cầu “tự động báo cáo các endpoint không được sử dụng >15 ngày”.

❌ Giải thích các lựa chọn sai

• AWS Trusted Advisor

  • 🛠️ Trusted Advisor cung cấp các khuyến nghị về chi phí, bảo mật, hiệu năng, fault tolerance, và service limits.
  • Nó không theo dõi metric hoặc trạng thái hoạt động của các endpoint Comprehend, và không có khả năng lập lịch hay gửi báo cáo tự động dựa trên thời gian không sử dụng.
  • Vì vậy không phù hợp với nhu cầu “monitor usage of endpoints”.

• AWS CloudTrail

  • 📘 CloudTrail ghi lại các API call (audit log) cho hầu hết các dịch vụ AWS, bao gồm cả StartEndpoint / InvokeEndpoint của Comprehend.
  • Tuy nó có thể xem lịch sử gọi, nhưng CloudTrail không cung cấp công cụ báo cáo tự động dựa trên khoảng thời gian không hoạt động; bạn cần phải xây dựng pipeline phức tạp (ví dụ: export log sang S3 → Athena → Lambda).
  • So với CloudWatch, CloudTrail không phải là công cụ monitoring thời gian thực và không hỗ trợ alarm trực tiếp cho “không có gọi trong 15 ngày”.

• AWS Config

  • 🧩 Config theo dõi cấu hình và thay đổi cấu hình của các tài nguyên AWS (ví dụ: VPC, IAM, EC2).
  • Nó không ghi nhận số lần gọi hay hoạt động runtime của các endpoint Comprehend.
  • Do vậy, Config không thể đáp ứng yêu cầu “phát hiện endpoint không được sử dụng”.

📚 Tham khảo tài liệu (2026)

1. Amazon CloudWatch Metrics for Amazon Comprehend – https://docs.aws.amazon.com/comprehend/latest/dg/monitoring-cloudwatch.html
2. Creating CloudWatch Alarms – https://docs.aws.amazon.com/cloudwatch/latest/monitoring/AlarmThatSendsEmail.html
3. Amazon EventBridge (formerly CloudWatch Events) – Scheduled Rules – https://docs.aws.amazon.com/eventbridge/latest/userguide/create-eventbridge-scheduled-rule.html
4. AWS Trusted Advisor Documentation – https://docs.aws.amazon.com/awssupport/latest/user/getting-started.html
5. AWS CloudTrail User Guide – https://docs.aws.amazon.com/cloudtrail/latest/userguide/cloudtrail-user-guide.html
6. AWS Config Developer Guide – https://docs.aws.amazon.com/config/latest/developerguide/what-is-aws-config.html

Tóm tắt nhanh gọn gàng

• ✅ Amazon CloudWatch → Giám sát metric NumberOfInvocations, tạo alarm 15 ngày không gọi, tự động gửi báo cáo.
• ❌ AWS Trusted Advisor → Chỉ đưa ra khuyến nghị, không theo dõi metric.
• ❌ AWS CloudTrail → Ghi log API, không có alarm thời gian không hoạt động tích hợp.
• ❌ AWS Config → Quản lý cấu hình, không liên quan tới việc gọi endpoint.

Với kiến trúc hiện đại và tích hợp sâu với Amazon Comprehend, CloudWatch là lựa chọn duy nhất đáp ứng đầy đủ yêu cầu tự động hoá báo cáo về các endpoint không hoạt động trong hơn 15 ngày. 🚀

🔎 Phân tích câu hỏi

• Bối cảnh: Một chuyên gia AI muốn fine‑tune (tinh chỉnh) một mô hình ngôn ngữ lớn (LLM) nguồn mở để thực hiện text categorization. Dữ liệu đã sẵn sàng.
• Yêu cầu: Lựa chọn giải pháp có mức độ vận hành (operational effort) thấp nhất – tức là giảm thiểu việc phải tự quản lý hạ tầng, viết script, cấu hình môi trường, v.v.
• Điểm cần xét:
  1. Độ “đóng gói” của dịch vụ (có tích hợp sẵn pipeline training hay không).
  2. Quản lý hạ tầng (tự provision EC2, SageMaker notebook, v.v.).
  3. Hỗ trợ LLM nguồn mở và công cụ fine‑tune hiện đại (đến năm 2026, AWS đã mở rộng hỗ trợ các mô hình như Llama‑2, Mistral, Falcon,…).

✅ Đáp án đúng

Use Amazon SageMaker JumpStart to create a training job.

Lý do:

• SageMaker JumpStart cung cấp “one‑click” training jobs cho hơn 100 mô hình LLM nguồn mở (Llama 2, Mistral, Falcon, …) và bao gồm các pipeline fine‑tuning sẵn có.
• Người dùng chỉ cần chọn mô hình, tải dataset (hoặc trỏ tới S3), cấu hình một vài siêu‑tham số và khởi chạy.
• Hạ tầng (SageMaker Training Instances, autoscaling, checkpoint, logging) được AWS quản lý hoàn toàn, giảm thiểu công việc cấu hình và bảo trì.
• Đến tháng 3/2026, JumpStart đã bổ sung “Fine‑tune LLM” UI trong SageMaker Studio Lab và API cho việc triển khai nhanh, phù hợp nhất với yêu cầu “least operational effort”.

🧩 Giải thích các phương án khác (đúng/sai)

1️⃣ Create a custom model training job in PartyRock on Amazon Bedrock. (SAI)

• PartyRock không phải là một dịch vụ thực tế của AWS; có thể là một “placeholder” trong đề.
• Amazon Bedrock hiện tại (2026) chỉ cung cấp inference cho các foundation models (mô hình nền tảng) và custom model deployment, nhưng không hỗ trợ training/fine‑tuning trực tiếp trên Bedrock.
• Do vậy, việc “create a custom model training job in PartyRock on Amazon Bedrock” không khả thi và yêu cầu người dùng tự xây dựng hạ tầng, trái với tiêu chí “least operational effort”.

2️⃣ Use a custom script to run an Amazon SageMaker AI model training job. (SAI)

• Việc viết script (Python, SageMaker SDK, hoặc CLI) để khởi chạy một training job yêu cầu:
  • Định nghĩa Docker container hoặc sử dụng SageMaker‑provided containers.
  • Quản lý IAM role, VPC, S3 bucket, checkpoint, hyper‑parameter tuning, …
• Mặc dù SageMaker tự động hoá hạ tầng, công sức chuẩn bị script và đảm bảo tương thích với mô hình LLM nguồn mở (cài đặt dependencies, tokenizer, v.v.) làm tăng đáng kể operational effort.
• So với JumpStart, đây là một bước “manual” hơn, vì JumpStart đã có các script và cấu hình sẵn.

3️⃣ Create a Jupyter notebook on an Amazon EC2 instance. Use the notebook to train the model. (SAI)

• EC2 + Jupyter là cách “bare‑metal” truyền thống:
  • Người dùng tự provision instance (chọn loại GPU, cài đặt driver, CUDA, PyTorch/TensorFlow, các thư viện LLM…).
  • Phải tự quản lý lưu trữ (EBS), backup, scaling, và dừng/start instance để tối ưu chi phí.
• So với SageMaker, không có tính năng managed training, không có checkpoint tự động, không có logging/monitoring tích hợp, và không có cost‑optimisation tự động.
• Vì vậy, đây là phương án cực kỳ tốn công sức và không đáp ứng yêu cầu “least operational effort”.

📚 Tham khảo tài liệu (2026)

• Amazon SageMaker JumpStart Documentation – “Fine‑tune large language models with one‑click” (AWS Docs, March 2026).
• Amazon Bedrock Developer Guide – “Inference only; training not supported” (AWS Docs, February 2026).
• AWS re:Invent 2025 – Deep dive on SageMaker JumpStart for LLM fine‑tuning (video & slides).
• AWS Blog – Simplifying LLM fine‑tuning with SageMaker JumpStart (12 Nov 2025).

🏁 Tổng kết

• ✅ Đáp án đúng: Use Amazon SageMaker JumpStart to create a training job – vì nó cung cấp quy trình đầy đủ, tự động, ít cấu hình cho việc fine‑tune LLM nguồn mở, đáp ứng yêu cầu “least operational effort”.
• ❌ Các phương án còn lại yêu cầu tự triển khai hạ tầng, viết code, hoặc thậm chí sử dụng dịch vụ không hỗ trợ training, do đó không phù hợp với tiêu chí của câu hỏi.

1. Giải thích nội dung câu hỏi

🚗💥 Một công ty muốn tích hợp một giải pháp AI để tự động gọi dịch vụ cứu hộ (emergency services) trong vòng 30 giây ngay sau khi phát hiện va chạm xe.

• Yêu cầu thời gian đáp ứng rất gắt gao → độ trễ (latency) của mô hình inference phải rất thấp.
• Công ty muốn sử dụng mô hình đã được huấn luyện sẵn (pre‑trained) và không thực hiện thêm quá trình training.

Vì vậy, khi lựa chọn mô hình, yếu tố quyết định là điều gì ảnh hưởng trực tiếp tới thời gian inference để đáp ứng thời gian giới hạn 30 s.

2. Đáp án đúng

✅ Model size

Lý do:

• Kích thước mô hình (số lượng tham số, depth, width) quyết định thời gian tính toán và lượng tài nguyên (CPU/GPU, RAM) cần thiết cho mỗi lần dự đoán.
• Mô hình lớn hơn thường cho độ chính xác cao hơn, nhưng latency tăng và yêu cầu phần cứng mạnh hơn, gây khó đạt mục tiêu 30 s, đặc biệt khi chạy trên các endpoint thực tế (Amazon SageMaker, Amazon Bedrock).
• Khi không có khả năng tùy chỉnh hoặc huấn luyện lại, cách duy nhất để giảm latency là chọn mô hình có kích thước phù hợp (ví dụ: các phiên bản “lite” hoặc “small” của mô hình trong SageMaker JumpStart hoặc Amazon Bedrock).

3. Phân tích các phương án

• Model customization
  ❌ Giải thích: “Customization” đề cập tới việc tinh chỉnh (fine‑tune) mô hình hoặc thêm layer mới. Câu hỏi đã nói không thực hiện thêm training nên việc tùy chỉnh không liên quan. Thậm chí, việc tùy chỉnh còn tốn thời gian và tài nguyên, không giúp giảm latency.

• Model size
  ✅ Giải thích: Như đã nêu ở mục 2, kích thước mô hình quyết định thời gian inference và mức tài nguyên cần thiết. Để đáp ứng “within 30 seconds”, ưu tiên chọn mô hình nhỏ hơn (ví dụ: “Claude‑instant”, “Titan‑text‑lite”, “Llama‑2‑7B”) và triển khai trên instance có tốc độ xử lý cao (ml.g5.xlarge, g4dn.xlarge…) để đạt latency thấp.

• Model cost
  ❌ Giải thích: Chi phí mô hình (giá tiền trả cho inference, licensing) là yếu tố quan trọng trong quản lý ngân sách, nhưng không ảnh hưởng trực tiếp đến thời gian phản hồi. Một mô hình đắt hơn có thể lớn hơn và thậm chí tăng latency, nên không phải là ưu tiên trong yêu cầu này.

• Model temperature
  ❌ Giải thích: “Temperature” là tham số điều chỉnh độ ngẫu nhiên của kết quả tạo ngôn ngữ (creativity). Nó không ảnh hưởng tới thời gian tính toán hay kích thước mô hình. Do yêu cầu là thời gian phản hồi nhanh, nhiệt độ không phải là tiêu chí lựa chọn.

4. Kiến thức cập nhật tới năm 2026

• Amazon Bedrock (ra mắt 2023, mở rộng 2024‑2025) cung cấp các mô hình foundation (Anthropic, Stability AI, Amazon Titan) với các phiên bản “lite” (nhỏ) để giảm latency.
• SageMaker JumpStart cung cấp pre‑trained models và cho phép triển khai multi‑model endpoints; tài liệu mới (2025‑2026) nhấn mạnh: “Select a model family and size that meets your latency SLA; smaller model variants typically achieve < 100 ms per request on g5.xlarge”.
• SageMaker Serverless Inference và Provisioned Throughput cho phép cân bằng chi phí và latency, nhưng kích thước mô hình vẫn là yếu tố quyết định chính.

📚 Tham khảo:

• AWS Documentation – Amazon Bedrock Model Families (2026 edition).
• AWS Documentation – SageMaker Inference Latency Best Practices (2025).
• AWS Blog – Choosing the right foundation model size for real‑time workloads (2024).

5. Tổng kết

• Để đáp ứng độ trễ ≤ 30 giây khi không thực hiện thêm training, công ty cần ưu tiên chọn “Model size” thích hợp – mô hình nhỏ hơn sẽ chạy nhanh hơn trên cùng một phần cứng.
• Các yếu tố khác (customization, cost, temperature) không ảnh hưởng trực tiếp tới yêu cầu thời gian phản hồi và do đó không phải là tiêu chí ưu tiên.

Chúc bạn thành công trong việc thiết kế giải pháp AI đáp ứng SLA khắt khe! 🚀🧩

📌 Phân tích câu hỏi

Câu hỏi yêu cầu xác định mục đích chính của các lời nhắc hệ thống (system prompts) trong các ứng dụng AI tạo sinh (generative AI applications). Đây là một chủ đề liên quan đến lĩnh vực trí tuệ nhân tạo và xử lý ngôn ngữ tự nhiên.

📝 Giải thích các lựa chọn

• To authenticate user credentials to access responses from AI 🧩: ❌ Phương án này không đúng. Lời nhắc hệ thống không liên quan đến việc xác thực thông tin người dùng. Xác thực người dùng thường được xử lý thông qua các cơ chế bảo mật và quản lý danh tính.

• To generate random responses by AI 🧩: ❌ Phương án này cũng không đúng. Mục đích của lời nhắc hệ thống không phải là tạo ra các phản hồi ngẫu nhiên. Các phản hồi ngẫu nhiên có thể không liên quan đến ngữ cảnh và không mang lại giá trị thực tế.

• To define the role and behavioral boundaries of AI 🛠️: ✅ Đây là đáp án đúng. Lời nhắc hệ thống (system prompts) được sử dụng để định nghĩa vai trò và các ranh giới hành vi của AI. Điều này giúp AI hiểu rõ ngữ cảnh và phạm vi hoạt động, từ đó đưa ra các phản hồi phù hợp.

• To compress output data from AI 📘: ❌ Phương án này sai. Lời nhắc hệ thống không nhằm mục đích nén dữ liệu đầu ra từ AI. Việc nén dữ liệu thường liên quan đến các kỹ thuật lưu trữ và truyền tải dữ liệu.

📚 Tài liệu tham khảo

Theo các tài liệu mới nhất về AI và xử lý ngôn ngữ tự nhiên, lời nhắc hệ thống đóng vai trò quan trọng trong việc định hướng và kiểm soát hành vi của các mô hình AI tạo sinh. Điều này giúp các nhà phát triển có thể tận dụng AI một cách hiệu quả và an toàn hơn.

Tài liệu tham khảo:

• "AWS Certified AI - Machine Learning Specialty" study guide
• "Generative AI on AWS" documentation

🔍 Kết luận

Mục đích chính của lời nhắc hệ thống trong các ứng dụng AI tạo sinh là để định nghĩa vai trò và các ranh giới hành vi của AI. Điều này giúp đảm bảo rằng AI hoạt động theo đúng yêu cầu và hạn chế các rủi ro tiềm ẩn.

📘 Phân tích câu hỏi

Câu hỏi liên quan đến việc một công ty sử dụng mô hình ngôn ngữ lớn (Large Language Model - LLM) để tạo ra một trợ lý AI tạo sinh. Công ty này muốn chọn một kỹ thuật AI để đảm bảo rằng trợ lý AI tạo ra các phản hồi chính xác về mặt sự thật. Họ đã chọn kỹ thuật Retrieval Augmented Generation (RAG).

🧩 Yêu cầu của câu hỏi

• Giải thích nội dung câu hỏi một cách chi tiết và rõ ràng.
• Chỉ rõ đáp án đúng và giải thích lý do lựa chọn.
• Giải thích tất cả các phương án (đúng và sai) bằng tiếng Việt, giữ nguyên nội dung văn bản gốc của các phương án bằng tiếng Anh.

📝 Giải thích nội dung câu hỏi

Công ty đang sử dụng LLM để tạo ra trợ lý AI có khả năng tạo sinh. Tuy nhiên, một trong những hạn chế của LLM là khả năng tạo ra thông tin không chính xác hoặc "ảo tưởng" (hallucinations). Để giảm thiểu hạn chế này, công ty chọn kỹ thuật RAG.

🤔 Kỹ thuật Retrieval Augmented Generation (RAG)

RAG là một kỹ thuật kết hợp giữa việc truy xuất thông tin từ cơ sở dữ liệu và khả năng tạo sinh của LLM. Kỹ thuật này giúp LLM tạo ra các phản hồi dựa trên thông tin đã được xác thực từ cơ sở dữ liệu, từ đó tăng độ chính xác của các phản hồi.

📝 Phân tích các phương án

• Hallucinations: ✅ Đây là đáp án đúng. Hallucinations là một hạn chế của LLM, trong đó mô hình có thể tạo ra thông tin không chính xác hoặc không tồn tại. RAG giúp giảm thiểu hạn chế này bằng cách cung cấp thông tin đã được xác thực từ cơ sở dữ liệu.

• Security: ❌ Đây là một vấn đề quan trọng trong lĩnh vực AI, nhưng không phải là hạn chế mà RAG đang cố gắng giảm thiểu. Security liên quan đến việc bảo vệ dữ liệu và mô hình khỏi các cuộc tấn công hoặc truy cập trái phép.

• Nondeterminism: ❌ Nondeterminism đề cập đến việc mô hình có thể tạo ra các kết quả khác nhau cho cùng một đầu vào. Mặc dù RAG có thể giúp giảm thiểu sự không xác định này, nhưng nó không phải là mục tiêu chính của kỹ thuật này.

• Interpretability: ❌ Interpretability đề cập đến khả năng hiểu và giải thích các quyết định của mô hình. RAG không trực tiếp giải quyết vấn đề này, mà tập trung vào việc tăng độ chính xác của các phản hồi.

📘 Tài liệu tham khảo

Theo tài liệu của AWS về RAG: "Retrieval Augmented Generation (RAG) is a technique that combines the strengths of large language models (LLMs) with the accuracy of retrieval-based systems. RAG can help reduce hallucinations in LLMs by providing them with access to a database of trusted information." [1]

📝 Kết luận

Công ty đang cố gắng giảm thiểu hạn chế của LLM liên quan đến việc tạo ra thông tin không chính xác hoặc "ảo tưởng" (hallucinations) bằng cách sử dụng kỹ thuật RAG.

🎯 Đáp án: Hallucinations

[1] AWS Documentation - Retrieval Augmented Generation (RAG) (2023)

📘 Phân tích câu hỏi

Câu hỏi mô tả một công ty đang xây dựng hệ thống đề xuất việc làm dựa trên dữ liệu đăng tuyển và hồ sơ người dùng tìm việc. Tuy nhiên, hệ thống này cho thấy sự thiên vị trong đề xuất việc làm dựa trên giới tính đối với các hồ sơ người dùng tương đương nhau. Câu hỏi yêu cầu xác định nguyên tắc mà công ty nên tuân theo để giải quyết vấn đề này, theo các phương pháp tốt nhất của AWS về AI có trách nhiệm.

🧩 Các lựa chọn và phân tích

• Governance: ❌ Đây là một nguyên tắc quan trọng trong việc quản lý và giám sát AI, nhưng nó không trực tiếp giải quyết vấn đề thiên vị trong hệ thống đề xuất. Governance liên quan đến việc thiết lập các quy trình và chính sách để đảm bảo AI được phát triển và sử dụng một cách có trách nhiệm.

• Explainability: ❌ Nguyên tắc này liên quan đến khả năng giải thích các quyết định và hành động của hệ thống AI. Mặc dù explainability có thể giúp xác định tại sao hệ thống đưa ra các đề xuất thiên vị, nhưng nó không trực tiếp giải quyết vấn đề fairness (công bằng) trong kết quả.

• Controllability: ❌ Controllability đề cập đến khả năng kiểm soát và can thiệp vào hệ thống AI khi cần thiết. Giống như explainability, controllability là một khía cạnh quan trọng của AI có trách nhiệm, nhưng nó không trực tiếp giải quyết vấn đề thiên vị.

• Fairness: ✅ Đây là nguyên tắc phù hợp nhất để giải quyết vấn đề thiên vị trong hệ thống đề xuất việc làm. Fairness trong AI đề cập đến việc đảm bảo hệ thống không phân biệt đối xử và tạo ra kết quả công bằng cho tất cả người dùng. Theo các phương pháp tốt nhất của AWS về AI có trách nhiệm, fairness là nguyên tắc chính để giải quyết các vấn đề thiên vị và đảm bảo hệ thống AI đối xử công bằng với tất cả người dùng.

📘 Kết luận

Đáp án đúng là Fairness. Công ty nên tuân theo nguyên tắc fairness để giải quyết vấn đề thiên vị trong hệ thống đề xuất việc làm dựa trên giới tính. Fairness đảm bảo rằng hệ thống AI không phân biệt đối xử và tạo ra kết quả công bằng cho tất cả người dùng, bất kể đặc điểm cá nhân nào.

Tài liệu tham khảo:

• AWS Responsible AI Practices: https://aws.amazon.com/machine-learning/responsible-ai/

• AWS Best Practices for Responsible AI: https://docs.aws.amazon.com/solutions/latest/aws-machine-learning-responsible-ai-framework/

📘 Phân tích câu hỏi:

Một công ty muốn các mô hình trí tuệ nhân tạo (AI) của họ phải minh bạch và giải thích được. Họ đang tìm kiếm sự kết hợp giữa các tính năng AI của Amazon SageMaker để đáp ứng các yêu cầu này.

✅ Yêu cầu:

• Mô hình AI phải minh bạch (transparent)
• Mô hình AI phải giải thích được (explainable)

📝 Các lựa chọn:

• SageMaker Model Cards
• SageMaker Pipelines
• SageMaker Clarity
• SageMaker Model Monitor
• SageMaker Debugger

🧩 Giải thích các lựa chọn:

1. SageMaker Model Cards: ✅ Đúng SageMaker Model Cards cung cấp thông tin chi tiết về mô hình, bao gồm cả thông tin về dữ liệu huấn luyện, quá trình huấn luyện và kết quả đánh giá mô hình. Điều này giúp tăng tính minh bạch của mô hình.

2. SageMaker Pipelines: ❌ Sai SageMaker Pipelines là một tính năng giúp tự động hóa quy trình machine learning, nhưng nó không trực tiếp giúp tăng tính minh bạch hoặc giải thích được của mô hình.

3. SageMaker Clarity: ✅ Đúng SageMaker Clarity cung cấp các công cụ để giúp giải thích mô hình, bao gồm cả việc hiển thị thông tin chi tiết về cách mô hình đưa ra quyết định.

4. SageMaker Model Monitor: ❌ Sai SageMaker Model Monitor giúp theo dõi hiệu suất của mô hình sau khi triển khai, nhưng nó không trực tiếp giúp tăng tính minh bạch hoặc giải thích được của mô hình.

5. SageMaker Debugger: ❌ Sai SageMaker Debugger giúp gỡ lỗi mô hình trong quá trình huấn luyện, nhưng nó không trực tiếp giúp tăng tính minh bạch hoặc giải thích được của mô hình.

📘 Kết luận:

Sự kết hợp giữa SageMaker Model Cards và SageMaker Clarity sẽ giúp đáp ứng yêu cầu về tính minh bạch và giải thích được của mô hình AI.

📚 Dẫn nguồn:

• Amazon SageMaker documentation: https://docs.aws.amazon.com/sagemaker/latest/dg/what-is.html

📘 Phân tích câu hỏi

Câu hỏi yêu cầu tìm ra giải pháp giúp giảm thiểu tác động môi trường của một ứng dụng đề xuất sản phẩm sử dụng mô hình trí tuệ nhân tạo (AI) tạo sinh.

🧩 Giải pháp giảm thiểu tác động môi trường

Để giảm thiểu tác động môi trường, cần tập trung vào các giải pháp giảm tiêu thụ năng lượng và tài nguyên tính toán.

📝 Phân tích các phương án

• Optimize the deployed model architecture to prioritize computational efficiency during model inference. ✅ Đây là đáp án đúng. Tối ưu hóa kiến trúc mô hình để ưu tiên hiệu quả tính toán trong quá trình suy luận mô hình giúp giảm lượng tài nguyên tính toán cần thiết, từ đó giảm tiêu thụ năng lượng và tác động môi trường.

• Adopt a distributed inference approach by using multiple smaller models across multiple Availability Zones. ❌ Phương án này không chính xác. Mặc dù phân phối suy luận trên nhiều mô hình nhỏ hơn có thể cải thiện hiệu suất, nhưng việc triển khai trên nhiều Availability Zones (AZ) có thể tăng tiêu thụ năng lượng do cần nhiều tài nguyên tính toán và cơ sở hạ tầng hơn.

• Adopt a hybrid strategy by deploying the model on premises and storing the data on AWS. ❌ Phương án này không phù hợp. Triển khai mô hình tại chỗ (on premises) và lưu trữ dữ liệu trên AWS không trực tiếp giảm tác động môi trường vì vẫn cần tiêu thụ năng lượng cho cơ sở hạ tầng tại chỗ và có thể cần thêm tài nguyên trên AWS.

• Deploy multiple models and use a dynamic model selection mechanism that queries different models randomly. ❌ Phương án này không đúng. Triển khai nhiều mô hình và sử dụng cơ chế chọn mô hình động có thể tăng tiêu thụ tài nguyên tính toán do cần vận hành nhiều mô hình cùng lúc, từ đó tăng tác động môi trường.

📘 Tài liệu tham khảo

• AWS Certified DevOps Engineer - Professional Study Guide (2026)
• AWS Well-Architected Framework: Sustainability Pillar (2026)

🧩 Kết luận

Tối ưu hóa kiến trúc mô hình để tăng hiệu quả tính toán trong quá trình suy luận là giải pháp phù hợp nhất để giảm thiểu tác động môi trường của ứng dụng đề xuất sản phẩm sử dụng mô hình AI tạo sinh.

📘 Phân tích câu hỏi

Câu hỏi yêu cầu chúng ta tìm một chỉ số đánh giá (evaluation metric) phù hợp để đo lường chất lượng của các bản tóm tắt bài viết (article summaries) được tạo ra bởi Amazon SageMaker AI ở nhiều ngôn ngữ khác nhau. Mục tiêu là đánh giá chất lượng của việc dịch thuật tóm tắt.

🧩 Các lựa chọn

Dưới đây là các lựa chọn được đưa ra:

• Recall-Oriented Understudy for Gisting Evaluation (ROUGE)
• Bilingual evaluation understudy (BLEU)
• Area Under the ROC Curve (AUC)
• Precision

📝 Giải thích các lựa chọn

Recall-Oriented Understudy for Gisting Evaluation (ROUGE)

❌ Sai: ROUGE là một chỉ số đánh giá được sử dụng để đo lường chất lượng của việc tóm tắt văn bản (text summarization), nhưng nó không đặc biệt tập trung vào việc đánh giá chất lượng dịch thuật. ROUGE chủ yếu so sánh sự trùng lặp của các từ hoặc cụm từ giữa bản tóm tắt và văn bản gốc.

Bilingual evaluation understudy (BLEU)

✅ Đúng: BLEU là một chỉ số đánh giá được sử dụng rộng rãi để đo lường chất lượng của việc dịch thuật. BLEU tính toán sự tương tự giữa văn bản dịch và một hoặc nhiều văn bản tham chiếu (reference) dựa trên sự trùng lặp của các cụm từ. Chỉ số này rất phù hợp để đánh giá chất lượng dịch thuật của các bản tóm tắt bài viết ở nhiều ngôn ngữ khác nhau.

Area Under the ROC Curve (AUC)

❌ Sai: AUC là một chỉ số đánh giá được sử dụng trong các bài toán phân loại (classification), đặc biệt là trong các vấn đề liên quan đến phân tích rủi ro và điểm dự đoán. AUC không liên quan đến việc đánh giá chất lượng dịch thuật hoặc tóm tắt văn bản.

Precision

❌ Sai: Precision là một chỉ số đánh giá được sử dụng trong các bài toán phân loại và tìm kiếm thông tin. Precision đo lường tỷ lệ các kết quả đúng trong số các kết quả trả về. Precision không phù hợp để đánh giá chất lượng dịch thuật hoặc tóm tắt văn bản.

📘 Kết luận

Chỉ số đánh giá phù hợp để đo lường chất lượng của việc dịch thuật tóm tắt bài viết ở nhiều ngôn ngữ khác nhau là Bilingual evaluation understudy (BLEU).

Tài liệu tham khảo:

• Amazon SageMaker
• BLEU: a Method for Automatic Evaluation of Machine Translation
• ROUGE: A Package for Automatic Evaluation of Summaries

Hy vọng thông tin trên sẽ giúp bạn hiểu rõ hơn về các chỉ số đánh giá và lựa chọn được đáp án đúng! 🧩💡