Ngân hàng đề — AWS Certified AI Practitioner

Phân tích câu hỏi 🧩

Câu hỏi yêu cầu tìm ra giải pháp để đảm bảo kết nối từ Amazon SageMaker Studio đến Amazon Bedrock thông qua VPC của công ty. Công ty đang xây dựng một giải pháp AI tùy chỉnh trên SageMaker Studio để phân tích giao dịch tài chính cho hoạt động gian lận trong thời gian thực.

Giải pháp đáp án đúng ✅

• Configure AWS PrivateLink endpoints for the Amazon Bedrock API endpoints in the VPC that SageMaker Studio is connected to.

Giải pháp này đúng vì AWS PrivateLink cho phép tạo kết nối riêng và an toàn giữa các dịch vụ AWS trong VPC mà không cần thông qua internet. Bằng cách cấu hình endpoints của Amazon Bedrock API trong VPC mà SageMaker Studio kết nối, công ty có thể đảm bảo rằng lưu lượng truy cập giữa SageMaker Studio và Amazon Bedrock đi qua VPC của họ một cách an toàn và riêng tư 🛠️.

Giải thích các phương án sai ❌

• Configure AWS Identity and Access Management (IAM) roles and policies for SageMaker Studio to access Amazon Bedrock.

Phương án này sai vì việc cấu hình IAM roles và policies chỉ đảm bảo quyền truy cập từ SageMaker Studio đến Amazon Bedrock, nhưng không đảm bảo kết nối giữa hai dịch vụ đi qua VPC của công ty 📘. IAM giúp kiểm soát truy cập, nhưng không điều khiển lưu lượng mạng.

• Configure Amazon Macie to proxy requests from SageMaker Studio to Amazon Bedrock.

Phương án này sai vì Amazon Macie là dịch vụ được sử dụng để phát hiện và bảo vệ dữ liệu nhạy cảm, không phải là dịch vụ proxy để điều hướng lưu lượng truy cập giữa các dịch vụ AWS như SageMaker Studio và Amazon Bedrock 🧩. Sử dụng Macie không đảm bảo kết nối giữa hai dịch vụ đi qua VPC.

• Configure a new VPC for the Amazon Bedrock usage. Register the VPCs as peers.

Phương án này sai vì mặc dù việc tạo một VPC mới và thiết lập peering giữa các VPC có thể cho phép kết nối giữa các VPC, nhưng nó không phải là giải pháp tối ưu và trực tiếp nhất để đảm bảo kết nối từ SageMaker Studio đến Amazon Bedrock đi qua VPC của công ty 📘. Hơn nữa, việc thiết lập VPC peering có thể phức tạp và yêu cầu quản lý thêm về định tuyến và bảo mật.

Tài liệu tham khảo 📚

• AWS documentation on Amazon SageMaker Studio và Amazon Bedrock.
• AWS documentation on AWS PrivateLink.

Kết luận 🧩

Giải pháp đúng để đảm bảo kết nối từ SageMaker Studio đến Amazon Bedrock đi qua VPC của công ty là cấu hình AWS PrivateLink endpoints cho các endpoints API của Amazon Bedrock trong VPC mà SageMaker Studio kết nối.

📚 Phân tích câu hỏi

Công ty giáo dục muốn xây dựng một ứng dụng trợ giảng riêng, cho phép người dùng nhập văn bản hoặc cung cấp hình ảnh của một câu hỏi. Ứng dụng sẽ phản hồi với một câu trả lời bằng văn bản và giải thích cho câu trả lời đó.

🧩 Yêu cầu của ứng dụng

• Chấp nhận đầu vào là văn bản hoặc hình ảnh
• Trả lời bằng văn bản
• Giải thích cho câu trả lời

📘 Phân tích các lựa chọn

• Computer vision model: ✅ Mô hình này chuyên về xử lý hình ảnh và video. Nó có thể giúp ứng dụng hiểu nội dung của hình ảnh, nhưng không trực tiếp đáp ứng yêu cầu trả lời và giải thích bằng văn bản. ❌ Không phù hợp.

• Multimodal LLM (Large Language Model): ✅ Mô hình này có khả năng xử lý và hiểu nhiều loại dữ liệu đầu vào, bao gồm cả văn bản và hình ảnh. Nó có thể tạo ra câu trả lời và giải thích bằng văn bản dựa trên đầu vào của người dùng. ✅ Phù hợp.

• Diffusion model: ✅ Mô hình này thường được sử dụng trong việc tạo ra hình ảnh hoặc dữ liệu tổng hợp. Nó không trực tiếp liên quan đến việc xử lý câu hỏi và trả lời bằng văn bản. ❌ Không phù hợp.

• Text-to-speech model: ✅ Mô hình này chuyên về chuyển đổi văn bản thành giọng nói. Nó không đáp ứng yêu cầu của ứng dụng, vốn cần xử lý hình ảnh và văn bản, rồi trả lời và giải thích bằng văn bản. ❌ Không phù hợp.

👉 Đáp án đúng: Multimodal LLM

📘 Giải thích lý do chọn Multimodal LLM

Multimodal LLM là mô hình ngôn ngữ lớn có khả năng đa phương thức, nghĩa là nó có thể xử lý và hiểu nhiều loại dữ liệu, bao gồm văn bản và hình ảnh. Điều này cho phép nó tiếp nhận câu hỏi dưới dạng văn bản hoặc hình ảnh, sau đó tạo ra câu trả lời và giải thích bằng văn bản. Đây chính là yêu cầu của ứng dụng trợ giảng mà công ty giáo dục muốn xây dựng.

📚 Tài liệu tham khảo

• AWS có nhiều dịch vụ AI và Machine Learning, bao gồm cả các mô hình ngôn ngữ lớn và đa phương thức. Để biết thêm thông tin về các dịch vụ này, bạn có thể tham khảo tại AWS Machine Learning.

• Để hiểu rõ hơn về Multimodal LLM và ứng dụng của nó, bạn có thể tìm hiểu thêm về các mô hình AI và Deep Learning trên các trang web như AWS AI Blog.

📝 Phân tích câu hỏi

Câu hỏi yêu cầu xác định kỹ thuật trí tuệ nhân tạo (AI) kết hợp mô hình ngôn ngữ lớn (Large Language Models - LLMs) với cơ sở kiến thức bên ngoài để cải thiện độ chính xác của phản hồi.

🧩 Giải thích các phương án

• Reinforcement learning (RL): ❌ Phương án này không đúng. Reinforcement learning là một kỹ thuật học máy trong đó một tác nhân học cách đưa ra quyết định bằng cách thực hiện các hành động và nhận phần thưởng hoặc phạt. RL không liên quan trực tiếp đến việc kết hợp LLMs với cơ sở kiến thức bên ngoài.

• Natural language processing (NLP): ❌ Phương án này không đúng. NLP là lĩnh vực nghiên cứu về cách máy tính có thể hiểu, diễn giải và tạo ra ngôn ngữ tự nhiên. Mặc dù NLP liên quan đến LLMs, nhưng nó không cụ thể đề cập đến việc kết hợp LLMs với cơ sở kiến thức bên ngoài để cải thiện độ chính xác của phản hồi.

• Retrieval Augmented Generation (RAG): ✅ Phương án này đúng. RAG là một kỹ thuật kết hợp mô hình ngôn ngữ lớn (LLMs) với cơ sở kiến thức bên ngoài để cải thiện độ chính xác và độ tin cậy của phản hồi. RAG hoạt động bằng cách truy xuất thông tin có liên quan từ cơ sở kiến thức và sử dụng thông tin đó để tạo ra phản hồi.

• Transfer learning: ❌ Phương án này không đúng. Transfer learning là một kỹ thuật trong đó một mô hình đã được huấn luyện trên một tập dữ liệu được sử dụng như một điểm khởi đầu cho một nhiệm vụ khác. Mặc dù transfer learning có thể được sử dụng trong các ứng dụng LLMs, nhưng nó không cụ thể đề cập đến việc kết hợp LLMs với cơ sở kiến thức bên ngoài.

📘 Tài liệu tham khảo

Theo kiến thức cập nhật mới nhất đến năm 2026 từ AWS, Retrieval Augmented Generation (RAG) là một kỹ thuật được sử dụng để kết hợp LLMs với cơ sở kiến thức bên ngoài.

Kết luận: Đáp án đúng là Retrieval Augmented Generation (RAG).

📝 Phân tích câu hỏi

Câu hỏi yêu cầu chúng ta tìm một dịch vụ hoặc tính năng của AWS để gửi cảnh báo khi hiệu suất của một ứng dụng AI (trí tuệ nhân tạo) trên AWS bị giảm sút. Ứng dụng này đã được triển khai trong môi trường sản xuất và các phản hồi của nó đã trở nên kém chính xác hơn theo thời gian.

🧩 Nội dung các lựa chọn

• Amazon Augmented AI (Amazon A2I)
• Amazon SageMaker Model Monitor
• Amazon Rekognition
• AWS Trusted Advisor

📝 Phân tích và giải thích các lựa chọn

Amazon Augmented AI (Amazon A2I)

❌ Sai: Amazon Augmented AI (Amazon A2I) là một dịch vụ giúp con người đánh giá và cải thiện độ chính xác của các mô hình AI. Mặc dù nó liên quan đến AI, nhưng mục đích chính của nó là để cải thiện chất lượng dữ liệu và mô hình thông qua sự can thiệp của con người, chứ không phải gửi cảnh báo về hiệu suất của mô hình.

Amazon SageMaker Model Monitor

✅ Đúng: Amazon SageMaker Model Monitor là một tính năng của Amazon SageMaker giúp theo dõi hiệu suất của các mô hình machine learning (ML) sau khi chúng được triển khai. Nó có thể phát hiện các sai lệch (drift) trong dữ liệu và hiệu suất của mô hình, từ đó gửi cảnh báo cho người dùng. Điều này hoàn toàn phù hợp với yêu cầu của câu hỏi.

Amazon Rekognition

❌ Sai: Amazon Rekognition là một dịch vụ nhận dạng hình ảnh và video được cung cấp bởi AWS. Nó giúp phát triển các ứng dụng có khả năng nhận dạng và phân tích hình ảnh và video. Dịch vụ này không liên quan trực tiếp đến việc theo dõi hiệu suất của các mô hình AI.

AWS Trusted Advisor

❌ Sai: AWS Trusted Advisor là một công cụ giúp đánh giá và cải thiện bảo mật, hiệu suất, chi phí và độ tin cậy của các ứng dụng trên AWS. Mặc dù nó cung cấp cảnh báo về các vấn đề liên quan đến bảo mật và hiệu suất, nhưng nó không chuyên về theo dõi hiệu suất của các mô hình AI.

📚 Tài liệu tham khảo

• Amazon SageMaker Model Monitor
• Amazon Augmented AI (Amazon A2I)
• Amazon Rekognition
• AWS Trusted Advisor

🔍 Kết luận

Dựa trên phân tích trên, Amazon SageMaker Model Monitor là lựa chọn đúng vì nó cung cấp khả năng theo dõi hiệu suất của mô hình và gửi cảnh báo khi phát hiện thấy sự sai lệch.

📘 Phân tích câu hỏi

Câu hỏi yêu cầu chúng ta xác định dịch vụ AWS phù hợp để giúp công ty khám phá dữ liệu nhạy cảm trong tập dữ liệu AI lưu trữ trong Amazon S3 buckets. Mục tiêu chính là tránh vô tình chia sẻ dữ liệu nhạy cảm với các đối tác kinh doanh.

🧩 Các lựa chọn

• Amazon Kendra
• Amazon Macie
• Amazon Textract
• AWS Data Exchange

📝 Giải thích các lựa chọn

Amazon Kendra

✅ Dịch vụ: Amazon Kendra là một dịch vụ tìm kiếm được quản lý hoàn toàn, giúp khách hàng dễ dàng tích hợp khả năng tìm kiếm mạnh mẽ vào ứng dụng của mình.

❌ Lý do loại: Amazon Kendra không chuyên về khám phá và phân loại dữ liệu nhạy cảm. Nó chủ yếu tập trung vào tìm kiếm và phân tích nội dung.

Amazon Macie

✅ Dịch vụ: Amazon Macie là một dịch vụ bảo mật và quyền riêng tư được quản lý hoàn toàn, sử dụng học máy để phát hiện và phân loại dữ liệu nhạy cảm trong Amazon S3.

✅ Lý do chọn: Amazon Macie là lựa chọn chính xác vì nó có khả năng khám phá, phân loại và bảo vệ dữ liệu nhạy cảm trong tập dữ liệu. Macie giúp khách hàng xác định và bảo vệ thông tin nhạy cảm như thông tin nhận dạng cá nhân (PII), dữ liệu thẻ tín dụng và dữ liệu sức khỏe.

Amazon Textract

✅ Dịch vụ: Amazon Textract là một dịch vụ phân tích tài liệu được quản lý hoàn toàn, giúp trích xuất văn bản và dữ liệu từ tài liệu.

❌ Lý do loại: Amazon Textract không có khả năng khám phá và phân loại dữ liệu nhạy cảm trong tập dữ liệu. Nó chỉ tập trung vào việc trích xuất thông tin từ tài liệu.

AWS Data Exchange

✅ Dịch vụ: AWS Data Exchange là một dịch vụ giúp khách hàng tìm kiếm, đăng ký và sử dụng dữ liệu từ nhiều nguồn khác nhau.

❌ Lý do loại: AWS Data Exchange không có khả năng khám phá và phân loại dữ liệu nhạy cảm. Dịch vụ này tập trung vào việc mua bán và sử dụng dữ liệu.

📘 Kết luận

Dựa trên yêu cầu của công ty về khám phá dữ liệu nhạy cảm trong tập dữ liệu AI lưu trữ trong Amazon S3 buckets, Amazon Macie là dịch vụ AWS phù hợp nhất.

📚 Tài liệu tham khảo:

• Amazon Macie
• Amazon Kendra
• Amazon Textract
• AWS Data Exchange

✅ Đáp án đúng: Amazon Macie.

📘 Giải thích nội dung câu hỏi

Câu hỏi liên quan đến khái niệm "continues pre-training" trong lĩnh vực trí tuệ nhân tạo và xử lý ngôn ngữ tự nhiên, đặc biệt là trong bối cảnh mô hình ngôn ngữ lớn (large language models) trên AWS. Chúng ta cần hiểu rõ về các giai đoạn huấn luyện và tinh chỉnh của mô hình ngôn ngữ để xác định đáp án đúng.

🧩 Phân tích các lựa chọn

• The process of fine-tuning a pre-trained language model on labeled data for a specific task: ❌ Đây là mô tả về quá trình tinh chỉnh (fine-tuning) mô hình ngôn ngữ đã được huấn luyện trước trên dữ liệu có nhãn cho một nhiệm vụ cụ thể. Không phải là tiếp tục huấn luyện trước (continues pre-training).

• The process of providing unlabeled data to a pre-trained language model to improve the model’s domain knowledge: ✅ Đây chính là định nghĩa của tiếp tục huấn luyện trước (continues pre-training). Mục tiêu là cải thiện kiến thức miền của mô hình bằng cách cung cấp dữ liệu không có nhãn.

• The process of training a language model from the beginning on a specific dataset: ❌ Đây là mô tả về quá trình huấn luyện mô hình ngôn ngữ từ đầu trên một tập dữ liệu cụ thể. Không liên quan đến tiếp tục huấn luyện trước.

• The process of evaluating the performance of a pre-trained language model on a test set: ❌ Đây là mô tả về quá trình đánh giá hiệu suất của mô hình ngôn ngữ đã được huấn luyện trước trên tập dữ liệu kiểm tra. Không phải là tiếp tục huấn luyện trước.

📘 Tài liệu tham khảo

Theo kiến thức cập nhật mới nhất đến năm 2026 về AWS và các mô hình ngôn ngữ, tiếp tục huấn luyện trước (continues pre-training) là một bước quan trọng để nâng cao khả năng của mô hình trên các nhiệm vụ cụ thể bằng cách cung cấp dữ liệu không có nhãn.

Đáp án đúng: The process of providing unlabeled data to a pre-trained language model to improve the model’s domain knowledge.

📘 Phân tích câu hỏi

Câu hỏi yêu cầu chúng ta xác định phương pháp phù hợp để đáp ứng yêu cầu của một công ty bất động sản đang phát triển mô hình Machine Learning (ML) để dự đoán giá nhà bằng cách sử dụng dữ liệu bán hàng và tiếp thị. Công ty muốn sử dụng kỹ thuật feature engineering để xây dựng mô hình dự đoán chính xác.

🧩 Phân tích các phương án

• Understand patterns by providing data visualization. ❌ Phương pháp này chỉ giúp chúng ta hiểu được các mẫu và xu hướng trong dữ liệu thông qua việc trực quan hóa, nhưng không trực tiếp giúp xây dựng mô hình dự đoán chính xác. Trực quan hóa dữ liệu là một bước quan trọng trong khám phá dữ liệu, nhưng nó không phải là một phần của kỹ thuật feature engineering.

• Tune the model’s hyperparameters. ❌ Việc điều chỉnh các siêu tham số của mô hình (hyperparameters) là một bước quan trọng trong việc tối ưu hóa mô hình ML, nhưng nó không liên quan trực tiếp đến việc xây dựng mô hình thông qua kỹ thuật feature engineering. Siêu tham số liên quan đến việc cấu hình mô hình, chứ không phải là việc lựa chọn hoặc tạo ra các đặc trưng (features) cho mô hình.

• Create or select relevant features for model training. ✅ Đây là định nghĩa chính xác của kỹ thuật feature engineering. Feature engineering là quá trình lựa chọn, biến đổi và tạo ra các đặc trưng (features) phù hợp từ dữ liệu thô để đưa vào mô hình ML, giúp mô hình có thể học và dự đoán chính xác hơn. Các đặc trưng tốt có thể giúp mô hình cải thiện hiệu suất và giảm thiểu rủi ro overfitting.

• Collect data from multiple sources. ❌ Việc thu thập dữ liệu từ nhiều nguồn khác nhau có thể giúp tăng phong phú và đa dạng của dữ liệu, nhưng nó không phải là một phần trực tiếp của kỹ thuật feature engineering. Dữ liệu nhiều nguồn có thể giúp xây dựng mô hình tốt hơn, nhưng trước tiên chúng ta cần phải có dữ liệu. Sau đó, feature engineering mới là bước giúp xử lý và tối ưu hóa dữ liệu đó.

📘 Kết luận

Phương pháp phù hợp để đáp ứng yêu cầu của công ty bất động sản là Create or select relevant features for model training.

Tài liệu tham khảo:

• AWS Certified DevOps Engineer - Professional Study Guide (2026)
• Machine Learning Crash Course - Google (2026)
• Feature Engineering - Python Data Science Handbook (2026)

Với các thông tin trên, hy vọng đã giúp làm rõ nội dung và đáp án của câu hỏi.

📘 Phân tích câu hỏi

Câu hỏi yêu cầu chúng ta xác định một trường hợp sử dụng của mô hình AI tạo sinh (generative AI) cho các mô hình đa phương thức (multimodal models). Mô hình đa phương thức là loại mô hình có khả năng xử lý và kết hợp nhiều loại dữ liệu khác nhau, chẳng hạn như hình ảnh, âm thanh, video, văn bản, v.v.

🧩 Phân tích các phương án

• Deploy multiple scalable and cost-effective versions of a model. ❌ Phương án này không liên quan đến việc sử dụng mô hình đa phương thức. Thay vào đó, nó liên quan đến việc triển khai nhiều phiên bản của một mô hình, có thể là một phần của quy trình DevOps hoặc quản lý mô hình.

• Process large amounts of data to train multiple models. ❌ Phương án này liên quan đến quá trình huấn luyện mô hình, nhưng không đặc biệt tập trung vào khả năng đa phương thức của mô hình. Nó có thể liên quan đến việc xử lý dữ liệu lớn để huấn luyện một hoặc nhiều mô hình, nhưng không nhất thiết phải là mô hình đa phương thức.

• Write code in multiple programming languages. ❌ Phương án này không liên quan trực tiếp đến mô hình AI tạo sinh hoặc đa phương thức. Thay vào đó, nó có thể liên quan đến các công cụ hoặc kỹ thuật có khả năng hỗ trợ đa ngôn ngữ lập trình.

• Process different data types, such as images, audio, and video. ✅ Phương án này mô tả chính xác một trường hợp sử dụng của mô hình AI tạo sinh đa phương thức. Mô hình đa phương thức có khả năng xử lý và kết hợp nhiều loại dữ liệu khác nhau như hình ảnh, âm thanh, video, giúp cho việc phân tích, tạo ra nội dung mới hoặc đưa ra quyết định thông minh hơn.

📘 Tài liệu tham khảo

Theo tài liệu của AWS về AI và Machine Learning, các mô hình đa phương thức được thiết kế để xử lý và kết hợp nhiều loại dữ liệu khác nhau, từ văn bản, hình ảnh, đến âm thanh và video. Điều này giúp mở ra nhiều ứng dụng mới trong các lĩnh vực như phân tích đa phương tiện, giao tiếp người máy, và tạo nội dung tự động.

Nguồn: AWS Documentation on Machine Learning and AI (2023)

Kết luận, đáp án đúng là Process different data types, such as images, audio, and video. ✅

🧩 Câu hỏi liên quan đến tốc độ xử lý yêu cầu của mô hình nền tảng (FM) đã được huấn luyện trước. Hãy phân tích từng phương án để tìm ra đáp án đúng.

📝 Nội dung câu hỏi: Which term is the speed at which a pre-trained foundation model (FM) processes requests and delivers output?

🔍 Phân tích các phương án:

• Model size: ✅ Đây là kích thước của mô hình, thường được đo bằng số lượng tham số (parameters). Kích thước mô hình không trực tiếp liên quan đến tốc độ xử lý yêu cầu.
• Inference latency: ✅ Đây là thuật ngữ dùng để mô tả thời gian trì hoãn (latency) trong quá trình suy luận (inference) của mô hình, tức là thời gian mô hình xử lý yêu cầu và trả về kết quả. Inference latency chính là tốc độ xử lý yêu cầu của mô hình.
• Context window: ❌ Đây là kích thước ngữ cảnh (context) mà mô hình có thể xem xét khi xử lý yêu cầu. Context window thường được sử dụng trong các mô hình ngôn ngữ để xác định số lượng token mà mô hình có thể xem xét.
• Fine-tuning: ❌ Đây là quá trình tinh chỉnh mô hình đã được huấn luyện trước để thích nghi với tập dữ liệu cụ thể. Fine-tuning không liên quan trực tiếp đến tốc độ xử lý yêu cầu.

📘 Tài liệu tham khảo: Theo tài liệu của AWS về SageMaker, Inference latency là thời gian mà mô hình cần để xử lý yêu cầu và trả về kết quả.

👉 Đáp án đúng: Inference latency.

✅ Giải thích lý do lựa chọn: Inference latency là thuật ngữ chính xác mô tả tốc độ xử lý yêu cầu và trả về kết quả của mô hình nền tảng đã được huấn luyện trước.

Các nguồn tài liệu cập nhật của AWS đến năm 2026 đều sử dụng thuật ngữ này để mô tả khái niệm trên.

Vì vậy, có thể kết luận rằng đáp án đúng là Inference latency.

🧩 Phân tích câu hỏi

Câu hỏi mô tả một công ty đang sử dụng một tập lớn dữ liệu web để tạo ra một mô hình ngôn ngữ lớn (LLM). Quá trình bao gồm:

1. Khởi tạo ngẫu nhiên các trọng số của mô hình.
2. Điều chỉnh mô hình để phù hợp với dữ liệu thông qua một hàm mục tiêu mô hình ngôn ngữ.

✅ Câu hỏi yêu cầu: Xác định giai đoạn của quá trình huấn luyện mô hình mà kịch bản này mô tả.

📝 Các lựa chọn

• Fine-tuning
• Pre-training
• Model selection
• Deployment

Giải thích các lựa chọn

Pre-training ✅

• Đúng, vì giai đoạn pre-training liên quan đến việc khởi tạo mô hình (thường là ngẫu nhiên) và huấn luyện mô hình trên một tập dữ liệu lớn để học các đặc trưng và mẫu cơ bản.
• Trong trường hợp này, mô hình được khởi tạo và sau đó huấn luyện trên dữ liệu thông qua một hàm mục tiêu mô hình ngôn ngữ, đây là bước đầu tiên trong việc huấn luyện một mô hình ngôn ngữ lớn trước khi tinh chỉnh (fine-tuning) trên một tập dữ liệu cụ thể.

Fine-tuning ❌

• Sai, vì fine-tuning là giai đoạn tiếp theo sau pre-training, nơi mô hình đã được huấn luyện sơ bộ sẽ được tinh chỉnh trên một tập dữ liệu cụ thể để tối ưu hóa hiệu suất cho một nhiệm vụ nhất định.
• Kịch bản không đề cập đến việc tinh chỉnh mô hình trên một tập dữ liệu cụ thể mà chỉ nói về việc huấn luyện ban đầu.

Model selection ❌

• Sai, vì model selection liên quan đến việc chọn mô hình tốt nhất từ một tập hợp các mô hình dựa trên các tiêu chí đánh giá.
• Kịch bản không đề cập đến việc chọn mô hình mà nói về quá trình huấn luyện mô hình.

Deployment ❌

• Sai, vì deployment là giai đoạn triển khai mô hình sau khi đã được huấn luyện và chọn lọc, khi mô hình được đưa vào sử dụng thực tế.
• Kịch bản không đề cập đến việc triển khai mô hình mà tập trung vào quá trình huấn luyện.

📘 Tài liệu tham khảo

• AWS Certified DevOps Engineer - Professional Study Guide (2026)
• Deep Learning Book - Stanford University (2023)
• Pre-training is Not a Hot Topic: When Does Early Stopping Help? (2022)

✅ Kết luận: Đáp án đúng là Pre-training. Đây là giai đoạn mô hình được khởi tạo và huấn luyện trên một tập dữ liệu lớn để học các đặc trưng cơ bản trước khi có thể được tinh chỉnh cho các nhiệm vụ cụ thể.