Ngân hàng đề — AWS Certified AI Practitioner

📘 Phân tích câu hỏi

Câu hỏi yêu cầu xác định kỹ thuật Machine Learning (ML) phù hợp cho một công ty nghiên cứu đang phát triển các nền văn hóa vi sinh học. Họ chụp ảnh các nền văn hóa này mà không có dữ liệu được dán nhãn trước về các khu vực phát triển. Mục tiêu là xác định các vùng của hình ảnh thể hiện sự phát triển của nền văn hóa.

🧩 Phân tích các lựa chọn

• Logistic regression: ❌ Phương pháp này không phù hợp vì nó yêu cầu dữ liệu được dán nhãn (labeled data) để huấn luyện mô hình. Trong trường hợp này, không có dữ liệu được dán nhãn trước về các khu vực phát triển.

• Decision tree: ❌ Cây quyết định (Decision tree) cũng yêu cầu dữ liệu được dán nhãn để huấn luyện. Hơn nữa, nó thường được sử dụng cho các bài toán phân loại hoặc hồi quy có dữ liệu rõ ràng.

• Clustering: ✅ Đây là phương pháp phù hợp. Clustering là một kỹ thuật unsupervised learning (học không có dữ liệu được dán nhãn), giúp nhóm các dữ liệu tương tự lại với nhau dựa trên các đặc điểm của chúng. Trong trường hợp này, clustering có thể giúp xác định các vùng của hình ảnh có sự phát triển của nền văn hóa vi sinh học mà không cần dữ liệu được dán nhãn trước.

• Dimensionality reduction: ❌ Giảm chiều dữ liệu (Dimensionality reduction) là một kỹ thuật giúp giảm số lượng feature của dữ liệu mà vẫn giữ được thông tin quan trọng. Nó không trực tiếp giúp xác định các vùng của hình ảnh có sự phát triển.

📘 Giải thích lý do chọn Clustering

Clustering là lựa chọn đúng vì nó không yêu cầu dữ liệu được dán nhãn trước. Thay vào đó, nó sử dụng các thuật toán để tìm ra các mẫu và nhóm dữ liệu dựa trên sự tương tự. Trong trường hợp của công ty nghiên cứu, clustering có thể giúp tự động xác định các vùng của hình ảnh có sự phát triển của nền văn hóa vi sinh học.

Tài liệu tham khảo:

• AWS Machine Learning services: Amazon SageMaker
• Machine Learning concepts: Unsupervised Learning

🛠️ Kết luận

Clustering là kỹ thuật Machine Learning phù hợp để đáp ứng yêu cầu của công ty nghiên cứu trong việc xác định các vùng của hình ảnh có sự phát triển của nền văn hóa vi sinh học mà không cần dữ liệu được dán nhãn trước.

📘 Phân tích câu hỏi

Câu hỏi yêu cầu chúng ta xác định đặc điểm của mô hình nền tảng Amazon Nova mà một công ty phát trực tuyến media nên xem xét để tối thiểu hóa chi phí. Công ty này muốn sử dụng mô hình nền tảng Amazon Nova để xử lý tài liệu và hình ảnh.

Công ty đang so sánh giữa hai mô hình: Nova Micro và Nova Lite. Yêu cầu của công ty là tối thiểu hóa chi phí.

🛠️ Phân tích các lựa chọn

Dưới đây là phân tích của từng lựa chọn:

• Nova Micro uses transformer-based architectures. Nova Lite does not use transformer-based architectures. ❌ Lựa chọn này không chính xác vì không cung cấp thông tin về khả năng hỗ trợ dữ liệu của từng mô hình. Việc sử dụng kiến trúc transformer không trực tiếp liên quan đến việc tối thiểu hóa chi phí.

• Nova Micro supports only text data. Nova Lite is optimized for numerical data. ❌ Lựa chọn này không chính xác vì không đáp ứng yêu cầu của công ty. Công ty muốn xử lý cả tài liệu (text) và hình ảnh, nhưng thông tin này không được đề cập.

• Nova Micro supports only text. Nova Lite supports images, videos, and text. ✅ Lựa chọn này chính xác vì đáp ứng yêu cầu của công ty. Nếu Nova Micro chỉ hỗ trợ văn bản (text) và Nova Lite hỗ trợ hình ảnh, video và văn bản, công ty có thể chọn mô hình phù hợp với nhu cầu của mình, từ đó tối thiểu hóa chi phí.

• Nova Micro runs only on CPUs. Nova Lite runs only on GPUs. ❌ Lựa chọn này không chính xác vì không trực tiếp liên quan đến yêu cầu của công ty. Mặc dù thông tin về yêu cầu phần cứng có thể quan trọng, nhưng nó không giúp công ty tối thiểu hóa chi phí một cách trực tiếp như việc lựa chọn mô hình hỗ trợ loại dữ liệu phù hợp.

📘 Kết luận

Lựa chọn đúng là: Nova Micro supports only text. Nova Lite supports images, videos, and text.

Điều này giúp công ty có thể chọn mô hình phù hợp với nhu cầu của mình, từ đó tối thiểu hóa chi phí.

Tài liệu tham khảo:

• AWS Certified DevOps Engineer Professional (2026)
• Amazon Nova documentation (cập nhật mới nhất)

Lưu ý: Thông tin trên được trình bày dựa trên kiến thức cập nhật mới nhất đến năm 2026 và áp dụng theo phiên bản mới nhất từ AWS. 🧩

📘 Phân tích câu hỏi

Câu hỏi yêu cầu tìm ra giải pháp hiệu quả nhất về mặt vận hành để đáp ứng các yêu cầu sau:

• Lưu trữ dữ liệu khách hàng trong OpenSearch.
• Sử dụng một giải pháp AI để:
  • Chuyển đổi các truy vấn thành yêu cầu dữ liệu.
  • Tạo tệp CSV từ kết quả.
  • Tải tệp CSV lên Amazon S3.

✅ Yêu cầu chính:

• Giải pháp AI phải có khả năng chuyển đổi truy vấn thành yêu cầu dữ liệu.
• Giải pháp AI phải có khả năng tạo tệp CSV từ kết quả.
• Giải pháp AI phải có khả năng tải tệp CSV lên Amazon S3.

🔍 Phân tích các lựa chọn:

1. Create an AI agent to perform the required steps.

• Giải thích:

  • Tạo một tác nhân AI (AI agent) có thể thực hiện các bước cần thiết như chuyển đổi truy vấn thành yêu cầu dữ liệu, tạo tệp CSV từ kết quả và tải lên Amazon S3.
  • Đây là một giải pháp tập trung vào AI, cho phép tự động hóa các quy trình làm việc một cách linh hoạt.

• Lý do lựa chọn:

  • ✅ Giải pháp này đáp ứng tất cả các yêu cầu về chuyển đổi truy vấn, tạo tệp CSV và tải lên Amazon S3 một cách trực tiếp và hiệu quả.
  • ✅ Tác nhân AI có thể được thiết kế để hoạt động một cách tự động, giảm thiểu sự can thiệp của con người.

2. Use a single foundation model (FM) with few-shot prompting.

• Giải thích:

  • Sử dụng một mô hình nền tảng (foundation model) duy nhất với few-shot prompting, tức là sử dụng một vài ví dụ để mô hình học cách thực hiện nhiệm vụ.
  • Few-shot prompting thường được sử dụng trong các mô hình ngôn ngữ lớn để giúp mô hình thực hiện các nhiệm vụ mới mà không cần tập dữ liệu huấn luyện lớn.

• Lý do loại bỏ:

  • ❌ Mặc dù mô hình nền tảng có thể thực hiện các nhiệm vụ phức tạp, việc sử dụng few-shot prompting có thể không đủ để đảm bảo mô hình thực hiện được toàn bộ quy trình một cách đáng tin cậy, đặc biệt là khi cần tạo tệp CSV và tải lên S3.

3. Create a software application without using AI to perform the required steps.

• Giải thích:

  • Tạo một ứng dụng phần mềm truyền thống mà không sử dụng AI để thực hiện các bước cần thiết.

• Lý do loại bỏ:

  • ❌ Giải pháp này không tận dụng được khả năng của AI để tự động hóa và tối ưu hóa quy trình.
  • ❌ Việc không sử dụng AI có thể khiến giải pháp kém linh hoạt hơn.

4. Train a decision tree model to generate a solution based on user questions.

• Giải thích:

  • Huấn luyện một mô hình cây quyết định (decision tree) để tạo ra giải pháp dựa trên câu hỏi của người dùng.

• Lý do loại bỏ:

  • ❌ Cây quyết định thường được sử dụng trong các bài toán phân loại hoặc hồi quy và có thể không phù hợp với nhiệm vụ phức tạp như chuyển đổi truy vấn, tạo tệp CSV và tải lên S3.

📘 Kết luận:

Lựa chọn Create an AI agent to perform the required steps. là giải pháp hiệu quả nhất về mặt vận hành vì nó tận dụng AI để tự động hóa toàn bộ quy trình một cách linh hoạt và hiệu quả.

Tài liệu tham khảo:

• AWS Certified DevOps Engineer - Professional
• Amazon OpenSearch Service
• Amazon S3

✅ Đáp án đúng: Create an AI agent to perform the required steps.

📘 Phân tích câu hỏi

Câu hỏi yêu cầu xác định mô hình nền tảng (foundation model - FM) trong Amazon Bedrock có thể được tinh chỉnh (fine-tuned) cho việc hiểu văn bản, hình ảnh và video.

🛠️ Giải thích các lựa chọn

• Amazon Nova Pro: ✅ Đây là mô hình nền tảng trong Amazon Bedrock có thể được tinh chỉnh cho việc hiểu văn bản, hình ảnh và video. Amazon Nova Pro là một mô hình đa phương tiện (multimodal) mạnh mẽ.

• Amazon Titan Multimodal Embeddings G1: ❌ Mặc dù tên gọi gợi ý về khả năng đa phương tiện, nhưng mô hình này chủ yếu tập trung vào việc tạo ra các embeddings (vecto nhúng) cho văn bản và hình ảnh, không hỗ trợ tinh chỉnh cho video.

• Amazon Titan Text G1 - Express: ❌ Đây là mô hình chuyên dụng cho xử lý văn bản (text), không hỗ trợ cho hình ảnh và video.

• Amazon Nova Micro: ❌ Đây có thể là một phiên bản nhỏ hơn hoặc nhẹ hơn của mô hình Nova, nhưng nó không hỗ trợ khả năng tinh chỉnh cho hình ảnh và video như Amazon Nova Pro.

📘 Lý do chọn Amazon Nova Pro

Amazon Nova Pro được thiết kế để xử lý nhiều loại dữ liệu, bao gồm văn bản, hình ảnh và video. Khả năng tinh chỉnh của mô hình này cho phép tùy chỉnh nó đối với các nhiệm vụ cụ thể, từ đó nâng cao hiệu suất và độ chính xác trong các ứng dụng thực tế.

🧩 Tài liệu tham khảo

Để biết thêm thông tin về các mô hình nền tảng trong Amazon Bedrock và khả năng của chúng, bạn có thể tham khảo tài liệu chính thức của AWS:

• Amazon Bedrock documentation

• AWS Certified DevOps Engineer - Professional study guide

✅ Kết luận

Đáp án đúng là Amazon Nova Pro. Đây là mô hình nền tảng trong Amazon Bedrock hỗ trợ khả năng tinh chỉnh cho văn bản, hình ảnh và video.

📘 Phân tích câu hỏi

Câu hỏi yêu cầu tìm ra giải pháp đáp ứng các yêu cầu sau với mức độ phức tạp phát triển thấp nhất:

• Tạo dữ liệu phản hồi tổng hợp cho nhiều lời nhắc từ một lượng lớn dữ liệu.
• Sử dụng phương pháp API để tạo phản hồi.
• Không cần tạo phản hồi ngay lập tức.

✅ Giải pháp

Dưới đây là phân tích từng lựa chọn:

• Input the prompts into the model. Generate responses by using real-time inference. ❌ Giải pháp này không phù hợp vì yêu cầu tạo phản hồi không cần ngay lập tức, nhưng phương pháp suy luận thời gian thực (real-time inference) lại tạo ra phản hồi ngay lập tức. Điều này không đáp ứng yêu cầu của công ty.

• Use Amazon Bedrock batch inference. Generate responses asynchronously. ✅ Giải pháp này phù hợp vì Amazon Bedrock cung cấp khả năng suy luận hàng loạt (batch inference) cho phép tạo ra phản hồi cho nhiều lời nhắc cùng một lúc mà không cần phải tạo ngay lập tức. Việc tạo phản hồi không đồng bộ (asynchronously) giúp đáp ứng yêu cầu không cần tạo phản hồi ngay lập tức của công ty. Hơn nữa, giải pháp này đòi hỏi ít nỗ lực phát triển hơn so với các giải pháp khác.

• Use Amazon Bedrock agents. Build an agent system to process the prompts recursively. ❌ Giải pháp này đòi hỏi nhiều nỗ lực phát triển hơn vì cần xây dựng một hệ thống agent để xử lý các lời nhắc một cách đệ quy (recursively). Điều này làm tăng độ phức tạp của giải pháp.

• Use AWS Lambda functions to automate the task. Submit one prompt after another and store each response. ❌ Giải pháp này cũng đòi hỏi nhiều nỗ lực phát triển vì cần sử dụng AWS Lambda function để tự động hóa việc gửi từng lời nhắc một và lưu trữ phản hồi. Điều này làm tăng độ phức tạp và không đáp ứng yêu cầu với mức độ phức tạp phát triển thấp nhất.

📘 Tài liệu tham khảo

• AWS Bedrock documentation: https://docs.aws.amazon.com/bedrock/latest/userguide/what-is.html
• AWS Lambda documentation: https://docs.aws.amazon.com/lambda/latest/dg/welcome.html

✅ Kết luận

Giải pháp đúng là Use Amazon Bedrock batch inference. Generate responses asynchronously. vì đáp ứng các yêu cầu của công ty với mức độ phức tạp phát triển thấp nhất.

📌 Phân tích câu hỏi

Câu hỏi yêu cầu chúng ta xác định định nghĩa chính xác về Retrieval Augmented Generation (RAG). Đây là một khái niệm trong lĩnh vực trí tuệ nhân tạo (AI) và xử lý ngôn ngữ tự nhiên (NLP), đặc biệt là trong bối cảnh sử dụng mô hình ngôn ngữ lớn (Large Language Models - LLMs).

🔍 Giải thích các phương án

• A process that uses large amounts of new data to train large language models (LLMs) to improve LLM performance ❌ Phương án này không chính xác vì RAG không tập trung vào việc sử dụng dữ liệu mới để đào tạo lại mô hình ngôn ngữ lớn. Thay vào đó, nó sử dụng các nguồn kiến thức bên ngoài để tăng cường khả năng phản hồi của mô hình mà không cần đào tạo lại.

• A process by which large language models (LLMs) reference external authoritative knowledge bases to enhance the relevance and accuracy of LLM responses without re-training ✅ Đây là phương án chính xác. RAG cho phép mô hình ngôn ngữ lớn tham chiếu đến các nguồn kiến thức bên ngoài (external knowledge bases) để tăng cường độ liên quan và độ chính xác của các phản hồi mà không cần đào tạo lại mô hình. Điều này giúp mô hình có thể cập nhật kiến thức mới mà không phải trải qua quá trình đào tạo tốn kém.

• A process that limits large language models (LLMs) exclusively to their original training data to improve response speed for business applications without re-training ❌ Phương án này không chính xác vì RAG không giới hạn mô hình ngôn ngữ lớn chỉ trong dữ liệu đào tạo ban đầu. Ngược lại, nó cho phép mô hình truy cập và tham chiếu đến các nguồn dữ liệu bên ngoài để cải thiện chất lượng phản hồi.

• A process that focuses on language translation tasks for businesses that operate in multiple countries ❌ Phương án này không chính xác vì RAG không tập trung vào nhiệm vụ dịch ngôn ngữ. Nó có ứng dụng rộng rãi hơn trong việc tăng cường khả năng phản hồi chính xác và có liên quan của mô hình ngôn ngữ lớn thông qua việc tham chiếu kiến thức bên ngoài.

📚 Tài liệu tham khảo

Để có thông tin cập nhật mới nhất về Retrieval Augmented Generation (RAG) và các công nghệ liên quan đến AI, NLP, bạn có thể tham khảo các nguồn tài liệu chính thức từ AWS, các blog công nghệ, và các nghiên cứu mới nhất trong lĩnh vực này.

📌 Kết luận

Retrieval Augmented Generation (RAG) là một quá trình giúp tăng cường khả năng của mô hình ngôn ngữ lớn bằng cách tham chiếu đến các nguồn kiến thức bên ngoài mà không cần đào tạo lại mô hình. Điều này giúp cải thiện độ chính xác và độ liên quan của các phản hồi từ mô hình. ✅ Phương án chính xác là: A process by which large language models (LLMs) reference external authoritative knowledge bases to enhance the relevance and accuracy of LLM responses without re-training.

📘 Phân tích câu hỏi

Câu hỏi yêu cầu chúng ta tìm ra cách tiếp cận phù hợp để một công ty tuân thủ các tiêu chuẩn quy định và phát triển các giải pháp quản lý AI đáng tin cậy.

🧩 Giải thích các phương án

• [SAI] Optimize model inference time by using high-powered GPUs for faster processing. ❌ Phương án này không đảm bảo tuân thủ các tiêu chuẩn quy định về AI đáng tin cậy. Việc tối ưu hóa thời gian suy luận của mô hình bằng cách sử dụng GPU mạnh chỉ giúp tăng tốc độ xử lý nhưng không đảm bảo tính công bằng, minh bạch, trách nhiệm giải trình và bảo mật trong suốt vòng đời của giải pháp AI.

• [SAI] Ensure that each AI solution is developed only by technical experts. Do not involve other stakeholders. ❌ Phương án này cũng không phù hợp vì phát triển AI chỉ bởi các chuyên gia kỹ thuật mà không có sự tham gia của các bên liên quan khác có thể dẫn đến thiếu tính đại diện, công bằng và minh bạch. Điều này không đáp ứng được yêu cầu về AI đáng tin cậy.

• [SAI] Constrain transparency and user access to each model’s decision-making process. ❌ Hạn chế tính minh bạch và quyền truy cập của người dùng vào quá trình ra quyết định của mô hình sẽ làm giảm độ tin cậy và trách nhiệm giải trình của AI. Điều này trái ngược với các nguyên tắc của AI đáng tin cậy.

• [ĐÚNG] Ensure fairness, transparency, accountability, and security throughout the lifecycle of each AI solution. ✅ Đúng. Đảm bảo tính công bằng, minh bạch, trách nhiệm giải trình và bảo mật trong suốt vòng đời của mỗi giải pháp AI là cách tiếp cận phù hợp để đáp ứng các yêu cầu quy định và phát triển AI đáng tin cậy. Điều này bao gồm việc thiết kế và triển khai các hệ thống AI một cách có trách nhiệm, có thể giải thích được và công bằng.

📘 Tài liệu tham khảo

Theo các tài liệu và hướng dẫn mới nhất từ AWS về phát triển AI và Machine Learning đáng tin cậy, các nguyên tắc cơ bản bao gồm:

• Fairness (Công bằng): Đảm bảo AI không phân biệt đối xử và công bằng cho tất cả người dùng.
• Transparency (Minh bạch): Khả năng giải thích được các quyết định và hành động của AI.
• Accountability (Trách nhiệm giải trình): Đảm bảo có thể giải thích và chịu trách nhiệm về các hành động và quyết định của AI.
• Security (Bảo mật): Đảm bảo an toàn và bảo mật cho dữ liệu và các hệ thống AI.

Nguồn:

• AWS Machine Learning and Artificial Intelligence Documentation
• AWS Responsible AI Documentation

👍 Kết luận

Đáp án đúng là: Ensure fairness, transparency, accountability, and security throughout the lifecycle of each AI solution. ❌ Các phương án còn lại không đảm bảo các tiêu chuẩn cần thiết cho AI đáng tin cậy.

📘 Phân tích câu hỏi

Câu hỏi yêu cầu chọn phương pháp fine-tuning phù hợp để tinh chỉnh một mô hình nền tảng (foundation model - FM) đã được đào tạo cho một nhiệm vụ cụ thể, để thực hiện một nhiệm vụ khác nhưng có liên quan.

🧩 Nội dung câu hỏi

Một công ty đã đào tạo một mô hình nền tảng (FM) để thực hiện một nhiệm vụ cụ thể. Giờ đây, họ cần tinh chỉnh FM đó để thực hiện một nhiệm vụ khác nhưng có liên quan. Họ cần chọn phương pháp fine-tuning phù hợp.

🛠️ Các lựa chọn

• Hyperparameter tuning
• Pre-training
• Transfer learning
• Reinforcement learning

✅ Đáp án đúng: Transfer learning

📝 Giải thích các lựa chọn

• Hyperparameter tuning: ❌ Phương pháp này không liên quan đến việc tinh chỉnh mô hình cho một nhiệm vụ mới. Hyperparameter tuning chỉ là quá trình điều chỉnh các tham số của mô hình để tối ưu hóa hiệu suất trên một nhiệm vụ đã cho.

• Pre-training: ❌ Pre-training là bước đào tạo ban đầu của mô hình trên một tập dữ liệu lớn trước khi tinh chỉnh cho một nhiệm vụ cụ thể. Nó không phải là phương pháp tinh chỉnh mô hình cho một nhiệm vụ mới.

• Transfer learning: ✅ Đây là phương pháp phù hợp. Transfer learning cho phép sử dụng kiến thức đã học được từ một mô hình trên một nhiệm vụ để khởi tạo hoặc tinh chỉnh mô hình đó cho một nhiệm vụ khác có liên quan. Điều này giúp tận dụng các đặc điểm và mối quan hệ đã học được từ nhiệm vụ trước và áp dụng chúng cho nhiệm vụ mới.

• Reinforcement learning: ❌ Reinforcement learning là một phương pháp đào tạo mô hình học cách đưa ra quyết định thông qua việc thực hiện các hành động và nhận thưởng. Đây không phải là phương pháp tinh chỉnh mô hình cho một nhiệm vụ mới dựa trên kiến thức đã có.

📘 Tài liệu tham khảo

Theo tài liệu của AWS về Machine Learning và Deep Learning, transfer learning là một kỹ thuật quan trọng giúp tận dụng mô hình đã đào tạo để giải quyết các vấn đề liên quan nhưng khác biệt.

Tài liệu tham khảo:

• AWS Documentation: Machine Learning and Deep Learning
• AWS Certified Machine Learning – Specialty Guide: Fine-tuning a Model

🧩 Kết luận

Transfer learning là phương pháp phù hợp để tinh chỉnh một mô hình nền tảng đã được đào tạo cho một nhiệm vụ cụ thể sang một nhiệm vụ khác nhưng có liên quan. Điều này giúp tận dụng kiến thức và đặc điểm đã học được từ nhiệm vụ trước để áp dụng cho nhiệm vụ mới.

📝 Phân tích câu hỏi

Câu hỏi liên quan đến việc phát triển một lời nhắc (prompt) cho các mô hình ngôn ngữ lớn (LLMs) trong Amazon Bedrock. Người thực hành AI cần đảm bảo rằng lời nhắc này hoạt động trên tất cả các LLMs của Amazon Bedrock. Câu hỏi yêu cầu xác định đặc tính có thể khác nhau giữa các LLMs.

🤔 Phân tích các lựa chọn

• Maximum token count: ✅ Đây là đặc tính có thể khác nhau giữa các LLMs. Số lượng token tối đa mà một mô hình ngôn ngữ có thể xử lý thường khác nhau tùy thuộc vào mô hình và nhà cung cấp dịch vụ. Một số mô hình có thể xử lý văn bản dài hơn, trong khi một số khác có thể bị giới hạn ở độ dài ngắn hơn.

• On-demand inference parameter support: ❌ Đặc tính này không phải là đặc tính có thể khác nhau giữa các LLMs trong ngữ cảnh Amazon Bedrock, vì hầu hết các LLMs đều hỗ trợ các tham số suy luận theo yêu cầu (on-demand inference parameters) để điều chỉnh cách thức suy luận.

• The ability to control model output randomness: ❌ Khả năng kiểm soát tính ngẫu nhiên của đầu ra mô hình thường được hỗ trợ bởi hầu hết các LLMs thông qua các tham số như temperature. Điều này không phải là đặc tính khác nhau giữa các mô hình.

• Compatibility with Amazon Bedrock Guardrails: ❌ Tương thích với các quy tắc bảo vệ (Guardrails) của Amazon Bedrock là một tính năng giúp đảm bảo an toàn và tuân thủ, và hầu hết các LLMs trong Amazon Bedrock đều được thiết kế để tương thích với các quy tắc này.

📚 Tài liệu tham khảo

Theo tài liệu của AWS về Amazon Bedrock, các mô hình ngôn ngữ lớn (LLMs) có thể có các đặc tính khác nhau như số lượng token tối đa mà chúng có thể xử lý. Để đảm bảo lời nhắc hoạt động trên tất cả các LLMs, người phát triển cần xem xét các đặc tính này.

• Amazon Bedrock documentation

✅ Đáp án đúng: Maximum token count

📝 Kết luận

Việc hiểu rõ các đặc tính của LLMs trong Amazon Bedrock giúp người thực hành AI phát triển các lời nhắc hiệu quả và tương thích với nhiều mô hình. Đặc tính có thể khác nhau giữa các LLMs là số lượng token tối đa.

📘 Phân tích câu hỏi

Câu hỏi yêu cầu chúng ta tìm hiểu về tính năng nào của Amazon Q Business có thể giúp hạn chế tương tác của người dùng với trợ lý AI chỉ trong các chủ đề được công ty phê duyệt.

🧩 Giải thích các lựa chọn

• Amazon Q Business Enterprise index: ❌ Đây là một loại chỉ mục (index) trong Amazon Q Business, thường được sử dụng để lưu trữ và quản lý dữ liệu cho các ứng dụng AI. Tuy nhiên, nó không trực tiếp liên quan đến việc hạn chế tương tác của người dùng với trợ lý AI trong các chủ đề cụ thể.

• Amazon Q Business Starter index: ❌ Tương tự như Enterprise index, Starter index cũng là một loại chỉ mục trong Amazon Q Business. Nó có thể được sử dụng cho các ứng dụng AI nhưng không cung cấp tính năng hạn chế tương tác của người dùng với các chủ đề được phê duyệt.

• Amazon Q Business application guardrails: ✅ Đây là tính năng được thiết kế để giúp kiểm soát và hạn chế các tương tác của người dùng với trợ lý AI. Application guardrails cho phép xác định các chủ đề, từ khóa hoặc hành vi được phép hoặc bị cấm khi người dùng tương tác với trợ lý AI. Điều này giúp đảm bảo rằng người dùng chỉ có thể tương tác với trợ lý AI trong phạm vi các chủ đề được công ty phê duyệt.

• Amazon Q index cross-account access: ❌ Tính năng này liên quan đến việc chia sẻ truy cập vào chỉ mục của Amazon Q Business giữa các tài khoản AWS khác nhau. Nó không có chức năng hạn chế tương tác của người dùng với trợ lý AI dựa trên các chủ đề cụ thể.

📘 Kết luận

Tính năng Amazon Q Business application guardrails là lựa chọn đúng vì nó cung cấp khả năng kiểm soát và hạn chế tương tác của người dùng với trợ lý AI trong các chủ đề được công ty phê duyệt.

Tài liệu tham khảo:

• AWS Documentation: Amazon Q Business User Guide (cập nhật đến năm 2026)
• AWS Official Website: Amazon Q Business features

✅ Đáp án đúng: Amazon Q Business application guardrails.