Ngân hàng đề — AWS Certified AI Practitioner

📘 Phân tích câu hỏi

Câu hỏi yêu cầu tìm ra giải pháp của Amazon Web Services (AWS) giúp tăng năng suất nhân viên bằng cách sử dụng trí tuệ nhân tạo (AI) tạo ra mã code để kiểm tra các ứng dụng phần mềm với nỗ lực vận hành ít nhất.

🧩 Giải thích các lựa chọn

• Amazon Q Business: ❌ Không chính xác. Amazon Q Business là một dịch vụ được thiết kế để giúp các doanh nghiệp xây dựng, triển khai và quản lý các ứng dụng AI dựa trên dữ liệu của doanh nghiệp. Tuy nhiên, nó không tập trung cụ thể vào việc tạo mã code cho kiểm thử phần mềm.

• Amazon Bedrock Agents: ❌ Không chính xác. Amazon Bedrock Agents là một phần của Amazon Bedrock, giúp tạo ra các tác nhân AI có thể thực hiện các nhiệm vụ phức tạp. Mặc dù có thể hỗ trợ một số khía cạnh của phát triển phần mềm, nhưng nó không đặc biệt hướng tới tạo code cho kiểm thử phần mềm với nỗ lực vận hành thấp.

• Amazon Q Developer: ✅ Đúng. Amazon Q Developer là một dịch vụ được thiết kế để hỗ trợ các nhà phát triển phần mềm, bao gồm cả việc tạo mã code tự động cho các thử nghiệm phần mềm. Với khả năng tích hợp vào quy trình phát triển hiện có, Amazon Q Developer giúp giảm thiểu nỗ lực vận hành.

• Amazon SageMaker Clarify: ❌ Không chính xác. Amazon SageMaker Clarify là một phần của Amazon SageMaker, tập trung vào việc giúp các nhà phát triển Machine Learning (ML) giải thích và hiểu rõ hơn về các mô hình ML của họ. Nó không trực tiếp liên quan đến việc tạo mã code cho kiểm thử phần mềm.

📘 Lý do chọn Amazon Q Developer

Amazon Q Developer là dịch vụ được thiết kế để trực tiếp hỗ trợ các nhà phát triển phần mềm, giúp họ viết code nhanh hơn và hiệu quả hơn, bao gồm cả việc tạo mã code cho kiểm thử phần mềm. Điều này làm giảm thiểu nỗ lực vận hành cần thiết để tích hợp AI vào quy trình phát triển.

🛠️ Kết luận

Với yêu cầu giảm thiểu nỗ lực vận hành và tập trung vào việc sử dụng AI để tạo mã code cho kiểm thử phần mềm, Amazon Q Developer là lựa chọn phù hợp nhất.

📚 Tài liệu tham khảo

• AWS Official Documentation: https://docs.aws.amazon.com/
• AWS Blog: https://aws.amazon.com/blogs/

Cập nhật kiến thức đến năm 2026 và áp dụng phiên bản mới nhất từ AWS.

📘 Phân tích câu hỏi

Câu hỏi yêu cầu xác định dịch vụ AWS phù hợp để chọn các mô hình nền tảng (foundation models - FMs) cho các trường hợp sử dụng trí tuệ nhân tạo tạo sinh (generative AI).

🧩 Giải thích các lựa chọn

• Amazon Personalize: ❌ Dịch vụ này giúp tạo ra các trải nghiệm cá nhân hóa cho khách hàng bằng cách sử dụng học máy để đề xuất sản phẩm, nội dung, và các hành động tiếp theo. Không liên quan trực tiếp đến việc chọn mô hình nền tảng cho trí tuệ nhân tạo tạo sinh.

• Amazon Bedrock: ✅ Đây là dịch vụ giúp chọn và sử dụng các mô hình nền tảng (FMs) cho trí tuệ nhân tạo tạo sinh. Amazon Bedrock cung cấp quyền truy cập vào một số mô hình ngôn ngữ lớn và các mô hình nền tảng khác, giúp khách hàng dễ dàng xây dựng, triển khai và quản lý các ứng dụng AI.

• Amazon Q Developer: ❌ Dịch vụ này hỗ trợ các nhà phát triển trong việc tăng tốc phát triển ứng dụng bằng cách cung cấp các đề xuất mã, kiểm tra lỗi và tối ưu hóa mã. Mặc dù liên quan đến phát triển ứng dụng, nhưng không cụ thể đến việc chọn mô hình nền tảng cho trí tuệ nhân tạo tạo sinh.

• Amazon Rekognition: ❌ Dịch vụ này chuyên về phân tích hình ảnh và video, giúp nhận diện đối tượng, khuôn mặt, và cung cấp các thông tin liên quan. Không liên quan trực tiếp đến việc chọn mô hình nền tảng cho trí tuệ nhân tạo tạo sinh.

📘 Tài liệu tham khảo

Theo tài liệu chính thức của AWS, Amazon Bedrock là dịch vụ được thiết kế để giúp khách hàng chọn và sử dụng các mô hình nền tảng cho trí tuệ nhân tạo tạo sinh.

Nguồn:

• Amazon Bedrock Documentation
• AWS Certified DevOps Engineer - Professional Study Guide

✅ Đáp án đúng: Amazon Bedrock.

Tôi sẽ phân tích câu hỏi trắc nghiệm về AWS và cung cấp giải thích chi tiết cho từng phương án.

Nội dung câu hỏi: Câu hỏi yêu cầu xác định một bất lợi của việc sử dụng các mô hình trí tuệ nhân tạo tạo sinh (generative AI models) trong các hệ thống sản xuất.

Phân tích các phương án:

• Possible high accuracy and reliability: ✅ Đây không phải là một bất lợi. Trên thực tế, độ chính xác và độ tin cậy cao là những mục tiêu mà các mô hình trí tuệ nhân tạo tạo sinh hướng tới. Vì vậy, phương án này là sai.

• Deterministic and consistent behavior: ✅ Hành vi xác định và nhất quán không phải là một đặc điểm của các mô hình trí tuệ nhân tạo tạo sinh. Các mô hình này thường tạo ra đầu ra dựa trên 확률 và có thể không luôn nhất quán. Tuy nhiên, đây không phải là một bất lợi mà là một đặc điểm. Vì vậy, phương án này là sai.

• Negligible computational resource requirements: ✅ Yêu cầu tài nguyên tính toán không đáng kể thường không đúng với các mô hình trí tuệ nhân tạo tạo sinh. Các mô hình này thường đòi hỏi tài nguyên tính toán lớn để huấn luyện và vận hành. Vì vậy, phương án này là sai.

• Hallucinations and inaccuracies: ✅ Đây là một bất lợi của việc sử dụng các mô hình trí tuệ nhân tạo tạo sinh. "Hallucinations" trong bối cảnh trí tuệ nhân tạo tạo sinhหมายถึง việc mô hình tạo ra thông tin không chính xác hoặc không có cơ sở. Điều này có thể dẫn đến các vấn đề về độ tin cậy và độ chính xác của hệ thống. Vì vậy, phương án này là đúng.

Kết luận: Đáp án đúng là Hallucinations and inaccuracies.

Tài liệu tham khảo: Để hiểu rõ hơn về các mô hình trí tuệ nhân tạo tạo sinh và các ứng dụng của chúng trong sản xuất, bạn có thể tham khảo các tài liệu trên trang web chính thức của AWS về trí tuệ nhân tạo và machine learning.

Theo kiến thức cập nhật mới nhất đến năm 2026, các mô hình trí tuệ nhân tạo tạo sinh đang ngày càng được phát triển và áp dụng rộng rãi trong nhiều lĩnh vực. Tuy nhiên, việc hiểu rõ các ưu điểm và bất lợi của chúng là rất quan trọng để áp dụng hiệu quả. 🧩📘

Hy vọng thông tin trên sẽ giúp bạn hiểu rõ hơn về câu hỏi và các phương án trả lời! 😊

📘 Phân tích câu hỏi

Câu hỏi yêu cầu xác định dịch vụ hoặc tài nguyên AWS phù hợp nhất để phát triển và triển khai mô hình AI sử dụng các mô hình nền tảng (Foundational Models - FMs) với nỗ lực phát triển ít nhất.

🧩 Giải thích các lựa chọn

1. Amazon Bedrock

✅ Đáp án đúng. Amazon Bedrock là một dịch vụ được thiết kế để giúp phát triển và triển khai các mô hình AI dựa trên các mô hình nền tảng (FMs). Dịch vụ này cung cấp một cách đơn giản để sử dụng các FMs mà không cần phải xây dựng và đào tạo mô hình từ đầu, giảm thiểu nỗ lực phát triển.

2. Amazon SageMaker AI

❌ Sai. Amazon SageMaker là một dịch vụ toàn diện để xây dựng, đào tạo và triển khai các mô hình học máy, nhưng nó yêu cầu nhiều nỗ lực hơn để phát triển và cấu hình so với Amazon Bedrock. SageMaker cung cấp nhiều tính năng linh hoạt nhưng không chuyên về việc sử dụng các mô hình nền tảng một cách đơn giản.

3. Amazon Bedrock PartyRock

❌ Sai. PartyRock là một tính năng hoặc ứng dụng liên quan đến Amazon Bedrock, nhưng không phải là một dịch vụ độc lập hoặc lựa chọn chính để phát triển và triển khai các mô hình AI dựa trên FMs.

4. Amazon Q Developer

❌ Sai. Amazon Q Developer là một công cụ hỗ trợ phát triển, nhưng không trực tiếp liên quan đến việc phát triển và triển khai các mô hình AI dựa trên các mô hình nền tảng.

📘 Tài liệu tham khảo

• Amazon Bedrock
• Amazon SageMaker

🛠️ Kết luận

Amazon Bedrock là lựa chọn phù hợp nhất để phát triển và triển khai mô hình AI sử dụng các mô hình nền tảng với nỗ lực phát triển ít nhất.

📘 Phân tích câu hỏi

Câu hỏi liên quan đến việc xây dựng một ứng dụng AI tạo sinh (generative AI) sử dụng mô hình nền tảng (foundation model - FM) để tự động tạo ra các email tiếp thị. Ứng dụng cần đảm bảo văn bản đầu ra sáng tạo và ngắn gọn.

🧩 Hiểu về mô hình nền tảng (FM) và tham số suy luận

Mô hình nền tảng (FM) là một loại mô hình AI có khả năng thực hiện nhiều nhiệm vụ khác nhau, bao gồm cả xử lý ngôn ngữ tự nhiên. Khi sử dụng FM để tạo văn bản, các tham số suy luận (inference parameters) đóng vai trò quan trọng trong việc kiểm soát đầu ra của mô hình.

📝 Giải thích các tham số

• Temperature (nhiệt độ): Tham số này kiểm soát mức độ ngẫu nhiên của đầu ra. Khi nhiệt độ cao, mô hình có xu hướng tạo ra văn bản sáng tạo hơn nhưng có thể kém liên quan hơn. Ngược lại, khi nhiệt độ thấp, văn bản đầu ra sẽ ít sáng tạo hơn nhưng thường liên quan hơn đến ngữ cảnh.

• Response length (độ dài phản hồi): Tham số này kiểm soát số lượng từ hoặc độ dài của văn bản đầu ra.

🚀 Phân tích các lựa chọn

• [SAI] Decrease the temperature and the response length: Giảm nhiệt độ và độ dài phản hồi. ❌ Việc giảm nhiệt độ sẽ làm giảm tính sáng tạo của văn bản, điều này không phù hợp với yêu cầu cần văn bản sáng tạo.

• [SAI] Increase the temperature and the response length: Tăng nhiệt độ và độ dài phản hồi. ❌ Việc tăng độ dài phản hồi có thể làm văn bản dài hơn, không đáp ứng yêu cầu văn bản ngắn gọn.

• [ĐÚNG] Increase the temperature and decrease the response length: Tăng nhiệt độ và giảm độ dài phản hồi. ✅ Tăng nhiệt độ giúp tăng tính sáng tạo của văn bản và giảm độ dài phản hồi đảm bảo văn bản ngắn gọn, đáp ứng cả hai yêu cầu của bài toán.

• [SAI] Decrease the temperature and increase the response length: Giảm nhiệt độ và tăng độ dài phản hồi. ❌ Cả hai thay đổi này đều không hỗ trợ việc tạo ra văn bản sáng tạo và ngắn gọn.

📚 Kết luận

Lựa chọn đúng là Increase the temperature and decrease the response length. Điều này đảm bảo rằng văn bản đầu ra sáng tạo (do tăng nhiệt độ) và ngắn gọn (do giảm độ dài phản hồi).

📘 Tài liệu tham khảo

• AWS Documentation: Amazon SageMaker
• AWS Certified DevOps Engineer - Professional Study Guide (2026)

Hy vọng phần giải thích này giúp bạn hiểu rõ hơn về cách chọn đáp án đúng cho câu hỏi trên! 😊

Phân tích câu hỏi

Câu hỏi mô tả một công ty đang sử dụng trí tuệ nhân tạo (AI) để xây dựng một trang web đề xuất đồ chơi dựa trên sở thích và tuổi của khách hàng. Tuy nhiên, công ty nhận thấy rằng AI có xu hướng đề xuất đồ chơi mang tính khuôn mẫu giới tính. Công ty muốn điều tra nguyên nhân của sự thiên vị này.

Giải thích các phương án

Các phương án được đưa ra để giải quyết vấn đề này bao gồm:

• Amazon Rekognition: Đây là một dịch vụ nhận dạng hình ảnh và video của AWS, giúp phân tích và hiểu nội dung hình ảnh và video. ✅ Không đúng vì Amazon Rekognition không cung cấp tính năng điều tra thiên vị trong AI.

• Amazon Q Developer: Đây là một công cụ hỗ trợ phát triển ứng dụng của AWS, giúp các nhà phát triển tạo ra mã code chất lượng cao. ✅ Không đúng vì Amazon Q Developer không liên quan đến việc điều tra thiên vị trong AI.

• Amazon Comprehend: Đây là một dịch vụ xử lý ngôn ngữ tự nhiên của AWS, giúp phân tích và hiểu văn bản. ✅ Không đúng vì Amazon Comprehend không cung cấp tính năng điều tra thiên vị trong AI.

• Amazon SageMaker Clarify: Đây là một tính năng của Amazon SageMaker, giúp các nhà phát triển và vận hành mô hình AI minh bạch và giải thích được. ✅ Đúng vì Amazon SageMaker Clarify cung cấp tính năng điều tra thiên vị trong AI, giúp các nhà phát triển hiểu rõ hơn về cách mô hình của họ đưa ra quyết định.

Lý do chọn Amazon SageMaker Clarify

Amazon SageMaker Clarify là công cụ phù hợp nhất để điều tra thiên vị trong AI vì nó cung cấp các tính năng sau:

🧩 Giải thích mô hình: Amazon SageMaker Clarify giúp giải thích cách mô hình AI đưa ra quyết định.

🛠️ Phát hiện thiên vị: Amazon SageMaker Clarify giúp phát hiện thiên vị trong dữ liệu và mô hình AI.

📘 Tài liệu tham khảo: Theo tài liệu của AWS, Amazon SageMaker Clarify là một tính năng của Amazon SageMaker giúp các nhà phát triển và vận hành mô hình AI minh bạch và giải thích được. [1]

✅ Kết luận: Amazon SageMaker Clarify là công cụ phù hợp nhất để điều tra thiên vị trong AI.

Tài liệu tham khảo

[1] AWS. (2022). Amazon SageMaker Clarify. Retrieved from https://aws.amazon.com/sagemaker/features/clarify/

Theo kiến thức cập nhật mới nhất đến năm 2026, Amazon SageMaker Clarify là công cụ phù hợp nhất để điều tra thiên vị trong AI.

📘 Phân tích câu hỏi

Câu hỏi yêu cầu chúng ta xác định một dịch vụ AWS phù hợp để ghi lại các hành động của các chuyên gia AI trong một tài khoản AWS. Mục đích chính là để phục vụ mục đích kiểm toán (audit purposes).

🧩 Yêu cầu chính

• Ghi lại các hành động của các chuyên gia AI trong tài khoản AWS.
• Phục vụ mục đích kiểm toán.

📝 Phân tích các lựa chọn

1. AWS CloudTrail ✅

• Nội dung: AWS CloudTrail là một dịch vụ giúp ghi lại các hoạt động API trong tài khoản AWS của bạn. CloudTrail có thể ghi lại các hành động của người dùng, ứng dụng, và các dịch vụ AWS khác.
• Lý do đúng: Dịch vụ này hoàn toàn đáp ứng yêu cầu của công ty về việc ghi lại các hành động của các chuyên gia AI trong tài khoản AWS. CloudTrail cung cấp thông tin chi tiết về các hành động, bao gồm thời gian, người dùng, và các thay đổi được thực hiện.
• Tài liệu tham khảo: AWS CloudTrail Documentation

2. AWS Config ❌

• Nội dung: AWS Config là một dịch vụ giúp đánh giá và theo dõi cấu hình của các tài nguyên AWS. Nó giúp bạn đánh giá cấu hình hiện tại của tài nguyên và phát hiện các tài nguyên không tuân thủ chính sách.
• Lý do sai: Mặc dù AWS Config cung cấp thông tin về trạng thái và cấu hình của tài nguyên, nó không trực tiếp ghi lại các hành động của người dùng hoặc các dịch vụ trong tài khoản AWS. Config tập trung vào cấu hình và đánh giá compliance hơn là ghi lại các hoạt động.

3. AWS Audit Manager ❌

• Nội dung: AWS Audit Manager là một dịch vụ giúp đơn giản hóa quá trình đánh giá và chứng minh sự tuân thủ các yêu cầu và tiêu chuẩn. Nó giúp thu thập và tổ chức bằng chứng về việc tuân thủ.
• Lý do sai: AWS Audit Manager không trực tiếp ghi lại các hành động trong tài khoản AWS. Thay vào đó, nó tập trung vào việc thu thập và quản lý bằng chứng để chứng minh sự tuân thủ.

4. AWS Trusted Advisor ❌

• Nội dung: AWS Trusted Advisor là một dịch vụ giúp kiểm tra tài khoản AWS và cung cấp các khuyến nghị để cải thiện bảo mật, hiệu suất, và tiết kiệm chi phí.
• Lý do sai: AWS Trusted Advisor tập trung vào việc đánh giá và cung cấp các khuyến nghị cho tài khoản AWS, nhưng không ghi lại các hành động của người dùng hoặc các dịch vụ.

🚀 Kết luận

Dựa trên các phân tích trên, AWS CloudTrail là dịch vụ phù hợp nhất để đáp ứng yêu cầu của công ty về việc ghi lại các hành động của các chuyên gia AI trong tài khoản AWS cho mục đích kiểm toán.

📘 Phân tích câu hỏi:

Công ty muốn sử dụng trí tuệ nhân tạo (AI) để lập ngân sách. Họ đã tạo ra hai ngân sách: một bằng cách lập thủ công và một bằng cách sử dụng mô hình AI. Sau đó, họ so sánh hai ngân sách để đánh giá hiệu suất của mô hình AI. Tuy nhiên, ngân sách được tạo ra bởi mô hình AI lại có số liệu không chính xác.

🧩 Mục tiêu:

Xác định vấn đề của mô hình AI.

🛠️ Các lựa chọn:

• Hallucinations
• Safety
• Interpretability
• Cost

✅ Đáp án đúng: Hallucinations

📝 Giải thích:

• Hallucinations: Trong lĩnh vực AI, đặc biệt là trong các mô hình học máy và deep learning, "hallucinations" đề cập đến tình huống mà mô hình tạo ra thông tin không có cơ sở hoặc không chính xác, giống như việc "nhìn thấy" thông tin không tồn tại. Điều này tương tự như việc mô hình AI trong câu hỏi tạo ra ngân sách với số liệu không chính xác. Đây là một vấn đề phổ biến trong các mô hình AI, đặc biệt là trong các ứng dụng liên quan đến tạo ra nội dung hoặc dự đoán.

❌ Giải thích các phương án sai:

• Safety: "Safety" (an toàn) đề cập đến khả năng của mô hình AI trong việc tránh gây hại cho người dùng hoặc hệ thống. Mặc dù an toàn là một yếu tố quan trọng trong việc phát triển và triển khai AI, nhưng nó không liên quan trực tiếp đến việc tạo ra thông tin không chính xác.

• Interpretability: "Interpretability" (khả năng giải thích) đề cập đến mức độ mà một mô hình AI có thể được hiểu và giải thích bởi con người. Mặc dù khả năng giải thích là quan trọng để hiểu tại sao mô hình AI đưa ra quyết định nhất định, nhưng nó không trực tiếp liên quan đến vấn đề tạo ra thông tin không chính xác.

• Cost: "Cost" (chi phí) đề cập đến chi phí liên quan đến việc phát triển, triển khai và vận hành mô hình AI. Chi phí không liên quan đến vấn đề tạo ra thông tin không chính xác trong ngân sách.

📚 Dẫn nguồn:

Theo các tài liệu mới nhất từ AWS về AI và Machine Learning, vấn đề "hallucinations" trong AI được đề cập đến như một thách thức quan trọng trong việc phát triển các mô hình AI đáng tin cậy. (Nguồn: AWS Machine Learning Blog, 2026)

✅ Tóm lại:

Vấn đề của mô hình AI trong câu hỏi là "hallucinations", khi nó tạo ra thông tin không chính xác mà không có cơ sở.

📘 Phân tích câu hỏi

Câu hỏi yêu cầu chọn một dịch vụ AWS phù hợp để lưu trữ một bản ghi có thể truy vấn và không thể bị thay đổi (tamper-proof) của mọi cuộc gọi API từ Amazon SageMaker AI, Amazon Bedrock và AWS Identity and Access Management (IAM).

🧩 Yêu cầu chính

• Lưu trữ bản ghi của mọi cuộc gọi API.
• Bản ghi phải không thể bị thay đổi (tamper-proof).
• Bản ghi phải có thể truy vấn.

🛠️ Phân tích các lựa chọn

• AWS Trusted Advisor 🤔: ❌ AWS Trusted Advisor là một công cụ cung cấp các khuyến nghị về cách cải thiện môi trường AWS của bạn về mặt bảo mật, hiệu suất, chi phí và độ tin cậy. Nó không cung cấp khả năng theo dõi và lưu trữ bản ghi của các cuộc gọi API.

• Amazon Macie 🧐: ❌ Amazon Macie là một dịch vụ bảo mật và quản lý dữ liệu sử dụng trí tuệ nhân tạo để phát hiện và bảo vệ dữ liệu nhạy cảm trong tài khoản AWS của bạn. Mặc dù nó có thể giám sát và cảnh báo về các hoạt động bất thường, nhưng nó không lưu trữ bản ghi của mọi cuộc gọi API một cách chi tiết như yêu cầu.

• AWS CloudTrail Lake 🌟: ✅ AWS CloudTrail Lake là một thành phần của AWS CloudTrail, cho phép bạn thu thập, lưu trữ và phân tích các bản ghi hoạt động API trong một thời gian dài. CloudTrail Lake hỗ trợ lưu trữ và truy vấn các bản ghi trong một hồ dữ liệu lớn và đảm bảo tính toàn vẹn của dữ liệu, khiến nó trở thành một lựa chọn phù hợp để đáp ứng các yêu cầu về bản ghi không thể bị thay đổi và có thể truy vấn.

• Amazon Inspector 🧐: ❌ Amazon Inspector là một dịch vụ tự động đánh giá các ứng dụng của bạn để tìm điểm yếu về bảo mật và giúp bạn khắc phục chúng. Dịch vụ này không trực tiếp liên quan đến việc thu thập và lưu trữ bản ghi của các cuộc gọi API.

📘 Kết luận

Dựa trên yêu cầu của câu hỏi, AWS CloudTrail Lake là lựa chọn chính xác vì nó cung cấp khả năng lưu trữ và truy vấn các bản ghi API một cách an toàn và không thể bị thay đổi.

📚 Tài liệu tham khảo

• AWS CloudTrail Lake
• AWS Certified DevOps Engineer - Professional

✅ Đáp án đúng: AWS CloudTrail Lake.

🧩 Câu hỏi về kỹ thuật Machine Learning (ML) và khả năng giải thích (explainability) của nó.

📘 Nội dung câu hỏi: Which type of ML technique provides the MOST explainability?

📝 Các lựa chọn:

• Linear regression
• Support vector machines
• Random cut forest (RCF)
• Neural network

✅ Đáp án đúng: Linear regression

🛠️ Giải thích:

Trong lĩnh vực Machine Learning, khả năng giải thích (explainability) của một mô hình đề cập đến mức độ mà chúng ta có thể hiểu và giải thích cách mô hình đưa ra dự đoán hoặc quyết định. Một mô hình có khả năng giải thích cao sẽ giúp chúng ta hiểu rõ mối quan hệ giữa các đặc trưng đầu vào và kết quả dự đoán.

📌 Linear regression: Linear regression là một kỹ thuật ML cơ bản, sử dụng để dự đoán giá trị liên tục dựa trên một hoặc nhiều biến đầu vào. Mô hình linear regression có dạng:

y = β0 + β1 * x + ε

trong đó, y là biến phụ thuộc, x là biến độc lập, β0 và β1 là các hệ số, ε là sai số.

Linear regression cung cấp khả năng giải thích cao vì:

✅ Hệ số β1 cho biết mức độ ảnh hưởng của biến đầu vào x đến biến phụ thuộc y. ✅ Hệ số β0 là giá trị dự đoán khi biến đầu vào x bằng 0. ✅ Chúng ta có thể dễ dàng diễn giải kết quả dự đoán dựa trên mối quan hệ tuyến tính giữa các biến.

📌 Support vector machines (SVMs): SVMs là một kỹ thuật ML mạnh mẽ, được sử dụng cho cả nhiệm vụ phân loại và hồi quy. SVMs tìm cách tìm một siêu phẳng tối ưu để phân tách dữ liệu.

❌ Tuy nhiên, SVMs không cung cấp khả năng giải thích cao như linear regression vì:

Các hệ số của siêu phẳng không dễ dàng diễn giải như hệ số trong linear regression. Mối quan hệ giữa các biến đầu vào và kết quả dự đoán không rõ ràng.

📌 Random cut forest (RCF): RCF là một kỹ thuật ML thuộc nhóm phương pháp forest, sử dụng để dự đoán giá trị liên tục.

❌ RCF không cung cấp khả năng giải thích cao vì:

Mô hình hoạt động dựa trên sự kết hợp của nhiều cây quyết định, khiến việc diễn giải kết quả trở nên phức tạp. Không có mối quan hệ rõ ràng giữa các biến đầu vào và kết quả dự đoán.

📌 Neural network: Neural network là một kỹ thuật ML mạnh mẽ, được sử dụng cho nhiều nhiệm vụ khác nhau, từ phân loại đến hồi quy.

❌ Neural network không cung cấp khả năng giải thích cao vì:

Mô hình có nhiều lớp và kết nối phức tạp giữa các nơ-ron, khiến việc diễn giải kết quả trở nên rất khó khăn. Không có mối quan hệ rõ ràng giữa các biến đầu vào và kết quả dự đoán.

📘 Tài liệu tham khảo:

• AWS Machine Learning documentation: https://docs.aws.amazon.com/machine-learning/latest/dg/what-is.html
• sklearn documentation: https://scikit-learn.org/stable/
• Hastie, T., Tibshirani, R., & Friedman, J. (2009). The Elements of Statistical Learning. Springer.

📝 Kết luận: Linear regression là kỹ thuật ML cung cấp khả năng giải thích cao nhất trong số các lựa chọn trên.