Ngân hàng đề — AWS Certified AI Practitioner
Tìm thấy 623 câu.
A company is using Amazon Bedrock and it wants to regulate the number of most-likely candidates considered for the next word in the model's output.
Which of the following inference parameters would you recommend for the given use case?
-
A
Top P
-
B
Top K
-
C
Temperature
-
D
Stop sequences
Xem giải thích
Đáp án
B — Top K
Vì sao đúng
Đề dùng đúng chữ "số lượng" ứng viên khả dĩ nhất cho từ kế tiếp. Top K cắt theo con số cố định: đặt K = 50 nghĩa là chỉ xét 50 token có xác suất cao nhất, phần còn lại bị loại thẳng.
Vì sao các phương án khác sai
-
A. Top P — cũng thu hẹp nhóm ứng viên, nhưng theo phần trăm xác suất tích luỹ chứ không theo số lượng. Đây là cặp bị hỏi đối chiếu thường xuyên nhất, nên chốt lại cho gọn:
Cắt theo Kích thước nhóm Top K Số lượng cố định Luôn đúng K token Top P Phần trăm xác suất tích luỹ Co giãn theo độ chắc chắn của mô hình -
C. Temperature — chỉnh độ ngẫu nhiên khi chọn trong nhóm, không quyết định nhóm gồm bao nhiêu ứng viên.
-
D. Stop sequences — chuỗi ký tự làm mô hình dừng sinh.
The development team at an e-commerce company is considering using Amazon Personalize to create tailored experiences based on user behavior, such as purchase history and browsing patterns. To make an informed decision, the team needs a clear understanding of how Amazon Personalize works and how it generates these recommendations in real time.
Given this context, which statement best describes the Amazon Personalize service?
-
A
Automatically convert speech to text and gain insights
-
B
Derive and understand valuable insights from text within documents
-
C
Elevate the customer experience with ML-powered personalization
-
D
Deploy high-quality, natural-sounding human voices in dozens of languages
Xem giải thích
Đáp án
C — Nâng trải nghiệm khách hàng bằng cá nhân hoá dựa trên học máy
Vì sao đúng
Amazon Personalize là dịch vụ gợi ý được quản lý, xây trên chính công nghệ mà Amazon.com dùng. Bạn đưa vào ba loại dữ liệu — tương tác (xem, mua, đánh giá), thông tin món hàng, thông tin người dùng — và nó tạo ra gợi ý theo thời gian thực.
Hai điểm đáng nhớ: nó không đòi bạn biết học máy, và nó xử lý được vấn đề khởi đầu lạnh cho người dùng hoặc sản phẩm mới chưa có lịch sử.
Vì sao các phương án khác sai
Ba phương án còn lại là mô tả của dịch vụ khác — dạng câu hỏi kiểm tra xem có nhớ đúng khẩu hiệu của từng cái không:
- A. Tự động chuyển giọng nói thành văn bản — Amazon Transcribe.
- B. Rút hiểu biết giá trị từ văn bản trong tài liệu — Amazon Comprehend.
- D. Tạo giọng nói tự nhiên chất lượng cao bằng hàng chục ngôn ngữ — Amazon Polly.
A developer is working on an AI application for predicting customer churn. The developer is collaborating with a research team to ensure the best model is selected for the application. The application needs to accurately identify customers who are likely to leave the service within the next six months.
What should the developer ask the research team to do in order to ensure that the best model is selected for the AI application?
-
A
Identify potential data sources for the application
-
B
Define the target audience of the application broadly
-
C
Define the use case of the application narrowly
-
D
Determine the cost constraints for model training
Xem giải thích
Đáp án
*C — Định nghĩa trường hợp sử dụng của ứng dụng một cách hẹp
Vì sao đúng
Đề đã có sẵn một bài toán rất cụ thể: xác định khách hàng có khả năng rời bỏ trong sáu tháng tới. Có phạm vi hẹp như vậy thì mới quyết định được ba thứ:
- Định nghĩa nhãn — thế nào là "rời bỏ", và trong khung thời gian nào.
- Chỉ số đánh giá — với dữ liệu mất cân bằng thì accuracy vô nghĩa; phải dùng precision, recall hoặc AUC.
- Cách so sánh mô hình — chỉ so được khi mọi mô hình cùng nhắm một mục tiêu đo bằng cùng thước.
Phạm vi rộng thì ngược lại: không có tiêu chí chọn nào rõ ràng, và "mô hình tốt nhất" thành câu hỏi không trả lời được.
Vì sao các phương án khác sai
- *B. Định nghĩa đối tượng người dùng một cách rộng — đi ngược hướng cần thiết.
- A. Xác định nguồn dữ liệu tiềm năng — việc cần làm, nhưng sau khi đã chốt bài toán; không biết muốn dự đoán gì thì không biết cần dữ liệu nào.
- D. Xác định ràng buộc chi phí huấn luyện — quan trọng cho việc triển khai, nhưng không phải tiêu chí chọn mô hình tốt nhất về mặt chất lượng.
A manufacturing company has developed a machine learning model to automate the process of identifying and classifying different types of materials — such as metals, plastics, and fabrics — in images captured from its production line. To ensure that the model accurately differentiates between these materials and performs reliably in real-world conditions, the company needs to evaluate its performance using an appropriate method that can provide detailed insights into the model's accuracy and classification errors.
Which of the following options would be the most suitable for assessing the performance of the classification model?
-
A
Mean Absolute Error (MAE)
-
B
Confusion matrix
-
C
Root Mean Squared Error (RMSE)
-
D
Correlation matrix
Xem giải thích
Đáp án
B — Ma trận nhầm lẫn (confusion matrix)
Vì sao đúng
Đây là bài toán phân loại (kim loại, nhựa, vải), và ma trận nhầm lẫn là công cụ chuẩn cho phân loại. Giá trị của nó nằm ở chỗ nó cho biết nhầm cái gì thành cái gì, chứ không chỉ một con số tổng:
| Thực tế \ Dự đoán | Kim loại | Nhựa | Vải |
|---|---|---|---|
| Kim loại | 95 | 3 | 2 |
| Nhựa | 4 | 88 | 8 |
| Vải | 1 | 12 | 87 |
Bảng này lộ ra ngay một điều mà độ chính xác tổng che mất: nhựa và vải bị lẫn với nhau nhiều nhất. Biết vậy thì mới biết cần bổ sung dữ liệu hay chỉnh đặc trưng ở đâu.
Từ ma trận này cũng tính ra được precision, recall và F1 cho từng lớp.
Vì sao các phương án khác sai
- A. MAE và C. RMSE — là chỉ số của bài toán hồi quy, đo sai lệch giữa hai con số. Nhãn phân loại không trừ nhau được.
- D. Correlation matrix — đo tương quan giữa các biến trong dữ liệu; thuộc giai đoạn khám phá dữ liệu, không đánh giá mô hình.
A Large Language Model (LLM) chatbot is generating responses that appear plausible and factual but are actually incorrect. What is this phenomenon called?
-
A
This is known as data drift, where the statistical properties of the input data change over time, causing the model's predictions to become less accurate
-
B
This is known as a hallucination, where the model generates seemingly accurate information that is, in fact, incorrect or fabricated
-
C
This is referred to as overfitting, where the model performs exceptionally well on the training data but fails to generalize to new, unseen data
-
D
This is an example of underfitting, where the model fails to capture the underlying patterns in the data, resulting in poor performance on both training and new data
Xem giải thích
Đáp án
B — Ảo giác (hallucination)
Vì sao đúng
Ảo giác là hiện tượng mô hình sinh ra nội dung nghe rất thuyết phục nhưng sai sự thật — đúng mô tả trong đề. Điều làm nó nguy hiểm chính là vẻ ngoài: mô hình trình bày thông tin bịa với cùng giọng tự tin như thông tin đúng, nên người đọc không có dấu hiệu nào để nghi ngờ.
Nguyên nhân nằm ở bản chất mô hình: nó dự đoán token có khả năng cao nhất, chứ không tra cứu sự thật. Trích dẫn một bài báo không tồn tại là chuyện hoàn toàn hợp lý với cơ chế đó.
Hai biện pháp giảm thiểu thông dụng: RAG để buộc câu trả lời bám vào tài liệu thật, và hạ temperature.
Vì sao các phương án khác sai
- A. Data drift — đặc tính thống kê của dữ liệu đầu vào đổi theo thời gian làm mô hình kém dần; đó là vấn đề của vận hành lâu dài, không phải của một câu trả lời sai.
- C. Overfitting — học thuộc dữ liệu huấn luyện, kém trên dữ liệu mới.
- D. Underfitting — kém ở cả hai tập vì chưa học đủ.
A global e-commerce company is leveraging a Foundation Model (FM) to improve its product recommendation engine and enhance customer experience. However, the data science team is looking to further optimize the model's performance by applying advanced techniques that can fine-tune the FM for specific tasks, ensure higher accuracy, and improve overall efficiency. The company needs to identify the most effective methods for enhancing the model's capabilities while maintaining scalability.
Which of the following is correct regarding the techniques used to improve the performance of a Foundation Model (FM)?
-
A
Both Fine-tuning and Retrieval-augmented generation (RAG) change the weights of the FM
-
B
Fine-tuning changes the weights of the FM whereas Retrieval-augmented generation (RAG) does not change the weights of the FM
-
C
Fine-tuning does not change the weights of the FM whereas Retrieval-augmented generation (RAG) changes the weights of the FM
-
D
Neither Fine-tuning nor Retrieval-augmented generation (RAG) changes the weights of the FM
Xem giải thích
Đáp án
B — Fine-tuning thay đổi trọng số, RAG không thay đổi trọng số
Vì sao đúng
Đây là điểm phân biệt căn bản giữa hai kỹ thuật, và nó kéo theo mọi khác biệt còn lại:
| Fine-tuning | RAG | |
|---|---|---|
| Trọng số mô hình | Bị thay đổi | Giữ nguyên |
| Tri thức nằm ở | Bên trong mô hình | Kho tri thức bên ngoài |
| Cập nhật nội dung | Phải huấn luyện lại | Cập nhật chỉ mục, mô hình không đụng tới |
| Chi phí | Cao | Thấp |
| Dẫn nguồn | Không | Có |
| Hợp để dạy | Phong cách, định dạng, giọng điệu | Dữ kiện hay thay đổi |
Với công cụ gợi ý sản phẩm thì hệ quả rất rõ: catalog đổi hằng ngày, nên RAG cập nhật được ngay còn fine-tuning thì lạc hậu ngay sau khi huấn luyện xong.
Vì sao các phương án khác sai
- C — đảo ngược hai vế.
- A — nói cả hai đều đổi trọng số; sai ở RAG, vốn chỉ đưa thêm nội dung vào prompt.
- D — nói cả hai đều không đổi; sai ở fine-tuning, vốn chính là quá trình cập nhật trọng số.
A company stores its training datasets on Amazon S3 in the form of tabular data running into millions of rows. The company needs to prepare this data for Machine Learning jobs. The data preparation involves data selection, cleansing, exploration, and visualization using a single visual interface.
Which Amazon SageMaker service is the best fit for these requirements?
-
A
SageMaker Model Dashboard
-
B
Amazon SageMaker Clarify
-
C
Amazon SageMaker Feature Store
-
D
Amazon SageMaker Data Wrangler
Xem giải thích
Đáp án
D — Amazon SageMaker Data Wrangler
Vì sao đúng
Đề nêu bốn việc — chọn, làm sạch, khám phá và trực quan hoá dữ liệu — và nhấn mạnh làm hết trong một giao diện trực quan duy nhất. Data Wrangler dựng cho đúng mô tả đó: nối vào S3, xem trước dữ liệu, áp hàng trăm phép biến đổi dựng sẵn, vẽ biểu đồ phân bố, tất cả bằng thao tác chọn chứ không viết mã.
Kết quả xuất ra được thành pipeline chạy lại được, nên công chuẩn bị dữ liệu không phải làm lại từ đầu mỗi lần.
Vì sao các phương án khác sai
- C. Feature Store — lưu và phục vụ đặc trưng đã tính xong; nó nằm ở bước sau khi dữ liệu đã được chuẩn bị.
- B. Clarify — phát hiện sai lệch và giải thích dự đoán; làm việc với mô hình chứ không phải công cụ chuẩn bị dữ liệu.
- A. Model Dashboard — theo dõi các mô hình đã triển khai.
A healthcare company is deploying AI models using Amazon SageMaker to predict patient outcomes and ensure compliance with healthcare regulations. The data science team wants to document important details about their models, such as performance, bias assessments, and intended use. They are considering using SageMaker model cards for this purpose but also want to understand how AI service cards fit into the broader documentation of their AI services. Understanding the differences between these two tools will help the team select the right one for tracking and managing their AI models.
Given this context, how would you highlight the key differences between SageMaker model cards and AI service cards?
-
A
SageMaker model cards include information about the model such as intended use and risk rating of a model, training details and metrics, evaluation results, and observations. AI service cards provide transparency about AWS AI services' intended use, limitations, and potential impacts
-
B
SageMaker model cards provide technical documentation for deploying models, while AI service cards offer transparency about the intended use, limitations, and potential impacts of AWS AI services
-
C
SageMaker model cards are used to store data for machine learning models, while AI service cards are used for storing user credentials
-
D
SageMaker model cards are used exclusively for monitoring model performance, whereas AI service cards are used for managing model security
Xem giải thích
Đáp án
*A — Model card ghi thông tin về mô hình của bạn; AI service card minh bạch về dịch vụ AI của AWS
Vì sao đúng
Hai loại tài liệu, khác nhau ở chỗ ai viết và viết về cái gì:
| SageMaker model card | AI service card | |
|---|---|---|
| Nói về | Mô hình do bạn xây | Dịch vụ AI của AWS (Rekognition, Textract…) |
| Ai viết | Bạn | AWS |
| Nội dung | Mục đích sử dụng, xếp hạng rủi ro, chi tiết huấn luyện, chỉ số, kết quả đánh giá, quan sát | Mục đích sử dụng, giới hạn, tác động tiềm tàng, lựa chọn thiết kế có trách nhiệm |
| Dùng để | Quản trị nội bộ, chứng cứ tuân thủ | Hiểu dịch vụ bạn đang tích hợp |
Với công ty y tế thì cả hai đều cần: model card làm hồ sơ chứng minh mô hình dự đoán kết quả bệnh nhân đã được đánh giá đầy đủ, còn service card cho biết dịch vụ AWS họ dùng có giới hạn gì.
Vì sao các phương án khác sai
- B — mô tả về service card thì đúng, nhưng gọi model card là "tài liệu kỹ thuật để triển khai mô hình"; thiếu hẳn phần quan trọng nhất: đánh giá sai lệch, chỉ số hiệu năng và xếp hạng rủi ro. Đây là phương án nhiễu gần nhất.
- C — nói service card lưu thông tin đăng nhập; sai hoàn toàn.
- D — thu hẹp model card thành công cụ giám sát và service card thành quản lý bảo mật.
A technology consulting firm is advising a client on implementing advanced AI-driven solutions for automating business processes and improving decision-making. The client wants to understand the hierarchical relationship between different AI technologies, including Artificial Intelligence (AI), Machine Learning (ML), Deep Learning (DL), and Generative AI (GenAI), to determine how each fits into their broader technology strategy. Gaining clarity on this hierarchy will help the client prioritize investments and understand how these technologies interact.
Given this context, what is the correct hierarchical relationship between Artificial Intelligence (AI), Machine Learning (ML), Deep Learning (DL), and Generative AI (GenAI)?
-
A
Generative AI > Deep Learning > Machine Learning > Artificial Intelligence
-
B
Artificial Intelligence > Machine Learning > Deep Learning > Generative AI
-
C
Artificial Intelligence > Generative AI > Machine Learning > Deep Learning
-
D
Machine Learning > Deep Learning > Artificial Intelligence > Generative AI
Xem giải thích
Đáp án
B — Artificial Intelligence > Machine Learning > Deep Learning > Generative AI
Vì sao đúng
Bốn khái niệm lồng vào nhau theo đúng thứ tự đó, mỗi cái là tập con của cái trước:
┌─ Artificial Intelligence ─ mọi kỹ thuật làm máy hành xử thông minh
│ (gồm cả hệ luật cứng, không nhất thiết phải học)
│ ┌─ Machine Learning ─ học quy luật từ dữ liệu thay vì lập trình luật
│ │ ┌─ Deep Learning ─ dùng mạng nơ-ron nhiều tầng
│ │ │ ┌─ Generative AI ─ mạng sâu sinh ra nội dung mới
│ │ │ └─────────────────
│ │ └────────────────────
│ └───────────────────────
└──────────────────────────
Hai chỗ đáng nhớ: AI rộng hơn ML — một hệ chuyên gia dựa trên luật if-then vẫn là AI dù không học gì. Và GenAI nằm trong DL — mọi mô hình sinh hiện đại đều là mạng nơ-ron sâu.
Vì sao các phương án khác sai
- A — đảo ngược hoàn toàn, đặt GenAI làm cái rộng nhất.
- C — đặt GenAI bao ngoài ML và DL, trong khi nó là tập con của cả hai.
- D — đặt ML bao ngoài AI, sai ở tầng cao nhất.
A healthcare company is deploying AI systems on AWS to manage patient data and improve diagnostic accuracy. To ensure compliance with strict healthcare regulations and to enhance the security of their applications, the company's security team is looking for an AWS service that can automate security assessments.
What do you recommend?
-
A
Amazon Inspector
-
B
AWS Config
-
C
AWS Audit Manager
-
D
AWS Artifact
Xem giải thích
Đáp án
A — Amazon Inspector
Vì sao đúng
Chữ khoá của đề là "tự động hoá đánh giá bảo mật". Inspector làm đúng việc đó: quét liên tục và tự động các workload — EC2, image container trong ECR, hàm Lambda — để tìm lỗ hổng phần mềm đã biết (CVE) và cấu hình mạng phơi ra ngoài.
Điểm mạnh là nó chạy nền: có tài nguyên mới là tự đưa vào diện quét, không phải nhớ lên lịch.
Vì sao các phương án khác sai
- C. AWS Audit Manager — thu thập bằng chứng cho kỳ kiểm toán theo các chuẩn như HIPAA hay SOC 2. Với công ty y tế thì đây là dịch vụ rất liên quan, nhưng nó không quét lỗ hổng — nó gom chứng cứ để nộp. Đây là phương án nhiễu gần nhất.
- B. AWS Config — theo dõi thay đổi cấu hình và đánh giá theo luật bạn khai; nó nhìn cấu hình tài nguyên, không nhìn vào lỗ hổng phần mềm bên trong.
- D. AWS Artifact — chỉ là kho tải tài liệu tuân thủ của chính AWS (báo cáo SOC, ISO); không đánh giá gì trong môi trường của bạn.