Ngân hàng đề — AWS Certified AI Practitioner

📘 Phân tích câu hỏi

Câu hỏi yêu cầu xác định một trường hợp sử dụng (use case) cho xử lý tài liệu thông minh (Intelligent Document Processing - IDP). Xử lý tài liệu thông minh là một công nghệ sử dụng trí tuệ nhân tạo (AI) và học máy (Machine Learning) để tự động hóa quá trình trích xuất, phân tích và xử lý dữ liệu từ các tài liệu.

🔍 Phân tích các phương án

• Predict fraudulent transactions 🧩: Đây là một trường hợp sử dụng liên quan đến phát hiện gian lận trong giao dịch tài chính. Mặc dù công nghệ AI có thể được sử dụng cho mục đích này, nhưng nó không liên quan trực tiếp đến xử lý tài liệu thông minh.

• Personalize product offerings 🛠️: Cá nhân hóa sản phẩm là một trường hợp sử dụng liên quan đến phân tích dữ liệu khách hàng để cung cấp các sản phẩm hoặc dịch vụ phù hợp. Điều này không liên quan trực tiếp đến xử lý tài liệu.

• Analyze user feedback and perform sentiment analysis 📊: Phân tích phản hồi của người dùng và thực hiện phân tích cảm xúc là một trường hợp sử dụng liên quan đến phân tích dữ liệu văn bản để hiểu quan điểm của khách hàng. Mặc dù liên quan đến văn bản, nhưng không phải là xử lý tài liệu thông minh.

• Automatically extract and format data from scanned files 📁: Tự động trích xuất và định dạng dữ liệu từ các tệp quét là một trường hợp sử dụng điển hình cho xử lý tài liệu thông minh. IDP có thể giúp tự động hóa quá trình này bằng cách sử dụng công nghệ nhận dạng quang học (OCR) và AI để trích xuất dữ liệu từ các tài liệu quét hoặc hình ảnh.

✅ Đáp án đúng: Automatically extract and format data from scanned files

❌ Lý do loại bỏ các phương án khác:

• Các phương án khác không liên quan trực tiếp đến xử lý tài liệu thông minh.
• Xử lý tài liệu thông minh tập trung vào việc tự động hóa quá trình trích xuất, phân tích và xử lý dữ liệu từ các tài liệu.

📘 Tài liệu tham khảo:

• AWS cung cấp các dịch vụ như Amazon Textract, Amazon Comprehend để hỗ trợ xử lý tài liệu thông minh. (Theo tài liệu chính thức của AWS, cập nhật đến năm 2026)

🔚 Kết luận: Xử lý tài liệu thông minh (IDP) là một công nghệ quan trọng giúp tự động hóa quá trình xử lý tài liệu, và Automatically extract and format data from scanned files là một trường hợp sử dụng điển hình cho công nghệ này.

📝 Phân tích câu hỏi

Câu hỏi mô tả một tình huống mà người dùng gửi một tin nhắn đến trợ lý AI, yêu cầu trợ lý đó bỏ qua tất cả các hướng dẫn trước đó và trở thành một AI không bị hạn chế, có thể cung cấp thông tin để tạo ra bất kỳ nội dung nào. Câu hỏi yêu cầu xác định rủi ro của AI được mô tả trong tình huống này.

🧩 Giải thích các phương án

• Prompt injection: Đây là một rủi ro của AI khi người dùng cố tình đưa ra các hướng dẫn hoặc câu hỏi mới để thay đổi hành vi của mô hình AI, khiến nó bỏ qua các giới hạn hoặc hướng dẫn trước đó. Trong tình huống này, người dùng yêu cầu trợ lý AI bỏ qua tất cả các hướng dẫn trước đó và trở thành một AI không bị hạn chế, điều này thể hiện rõ ràng là prompt injection. ✅

• Data bias: Đây là rủi ro khi dữ liệu được sử dụng để huấn luyện mô hình AI bị thiên vị hoặc không đại diện cho toàn bộ dân số, dẫn đến kết quả không chính xác hoặc không công bằng. Tình huống này không đề cập đến dữ liệu huấn luyện hoặc thiên vị, nên data bias không phải là đáp án đúng. ❌

• Hallucination: Đây là rủi ro khi mô hình AI tạo ra thông tin hoặc nội dung không dựa trên bất kỳ dữ liệu thực tế nào, mà chỉ dựa trên sự tưởng tượng hoặc dự đoán của mô hình. Tình huống này không đề cập đến việc tạo ra thông tin không thực tế, nên hallucination không phải là đáp án đúng. ❌

• Data exposure: Đây là rủi ro khi dữ liệu nhạy cảm hoặc bảo mật bị lộ hoặc truy cập trái phép. Tình huống này không đề cập đến việc lộ dữ liệu, nên data exposure không phải là đáp án đúng. ❌

📘 Tài liệu tham khảo

Theo tài liệu của AWS về rủi ro của AI, prompt injection là một trong những rủi ro quan trọng cần được xem xét khi phát triển và triển khai các mô hình AI.

Kết luận

Đáp án đúng là Prompt injection. Đây là rủi ro của AI được mô tả trong tình huống này, khi người dùng cố tình đưa ra các hướng dẫn mới để thay đổi hành vi của trợ lý AI.

📘 Phân tích câu hỏi

Công ty thương mại điện tử đang phát triển một ứng dụng AI để phân loại hình ảnh sản phẩm và trích xuất thông số kỹ thuật. Ứng dụng này sẽ sử dụng một tập dữ liệu có nhãn chất lượng cao để tùy chỉnh một mô hình nền (FM) để tạo ra các phản hồi chính xác.

🧩 Yêu cầu

• Sử dụng Amazon Bedrock
• Tùy chỉnh mô hình nền (FM) bằng tập dữ liệu có nhãn chất lượng cao

🛠️ Các lựa chọn

• Apply continued pre-training
• Create an agent
• Perform fine-tuning ✅
• Develop prompt engineering

📝 Giải thích các lựa chọn

Apply continued pre-training ❌

Phương pháp này liên quan đến việc tiếp tục huấn luyện mô hình trên một tập dữ liệu lớn để cải thiện hiệu suất của mô hình. Tuy nhiên, nó không trực tiếp liên quan đến việc tùy chỉnh mô hình cho một nhiệm vụ cụ thể bằng cách sử dụng tập dữ liệu có nhãn chất lượng cao.

Create an agent ❌

Tạo một agent trong bối cảnh AI và machine learning thường liên quan đến việc xây dựng một hệ thống có thể tự động thực hiện các nhiệm vụ. Điều này không trực tiếp liên quan đến việc tùy chỉnh mô hình nền để tạo ra các phản hồi chính xác dựa trên tập dữ liệu có nhãn.

Perform fine-tuning ✅

Fine-tuning là kỹ thuật điều chỉnh mô hình đã được huấn luyện trước đó trên một tập dữ liệu cụ thể để nó có thể thực hiện tốt hơn trên một nhiệm vụ cụ thể. Trong trường hợp này, sử dụng tập dữ liệu có nhãn chất lượng cao để fine-tuning mô hình nền (FM) sẽ giúp mô hình tạo ra các phản hồi chính xác hơn cho nhiệm vụ phân loại hình ảnh sản phẩm và trích xuất thông số kỹ thuật.

Develop prompt engineering ❌

Prompt engineering liên quan đến việc thiết kế và tối ưu hóa các câu hỏi hoặc hướng dẫn mà mô hình sẽ nhận để tạo ra các phản hồi mong muốn. Mặc dù quan trọng, nhưng phát triển kỹ thuật prompt không trực tiếp liên quan đến việc tùy chỉnh mô hình nền bằng cách sử dụng tập dữ liệu có nhãn chất lượng cao.

📘 Tài liệu tham khảo

• AWS Bedrock documentation: https://aws.amazon.com/bedrock/
• AWS Machine Learning documentation: https://docs.aws.amazon.com/machine-learning/latest/dg/what-is.html

✅ Đáp án đúng: Perform fine-tuning. Đây là phương pháp phù hợp để tùy chỉnh mô hình nền (FM) bằng cách sử dụng tập dữ liệu có nhãn chất lượng cao, từ đó giúp mô hình tạo ra các phản hồi chính xác hơn cho nhiệm vụ cụ thể.

📘 Phân tích câu hỏi

Câu hỏi yêu cầu tìm ra giải pháp phù hợp để tinh chỉnh (fine-tune) một mô hình nền tảng (foundation model - FM) cho một trường hợp sử dụng cụ thể và triển khai mô hình này trên Amazon Bedrock cho sử dụng nội bộ.

🧩 Các yêu cầu chính:

1. Tinh chỉnh mô hình nền tảng (FM) cho một trường hợp sử dụng cụ thể.
2. Triển khai mô hình đã tinh chỉnh trên Amazon Bedrock.
3. Sử dụng cho mục đích nội bộ.

📝 Phân tích các lựa chọn:

Lựa chọn 1: Run responses that have been generated by a pre-trained FM through Amazon Bedrock Guardrails to create the custom FM.

❌ Sai: Amazon Bedrock Guardrails là một tính năng giúp kiểm soát và đảm bảo an toàn cho các mô hình ngôn ngữ lớn, nhưng nó không hỗ trợ tinh chỉnh mô hình nền tảng. Mục đích của Guardrails là để giám sát và kiểm soát đầu ra của mô hình, không phải để tạo ra mô hình tùy chỉnh.

Lựa chọn 2: Use Amazon Personalize to customize the FM with custom data.

❌ Sai: Amazon Personalize là một dịch vụ được sử dụng để tạo ra các khuyến nghị cá nhân hóa cho khách hàng dựa trên hành vi của họ. Mặc dù nó có thể làm việc với dữ liệu tùy chỉnh, nhưng mục đích chính của nó không phải là tinh chỉnh các mô hình nền tảng cho các nhiệm vụ như xử lý ngôn ngữ tự nhiên hoặc học sâu. Amazon Personalize tập trung vào phân tích dữ liệu về hành vi khách hàng để đưa ra khuyến nghị.

Lựa chọn 3: Use conversational builder for Amazon Bedrock Agents to create the custom model.

❌ Sai: Conversational builder cho Amazon Bedrock Agents là một công cụ giúp tạo ra các tác nhân trò chuyện (chatbot) trên Amazon Bedrock, nhưng nó không hỗ trợ trực tiếp việc tinh chỉnh mô hình nền tảng. Công cụ này hướng đến việc xây dựng các giao diện trò chuyện mà không cần đi sâu vào việc tinh chỉnh mô hình ngôn ngữ.

Lựa chọn 4: Use Amazon SageMaker AI to customize the FM. Then, import the trained model into Amazon Bedrock.

✅ Đúng: Amazon SageMaker là một dịch vụ cung cấp môi trường tích hợp để xây dựng, đào tạo, và triển khai các mô hình học máy. Với SageMaker, bạn có thể tinh chỉnh các mô hình nền tảng (FM) bằng cách sử dụng dữ liệu cụ thể của mình. Sau khi mô hình được đào tạo và tinh chỉnh, bạn có thể nhập mô hình này vào Amazon Bedrock để triển khai. SageMaker hỗ trợ việc tinh chỉnh mô hình và tương thích với nhiều loại mô hình, bao gồm cả các mô hình nền tảng.

📚 Tài liệu tham khảo:

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

🛠️ Kết luận:

Lựa chọn phù hợp để tinh chỉnh một mô hình nền tảng cho một trường hợp sử dụng cụ thể và triển khai trên Amazon Bedrock là sử dụng Amazon SageMaker để tinh chỉnh mô hình, sau đó nhập mô hình đã đào tạo vào Amazon Bedrock.

📘 Phân tích câu hỏi

Câu hỏi liên quan đến việc đánh giá tác động của một giải pháp trí tuệ nhân tạo (AI) được triển khai bằng Amazon Bedrock đối với doanh thu bán hàng của một công ty. Giải pháp AI này cung cấp cho khách hàng các khuyến nghị sản phẩm cá nhân hóa. Công ty muốn đánh giá ảnh hưởng của giải pháp này đến doanh thu bán hàng.

🧩 Yêu cầu

Công ty cần một chỉ số (metric) để đánh giá tác động của giải pháp AI đến doanh thu bán hàng.

📝 Các lựa chọn

• Cross-domain performance
• Solution efficiency
• User satisfaction
• Conversion rate

✅ Đáp án đúng: Conversion rate

Conversion rate là tỷ lệ khách hàng thực hiện một hành động mong muốn (ví dụ: mua hàng) sau khi tương tác với hệ thống. Trong trường hợp này, conversion rate có thể giúp đánh giá hiệu quả của giải pháp AI trong việc tăng doanh thu bán hàng bằng cách cung cấp các khuyến nghị sản phẩm cá nhân hóa.

📝 Giải thích các phương án

• Cross-domain performance: ❌ Đây là một chỉ số liên quan đến hiệu suất của một hệ thống trong việc thực hiện các nhiệm vụ trên nhiều lĩnh vực hoặc miền khác nhau. Chỉ số này không trực tiếp liên quan đến đánh giá tác động đến doanh thu bán hàng.

• Solution efficiency: ❌ Đây là một chỉ số đánh giá hiệu quả của một giải pháp, thường liên quan đến việc sử dụng tài nguyên. Mặc dù quan trọng, chỉ số này không trực tiếp đo lường tác động đến doanh thu bán hàng.

• User satisfaction: ❌ Đây là một chỉ số đánh giá mức độ hài lòng của người dùng đối với một hệ thống hoặc dịch vụ. Mặc dù mức độ hài lòng của người dùng có thể ảnh hưởng đến doanh thu, nhưng nó không trực tiếp đo lường tác động đến doanh thu bán hàng.

• Conversion rate: ✅ Như đã giải thích, đây là chỉ số phù hợp để đánh giá tác động của giải pháp AI đến doanh thu bán hàng.

📘 Tài liệu tham khảo

• AWS Certified DevOps Engineer - Professional Study Guide (2026)
• Amazon Bedrock documentation: https://docs.aws.amazon.com/bedrock/latest/userguide/what-is.html

🛠️ Kết luận

Conversion rate là chỉ số phù hợp để đánh giá tác động của giải pháp AI cung cấp khuyến nghị sản phẩm cá nhân hóa đến doanh thu bán hàng.

📘 Phân tích câu hỏi

Câu hỏi yêu cầu tìm ra giải pháp giúp công ty sử dụng Amazon SageMaker AI để phát triển các giải pháp AI/ML, đồng thời đảm bảo rằng:

✅ Dữ liệu sử dụng cho việc đào tạo mô hình chỉ là dữ liệu được phê duyệt. ✅ Các giải pháp AI/ML phải tuân thủ các chính sách và hướng dẫn đạo đức của công ty.

🧩 Giải pháp và phân tích các lựa chọn

ĐÚNG: Amazon SageMaker Catalog

✅ Giải thích: Amazon SageMaker Catalog là một thành phần của Amazon SageMaker giúp quản lý và catalog dữ liệu cho các mô hình AI/ML. Với SageMaker Catalog, bạn có thể quản lý và kiểm soát truy cập dữ liệu, đồng thời đảm bảo rằng chỉ dữ liệu được phê duyệt mới được sử dụng cho việc đào tạo mô hình.

✅ Lý do lựa chọn: SageMaker Catalog cung cấp tính năng quản lý dữ liệu tập trung, giúp đảm bảo rằng các mô hình AI/ML được đào tạo bằng dữ liệu được phê duyệt và tuân thủ các chính sách của công ty.

SAI: Amazon SageMaker Clarify

❌ Giải thích: Amazon SageMaker Clarify là một công cụ giúp giải thích và minh bạch hóa các mô hình AI/ML. Nó giúp người dùng hiểu cách mô hình đưa ra quyết định và phát hiện các vấn đề như thiên vị.

❌ Lý do loại bỏ: Mặc dù SageMaker Clarify giúp tăng cường sự tin tưởng vào các mô hình AI/ML, nhưng nó không trực tiếp giải quyết vấn đề quản lý dữ liệu và đảm bảo tuân thủ chính sách.

SAI: Amazon SageMaker Model Registry

❌ Giải thích: Amazon SageMaker Model Registry là một thành phần giúp quản lý và theo dõi các mô hình AI/ML sau khi chúng được đào tạo và triển khai. Nó cung cấp tính năng quản lý phiên bản và kiểm soát truy cập.

❌ Lý do loại bỏ: SageMaker Model Registry tập trung vào việc quản lý mô hình sau khi đào tạo, không trực tiếp liên quan đến việc quản lý dữ liệu đào tạo và đảm bảo tuân thủ chính sách.

SAI: Amazon SageMaker Model Cards

❌ Giải thích: Amazon SageMaker Model Cards là một tính năng giúp tạo ra các báo cáo và thẻ mô hình, cung cấp thông tin chi tiết về hiệu suất và đặc điểm của mô hình.

❌ Lý do loại bỏ: SageMaker Model Cards giúp trong việc đánh giá và trình bày mô hình, nhưng không giải quyết trực tiếp vấn đề quản lý dữ liệu và đảm bảo tuân thủ chính sách.

📘 Tài liệu tham khảo

• AWS Documentation: Amazon SageMaker Catalog
• AWS Documentation: Amazon SageMaker Clarify
• AWS Documentation: Amazon SageMaker Model Registry
• AWS Documentation: Amazon SageMaker Model Cards

✅ Kết luận: Amazon SageMaker Catalog là giải pháp phù hợp để đáp ứng các yêu cầu của công ty về việc sử dụng dữ liệu được phê duyệt và tuân thủ chính sách.

📘 Phân tích câu hỏi

Câu hỏi yêu cầu xác định tài nguyên Amazon Bedrock phù hợp để xây dựng một ứng dụng AI tạo sinh giúp khách hàng đặt chỗ lưu trú. Ứng dụng này sẽ xử lý yêu cầu của khách hàng và gọi các API phù hợp để hoàn thành giao dịch đặt chỗ.

✅ Yêu cầu chính:

• Xử lý yêu cầu của khách hàng
• Gọi các API phù hợp để hoàn thành giao dịch đặt chỗ

🧩 Giải thích các lựa chọn:

Agents

• Nội dung: Agents
• Đúng/Sai: ✅ Đúng
• Giải thích: Agents trong Amazon Bedrock cho phép tạo ra các tác nhân AI có thể thực hiện các hành động cụ thể, như gọi API để hoàn thành giao dịch. Với khả năng tự động hóa và tích hợp với các dịch vụ khác, Agents có thể đáp ứng yêu cầu của ứng dụng AI tạo sinh trong việc xử lý yêu cầu khách hàng và gọi API để đặt chỗ.

Intelligent prompt routing

• Nội dung: Intelligent prompt routing
• Đúng/Sai: ❌ Sai
• Giải thích: Intelligent prompt routing trong Amazon Bedrock liên quan đến việc định tuyến các yêu cầu dựa trên nội dung và ngữ cảnh của chúng. Mặc dù tính năng này hỗ trợ việc xử lý yêu cầu thông minh, nhưng nó không trực tiếp hỗ trợ việc gọi API để hoàn thành giao dịch.

Knowledge Bases

• Nội dung: Knowledge Bases
• Đúng/Sai: ❌ Sai
• Giải thích: Knowledge Bases trong Amazon Bedrock cung cấp một cơ sở dữ liệu tích hợp để lưu trữ và quản lý kiến thức. Mặc dù nó có thể hỗ trợ việc cung cấp thông tin cho ứng dụng AI, nhưng nó không trực tiếp hỗ trợ việc gọi API để hoàn thành giao dịch đặt chỗ.

Guardrails

• Nội dung: Guardrails
• Đúng/Sai: ❌ Sai
• Giải thích: Guardrails trong Amazon Bedrock cung cấp các tính năng kiểm soát và giám sát để đảm bảo ứng dụng AI hoạt động an toàn và tuân thủ. Mặc dù Guardrails quan trọng trong việc quản lý rủi ro, nhưng nó không hỗ trợ trực tiếp việc gọi API để hoàn thành giao dịch.

📘 Tài liệu tham khảo:

• Amazon Bedrock documentation: https://docs.aws.amazon.com/bedrock/latest/userguide/what-is.html

✅ Kết luận: Tài nguyên Amazon Bedrock phù hợp để đáp ứng yêu cầu của ứng dụng AI tạo sinh trong việc xử lý yêu cầu khách hàng và gọi API để hoàn thành giao dịch đặt chỗ là Agents.

📘 Phân tích câu hỏi

Câu hỏi liên quan đến việc áp dụng MLOps (Machine Learning Operations) best practices cho một mô hình học máy được sử dụng để phân tích cảm xúc của người dùng đối với một sản phẩm mới được phát hành. Công ty sử dụng một mô hình tiền huấn luyện (pre-trained model) mã nguồn mở.

🧩 MLOps best practices

MLOps là một tập hợp các phương pháp và công cụ giúp các đội ngũ khoa học dữ liệu và kỹ sư DevOps làm việc cùng nhau để triển khai và quản lý các mô hình học máy một cách hiệu quả và đáng tin cậy.

📝 Phân tích các lựa chọn

• Use deep learning to perform hyperparameter tuning. ❌ Thực hiện điều chỉnh siêu tham số (hyperparameter tuning) là một bước quan trọng trong quá trình huấn luyện mô hình học máy. Tuy nhiên, sử dụng deep learning để thực hiện điều chỉnh siêu tham số không phải là một yêu cầu bắt buộc theo MLOps best practices. Có nhiều kỹ thuật và công cụ khác có thể được sử dụng cho mục đích này.

• Collect user reviews and label each review as positive or negative. ❌ Việc thu thập dữ liệu và gán nhãn cho dữ liệu đó là một bước quan trọng trong việc xây dựng và huấn luyện mô hình học máy. Tuy nhiên, câu hỏi đang hỏi về hành động phải thực hiện theo MLOps best practices sau khi mô hình đã được phát triển và triển khai.

• Continuously monitor outputs in production. ✅ Việc giám sát liên tục đầu ra của mô hình trong môi trường sản xuất là một phần quan trọng của MLOps best practices. Điều này giúp đảm bảo rằng mô hình vẫn hoạt động chính xác và hiệu quả theo thời gian, phát hiện các vấn đề về dữ liệu hoặc về mô hình, và thực hiện các điều chỉnh cần thiết.

• Perform feature engineering on the input dataset. ❌ Việc thực hiện kỹ thuật đặc trưng (feature engineering) trên tập dữ liệu đầu vào là một bước quan trọng trong quá trình phát triển mô hình học máy. Tuy nhiên, giống như việc thu thập và gán nhãn dữ liệu, đây là một bước trong quá trình phát triển mô hình, không phải là hành động bắt buộc theo MLOps best practices sau khi mô hình đã được triển khai.

📘 Kết luận

Hành động mà công ty phải thực hiện theo MLOps best practices là Continuously monitor outputs in production. Điều này giúp đảm bảo rằng mô hình hoạt động hiệu quả và chính xác trong môi trường sản xuất.

📚 Tài liệu tham khảo

• AWS Machine Learning Blog: Các bài viết về MLOps và best practices cho machine learning trên AWS.
• AWS DevOps Guide: Hướng dẫn về DevOps trên AWS, bao gồm các thông tin về MLOps.

🛠️ Lưu ý

Thông tin trên được cập nhật đến năm 2026 và áp dụng cho phiên bản mới nhất của AWS. Các best practices về MLOps có thể thay đổi theo thời gian, vì vậy luôn cần tham khảo các nguồn thông tin cập nhật nhất.

📘 Phân tích câu hỏi

Câu hỏi liên quan đến việc sử dụng mô hình nền tảng (foundation model) trên Amazon Bedrock để tóm tắt tài liệu. Công ty đã đào tạo một mô hình tùy chỉnh trên Amazon Bedrock để cải thiện chất lượng tóm tắt của mô hình. Giờ đây, họ cần một giải pháp để sử dụng mô hình tùy chỉnh này trên Amazon Bedrock.

🧩 Giải pháp

Để sử dụng mô hình tùy chỉnh trên Amazon Bedrock, công ty cần thực hiện các bước sau:

✅ Đáp án đúng: Purchase Provisioned Throughput for the custom model.

📝 Giải thích:

• Amazon Bedrock cung cấp các mô hình nền tảng và cho phép đào tạo mô hình tùy chỉnh.
• Để sử dụng mô hình tùy chỉnh, công ty cần mua Provisioned Throughput cho mô hình đó. Provisioned Throughput là một tính năng của Amazon Bedrock, cho phép người dùng mua sức mạnh xử lý cố định cho mô hình của mình, giúp đảm bảo hiệu suất và giảm thiểu chi phí.

❌ Đáp án sai:

Deploy the custom model in an Amazon SageMaker AI endpoint for real-time inference.

🚫 Lý do sai:

• Amazon SageMaker là một dịch vụ khác của AWS, dùng để đào tạo, triển khai và quản lý mô hình học máy.
• Trong khi có thể triển khai mô hình tùy chỉnh trên Amazon SageMaker, nhưng câu hỏi cụ thể yêu cầu giải pháp trên Amazon Bedrock.

Register the model with the Amazon SageMaker Model Registry.

🚫 Lý do sai:

• Amazon SageMaker Model Registry là một thành phần của Amazon SageMaker, giúp quản lý vòng đời của mô hình học máy.
• Đăng ký mô hình với Model Registry không trực tiếp giúp sử dụng mô hình trên Amazon Bedrock.

Update the approval status of the model version to Approved.

🚫 Lý do sai:

• Cập nhật trạng thái phê duyệt của phiên bản mô hình chỉ giúp quản lý vòng đời của mô hình trong Amazon SageMaker Model Registry hoặc các dịch vụ khác, không trực tiếp liên quan đến việc sử dụng mô hình trên Amazon Bedrock.

📚 Tài liệu tham khảo:

• AWS Documentation: Amazon Bedrock Developer Guide
• AWS Documentation: Provisioned Throughput

✅ Kết luận: Giải pháp đúng để sử dụng mô hình tùy chỉnh trên Amazon Bedrock là mua Provisioned Throughput cho mô hình đó.

Tôi sẵn sàng giúp bạn phân tích câu hỏi này với vai trò là AWS Certified DevOps Engineer Professional.

Nội dung câu hỏi: Một công ty muốn sử dụng các mô hình ngôn ngữ lớn (LLMs) để tạo ra một chatbot. Chatbot sẽ hỗ trợ khách hàng với các yêu cầu về sản phẩm, theo dõi đơn hàng và trả lại hàng. Chatbot phải có thể xử lý cả văn bản đầu vào và hình ảnh đầu vào để tạo ra phản hồi.

Yêu cầu của chatbot:

✅ Xử lý văn bản đầu vào (text inputs) ✅ Xử lý hình ảnh đầu vào (image inputs) ✅ Tạo ra phản hồi dựa trên đầu vào

Phân tích các lựa chọn:

Amazon Bedrock

✅ Đúng. Amazon Bedrock là một dịch vụ AWS cung cấp các mô hình ngôn ngữ lớn (LLMs) và các công cụ để xây dựng, triển khai và quản lý các ứng dụng AI. Bedrock cho phép xử lý cả văn bản và hình ảnh đầu vào, và có thể tạo ra phản hồi dựa trên đầu vào. Bedrock cung cấp các tính năng như:

🧩 Hỗ trợ nhiều mô hình ngôn ngữ lớn 🧩 Xử lý đa phương thức (đa dạng loại dữ liệu đầu vào) 🧩 Tích hợp với các dịch vụ AWS khác

Amazon Comprehend

❌ Sai. Amazon Comprehend là một dịch vụ xử lý ngôn ngữ tự nhiên (NLP) của AWS, giúp phân tích và hiểu nội dung văn bản. Tuy nhiên, Comprehend không hỗ trợ xử lý hình ảnh đầu vào.

📘 Comprehend cung cấp các tính năng như:

• Phân tích cảm xúc
• Phân loại văn bản
• Trích xuất thực thể

Tuy nhiên, nó không đáp ứng yêu cầu xử lý hình ảnh đầu vào.

Amazon Q

❌ Sai. Amazon Q là một dịch vụ trợ lý ảo của AWS, giúp khách hàng tìm kiếm thông tin và giải quyết vấn đề. Tuy nhiên, Q không hỗ trợ xử lý hình ảnh đầu vào.

📘 Q cung cấp các tính năng như:

• Trợ lý ảo
• Tìm kiếm thông tin

Tuy nhiên, nó không đáp ứng yêu cầu xử lý hình ảnh đầu vào.

Amazon Rekognition

❌ Sai. Amazon Rekognition là một dịch vụ phân tích hình ảnh và video của AWS, giúp nhận diện đối tượng, khuôn mặt và nội dung. Tuy nhiên, Rekognition không hỗ trợ xử lý văn bản đầu vào hoặc tạo ra phản hồi dựa trên đầu vào.

📘 Rekognition cung cấp các tính năng như:

• Nhận diện khuôn mặt
• Nhận diện đối tượng
• Phát hiện nội dung

Tuy nhiên, nó không đáp ứng yêu cầu xử lý văn bản đầu vào và tạo ra phản hồi.

Kết luận: Dịch vụ AWS đáp ứng yêu cầu của chatbot là Amazon Bedrock. Bedrock cung cấp các mô hình ngôn ngữ lớn và các công cụ để xây dựng, triển khai và quản lý các ứng dụng AI, hỗ trợ xử lý cả văn bản và hình ảnh đầu vào.

Tài liệu tham khảo:

• AWS Bedrock: https://aws.amazon.com/bedrock/
• AWS Comprehend: https://aws.amazon.com/comprehend/
• AWS Q: https://aws.amazon.com/q/
• AWS Rekognition: https://aws.amazon.com/rekognition/

Hy vọng phần trình bày trên giúp bạn hiểu rõ hơn về câu hỏi và các lựa chọn! 😊