Ngân hàng đề — AWS Certified AI Practitioner

📘 Phân tích câu hỏi

Câu hỏi liên quan đến việc huấn luyện một mô hình trí tuệ nhân tạo (AI) sinh tạo để dự đoán kết quả của các ứng loan vay. Tập dữ liệu huấn luyện khá nhỏ và phân loại các ứng viên theo độ tuổi thành ba nhóm: "younger-aged," "middle-aged," và "older-aged." Đa số các cá nhân trong tập dữ liệu thuộc nhóm "middle-aged." Công ty quyết định loại bỏ đặc tính về độ tuổi khỏi tập dữ liệu huấn luyện.

🧩 Phân tích các lựa chọn

• The model will inaccurately predict outcomes for younger and older age groups. ✅

  Việc loại bỏ đặc tính về độ tuổi khỏi tập dữ liệu huấn luyện có thể dẫn đến việc mô hình mất đi một thông tin quan trọng để phân biệt giữa các nhóm tuổi. Vì đa số các cá nhân trong tập dữ liệu thuộc nhóm "middle-aged," mô hình có thể bị thiên vị đối với nhóm này. Khi không có thông tin về độ tuổi, mô hình có thể gặp khó khăn trong việc dự đoán chính xác cho các nhóm tuổi khác ("younger-aged" và "older-aged"), dẫn đến việc dự đoán không chính xác cho các nhóm này.

• The model will require less training data. ❌

  Loại bỏ một đặc tính quan trọng như độ tuổi không có nghĩa là mô hình sẽ yêu cầu ít dữ liệu huấn luyện hơn. Trên thực tế, việc có ít thông tin hơn có thể yêu cầu mô hình phải học cách dự đoán dựa trên các mẫu khác, có thể cần nhiều dữ liệu hơn để đạt được độ chính xác tương đương.

• The model will predict accurate outcomes for only younger age groups. ❌

  Không có cơ sở để tin rằng mô hình sẽ dự đoán chính xác chỉ cho nhóm tuổi trẻ ("younger age groups"). Việc loại bỏ thông tin về độ tuổi có thể ảnh hưởng xấu đến khả năng phân biệt của mô hình đối với tất cả các nhóm tuổi, không chỉ giới hạn ở một nhóm.

• The model will accurately predict outcomes for all ages. ❌

  Rõ ràng, việc loại bỏ thông tin về độ tuổi - một yếu tố quan trọng trong việc phân loại và dự đoán - sẽ không giúp mô hình dự đoán chính xác cho tất cả các nhóm tuổi. Điều này có thể dẫn đến việc giảm độ chính xác của mô hình đối với các nhóm tuổi không phải "middle-aged."

📘 Tài liệu tham khảo

• AWS Certified DevOps Engineer - Professional study guide (2026)
• Machine Learning Crash Course by Google (thực hành và các nguyên tắc cơ bản về Machine Learning)

🧩 Kết luận

Lựa chọn đúng là: The model will inaccurately predict outcomes for younger and older age groups. ✅

Việc loại bỏ đặc tính về độ tuổi có thể khiến mô hình trí tuệ nhân tạo gặp khó khăn trong việc dự đoán chính xác cho các nhóm tuổi không phải "middle-aged," dẫn đến giảm độ chính xác cho các nhóm này.

📝 Phân tích câu hỏi

Câu hỏi liên quan đến một trong những hạn chế của việc sử dụng trí tuệ nhân tạo (AI) tạo sinh (generative AI) trong giải quyết vấn đề kinh doanh. Cụ thể, câu hỏi đề cập đến hiện tượng mà các mô hình AI tạo sinh đôi khi tạo ra dữ liệu không liên quan đến đầu vào (input) hoặc nhiệm vụ (task) được giao.

🤔 Giải thích các phương án

• Interpretability (Khả năng giải thích): ✅ Đây là khả năng của một mô hình AI giải thích rõ ràng và minh bạch về quá trình suy nghĩ hoặc quyết định của nó. ❌ Tuy nhiên, interpretability không liên quan trực tiếp đến việc mô hình tạo ra dữ liệu không liên quan.

• Hallucinations (Ảo giác): ✅ Đây là thuật ngữ được sử dụng khi mô hình AI, đặc biệt là mô hình AI tạo sinh, tạo ra thông tin hoặc dữ liệu không dựa trên bất kỳ đầu vào hoặc dữ liệu thực tế nào, mà hoàn toàn do mô hình tự tạo ra. ✅ "Hallucinations" thường xảy ra khi mô hình tạo sinh không đủ dữ liệu huấn luyện hoặc không được huấn luyện tốt, dẫn đến việc tạo ra dữ liệu không liên quan hoặc không chính xác. ✅ Đây là đáp án đúng vì nó chính xác mô tả hiện tượng đề cập trong câu hỏi.

• Data bias (Thiên vị dữ liệu): ✅ Đây là hiện tượng xảy ra khi mô hình AI được huấn luyện trên dữ liệu có thiên vị, dẫn đến việc mô hình đưa ra quyết định hoặc dự đoán bị ảnh hưởng bởi thiên vị đó. ❌ Mặc dù data bias là một vấn đề quan trọng trong AI, nhưng nó không trực tiếp liên quan đến việc tạo ra dữ liệu không liên quan.

• Nondeterminism (Không xác định): ✅ Đây là tính chất của một hệ thống hoặc mô hình mà đầu ra không thể dự đoán chính xác ngay cả khi đầu vào và điều kiện ban đầu được xác định rõ ràng. ❌ Nondeterminism không trực tiếp đề cập đến việc tạo ra dữ liệu không liên quan đến đầu vào hoặc nhiệm vụ.

📚 Kết luận và dẫn nguồn

Theo các tài liệu mới nhất về AI và Machine Learning trên AWS, Hallucinations là thuật ngữ được sử dụng để mô tả hiện tượng mà mô hình AI tạo sinh tạo ra dữ liệu không liên quan hoặc không chính xác (Theo tài liệu của AWS về AI và Machine Learning).

✅ Đáp án đúng: Hallucinations.

🧩 Tài liệu tham khảo:

• AWS Documentation on AI and Machine Learning
• Các tài liệu nghiên cứu mới nhất về Generative AI và các ứng dụng của nó trong kinh doanh.

📝 Hy vọng phần giải thích này giúp làm rõ các khái niệm và giúp bạn hiểu rõ hơn về hạn chế của việc sử dụng Generative AI trong kinh doanh!

Tôi sẽ phân tích kỹ câu hỏi trắc nghiệm liên quan đến AWS.

Nội dung câu hỏi: Một công ty muốn triển khai một hệ thống AI bảo mật với quyền truy cập được kiểm soát. Hệ thống phải cho phép chỉ những nhân viên được ủy quyền mới có thể truy cập dữ liệu huấn luyện mô hình.

Yêu cầu:

• Giải thích nội dung câu hỏi một cách chi tiết và rõ ràng.
• Chỉ rõ đáp án đúng và giải thích lý do lựa chọn.
• Giải thích tất cả các phương án (đúng và sai).

Phân tích câu hỏi

Câu hỏi yêu cầu chọn dịch vụ AWS phù hợp để triển khai hệ thống AI bảo mật với quyền truy cập được kiểm soát. Hệ thống này cần đảm bảo chỉ những nhân viên được ủy quyền mới có thể truy cập dữ liệu huấn luyện mô hình.

Các phương án

• AWS Key Management System (AWS KMS): ❌ AWS KMS là dịch vụ quản lý khóa giúp bảo mật dữ liệu bằng cách tạo, quản lý và sử dụng khóa. Tuy nhiên, AWS KMS không trực tiếp kiểm soát quyền truy cập của người dùng vào dữ liệu.

• Amazon EMR: ❌ Amazon EMR (Elastic MapReduce) là dịch vụ xử lý dữ liệu lớn giúp phân tích và xử lý dữ liệu. EMR không phải là dịch vụ chuyên về kiểm soát quyền truy cập.

• AWS Identity and Access Management (IAM): ✅ AWS IAM là dịch vụ quản lý danh tính và quyền truy cập giúp kiểm soát quyền truy cập của người dùng vào tài nguyên AWS. IAM cho phép tạo và quản lý người dùng, nhóm, và quyền, từ đó đảm bảo chỉ những nhân viên được ủy quyền mới có thể truy cập dữ liệu huấn luyện mô hình.

• Amazon Redshift: ❌ Amazon Redshift là dịch vụ cơ sở dữ liệu phân tích giúp phân tích dữ liệu lớn. Redshift có các tính năng bảo mật và kiểm soát quyền truy cập, nhưng không phải là dịch vụ chuyên về kiểm soát quyền truy cập như IAM.

Đáp án đúng

• AWS Identity and Access Management (IAM): ✅

Lý do lựa chọn IAM là vì dịch vụ này chuyên về quản lý danh tính và quyền truy cập, cho phép kiểm soát chính xác quyền truy cập của người dùng vào tài nguyên AWS, bao gồm cả dữ liệu huấn luyện mô hình.

Dẫn nguồn tài liệu tham khảo

• AWS Identity and Access Management (IAM) Documentation: https://docs.aws.amazon.com/iam/index.html
• AWS Key Management Service (KMS) Documentation: https://docs.aws.amazon.com/kms/index.html
• Amazon EMR Documentation: https://docs.aws.amazon.com/emr/index.html
• Amazon Redshift Documentation: https://docs.aws.amazon.com/redshift/index.html

Như vậy, với yêu cầu kiểm soát quyền truy cập vào dữ liệu huấn luyện mô hình, AWS Identity and Access Management (IAM) là dịch vụ phù hợp nhất. 🛠️📘

📘 Phân tích câu hỏi

Câu hỏi yêu cầu chúng ta xác định hành động phù hợp để đáp ứng yêu cầu của một công ty muốn xây dựng mô hình AI cho khách hàng trên toàn cầu. Công ty muốn mô hình AI này được đào tạo trên một tập dữ liệu phản ánh sự đa dạng của người dùng.

🧩 Yêu cầu của công ty

Công ty muốn xây dựng mô hình AI có thể phục vụ cho khách hàng trên toàn cầu, do đó họ cần một tập dữ liệu đào tạo mô hình phản ánh sự đa dạng của người dùng. Điều này có nghĩa là tập dữ liệu phải đại diện cho nhiều nhóm người dùng khác nhau, bao gồm các nhóm người dùng từ các khu vực, ngôn ngữ, văn hóa khác nhau.

📝 Phân tích các lựa chọn

Dưới đây là phân tích của từng lựa chọn:

• Balance class representation in the dataset. ✅ Lựa chọn này có nghĩa là đảm bảo sự đại diện cân bằng của các lớp (class) trong tập dữ liệu. Điều này là phù hợp với yêu cầu của công ty vì khi các lớp trong tập dữ liệu được đại diện cân bằng, mô hình AI sẽ được đào tạo để phục vụ cho nhiều nhóm người dùng khác nhau, từ đó tăng khả năng phản ánh sự đa dạng của người dùng.

• Use a regional dataset with complete data. ❌ Lựa chọn này có nghĩa là sử dụng một tập dữ liệu của một khu vực nhất định với dữ liệu hoàn chỉnh. Tuy nhiên, tập dữ liệu này có thể không phản ánh sự đa dạng của người dùng trên toàn cầu, mà chỉ đại diện cho một khu vực nhất định.

• Oversample majority class data. ❌ Lựa chọn này có nghĩa là lấy mẫu vượt mức dữ liệu của lớp đa số. Điều này có thể dẫn đến việc mô hình AI bị thiên vị đối với lớp đa số, từ đó giảm khả năng phản ánh sự đa dạng của người dùng.

• Drop minority class data records. ❌ Lựa chọn này có nghĩa là loại bỏ các bản ghi dữ liệu của lớp thiểu số. Điều này sẽ làm giảm sự đa dạng của tập dữ liệu và có thể dẫn đến việc mô hình AI không thể phục vụ cho các nhóm người dùng thiểu số.

📘 Kết luận

Lựa chọn đúng là Balance class representation in the dataset. ✅

Bằng cách đảm bảo sự đại diện cân bằng của các lớp trong tập dữ liệu, công ty có thể xây dựng một mô hình AI phản ánh sự đa dạng của người dùng trên toàn cầu.

📚 Tài liệu tham khảo

• AWS Certified DevOps Engineer - Professional Study Guide (2026)
• Machine Learning Crash Course - Google (2026)
• AWS Machine Learning Services - AWS Documentation (2026)

📘 Phân tích câu hỏi

Công ty muốn triển khai một môi trường duy nhất cho cả phát triển dữ liệu và trí tuệ nhân tạo (AI). Các nhà phát triển từ các nhóm khác nhau cần có thể truy cập môi trường này và làm việc cùng nhau. Họ phải có thể xây dựng và chia sẻ các mô hình và ứng dụng AI tạo ra một cách bảo mật trong môi trường này.

🧩 Yêu cầu chính

• Môi trường duy nhất cho phát triển dữ liệu và AI
• Các nhà phát triển từ các nhóm khác nhau có thể truy cập và làm việc cùng nhau
• Xây dựng và chia sẻ mô hình và ứng dụng AI tạo ra một cách bảo mật

📘 Giải thích các phương án

Amazon Lex

❌ Sai - Amazon Lex là một dịch vụ AI cung cấp khả năng xử lý ngôn ngữ tự nhiên (NLP) để xây dựng giao diện trò chuyện và giọng nói cho các ứng dụng. Tuy nhiên, nó không cung cấp một môi trường phát triển tích hợp cho cả dữ liệu và AI.

Amazon SageMaker Unified Studio

✅ Đúng - Amazon SageMaker Unified Studio là một môi trường phát triển tích hợp (IDE) cho phép các nhà phát triển xây dựng, đào tạo và triển khai các mô hình máy học và ứng dụng AI một cách bảo mật. Nó hỗ trợ việc làm việc cùng nhau và chia sẻ tài nguyên giữa các nhóm.

Amazon Bedrock PartyRock

❌ Sai - Amazon Bedrock là một dịch vụ cung cấp các mô hình nền tảng cho xây dựng AI, nhưng PartyRock không phải là một giải pháp môi trường phát triển tích hợp cho cả dữ liệu và AI.

Amazon Q Developer

❌ Sai - Amazon Q Developer là một công cụ hỗ trợ phát triển giúp tăng tốc quá trình phát triển phần mềm với sự hỗ trợ của AI, nhưng nó không cung cấp một môi trường phát triển tích hợp cho cả dữ liệu và AI.

📘 Lựa chọn đáp án

Dựa trên yêu cầu của công ty, Amazon SageMaker Unified Studio là giải pháp phù hợp nhất vì nó cung cấp một môi trường phát triển tích hợp cho cả dữ liệu và AI, hỗ trợ việc làm việc cùng nhau và chia sẻ tài nguyên một cách bảo mật.

🛠️ Tài liệu tham khảo

• Amazon SageMaker Unified Studio
• AWS Certified DevOps Engineer - Professional

✅ Kết luận

Amazon SageMaker Unified Studio là lựa chọn tốt nhất cho yêu cầu của công ty về một môi trường phát triển tích hợp cho cả dữ liệu và AI, hỗ trợ việc làm việc cùng nhau và chia sẻ tài nguyên một cách bảo mật.

📝 Phân tích câu hỏi

Câu hỏi đề cập đến một công ty triển khai một mô hình nền tảng (Foundation Model - FM) và nhận thấy rằng mô hình này đang trả lời các câu hỏi của người dùng về chính trị. Công ty muốn đảm bảo rằng mô hình không gửi trả lời về các câu hỏi chính trị đến người dùng. Yêu cầu này liên quan đến việc kiểm soát và giới hạn nội dung mà mô hình có thể trả lời.

🧩 Giải thích các phương án

Amazon Bedrock Guardrails

✅ Đáp án đúng: Amazon Bedrock Guardrails là một tính năng của Amazon Bedrock, cho phép người dùng thiết lập các hàng rào (guardrails) để kiểm soát và giới hạn nội dung mà mô hình có thể trả lời. Guardrails giúp ngăn chặn mô hình trả lời các câu hỏi nhạy cảm hoặc không phù hợp, bao gồm cả các câu hỏi về chính trị.

Amazon Bedrock Agents

❌ Phương án sai: Amazon Bedrock Agents là một tính năng của Amazon Bedrock, cho phép người dùng tạo ra các tác nhân (agents) để thực hiện các nhiệm vụ cụ thể. Tuy nhiên, Agents không trực tiếp liên quan đến việc kiểm soát và giới hạn nội dung mà mô hình có thể trả lời.

Amazon SageMaker Clarify

❌ Phương án sai: Amazon SageMaker Clarify là một tính năng của Amazon SageMaker, giúp người dùng hiểu rõ hơn về cách mô hình hoạt động và đưa ra các dự đoán. Clarify không trực tiếp liên quan đến việc kiểm soát và giới hạn nội dung mà mô hình có thể trả lời.

Amazon SageMaker Model Monitor

❌ Phương án sai: Amazon SageMaker Model Monitor là một tính năng của Amazon SageMaker, giúp người dùng theo dõi và giám sát hiệu suất của mô hình. Model Monitor không trực tiếp liên quan đến việc kiểm soát và giới hạn nội dung mà mô hình có thể trả lời.

📘 Tài liệu tham khảo

• Amazon Bedrock Guardrails: https://docs.aws.amazon.com/bedrock/latest/userguide/guardrails.html
• Amazon Bedrock Agents: https://docs.aws.amazon.com/bedrock/latest/userguide/agents.html
• Amazon SageMaker Clarify: https://docs.aws.amazon.com/sagemaker/latest/dg/clarify.html
• Amazon SageMaker Model Monitor: https://docs.aws.amazon.com/sagemaker/latest/dg/model-monitor.html

Kết luận, Amazon Bedrock Guardrails là giải pháp phù hợp nhất để đáp ứng yêu cầu của công ty về việc ngăn chặn mô hình trả lời các câu hỏi chính trị.

🧩 Câu hỏi liên quan đến việc sử dụng tài liệu làm cơ sở kiến thức cho mô hình ngôn ngữ lớn (LLM) trong giải pháp RAG (Retrieval Augmented Generation).

📘 Giải thích nội dung câu hỏi:

Câu hỏi yêu cầu chọn một giải pháp để sử dụng tài liệu làm cơ sở kiến thức cho mô hình ngôn ngữ lớn (LLM) trong giải pháp RAG. RAG là một phương pháp kết hợp giữa việc truy xuất thông tin và tạo văn bản, cho phép mô hình ngôn ngữ tạo ra câu trả lời dựa trên thông tin có sẵn.

🛠️ Phân tích các phương án:

• Encrypt each document with encryption keys. ❌

  • Phương án này không liên quan trực tiếp đến việc sử dụng tài liệu làm cơ sở kiến thức cho LLM trong RAG.
  • Mã hóa tài liệu chỉ đảm bảo tính bảo mật, không giúp mô hình ngôn ngữ hiểu hoặc truy cập thông tin trong tài liệu.

• Create embeddings from document chunks. ✅

  • Đây là đáp án đúng.
  • Giải thích: Trong các mô hình ngôn ngữ lớn, đặc biệt là trong bối cảnh RAG, việc tạo embeddings từ các phần của tài liệu (document chunks) là rất quan trọng.
  • Embeddings là cách biểu diễn văn bản (hoặc hình ảnh, âm thanh) dưới dạng vector số, giúp máy tính có thể hiểu và xử lý thông tin đó.
  • Bằng cách tạo embeddings từ các phần của tài liệu, mô hình có thể dễ dàng truy xuất và sử dụng thông tin có liên quan từ cơ sở kiến thức để tạo ra câu trả lời.

• Label the document data with metadata. ❌

  • Phương án này không trực tiếp liên quan đến việc sử dụng tài liệu làm cơ sở kiến thức cho LLM trong RAG.
  • Gán nhãn dữ liệu với siêu dữ liệu (metadata) có thể giúp tổ chức và tìm kiếm tài liệu, nhưng không trực tiếp giúp mô hình ngôn ngữ tạo ra câu trả lời.

• Generate one-hot encoding for each document ❌

  • Phương án này cũng không phù hợp.
  • One-hot encoding thường được sử dụng cho các đặc tính rời rạc trong các mô hình học máy, không phải là cách biểu diễn phù hợp cho văn bản để sử dụng trong RAG.

📘 Tài liệu tham khảo:

• AWS đưa ra các giải pháp cho việc xây dựng và triển khai mô hình Machine Learning và Large Language Model trên các dịch vụ như Amazon SageMaker, Amazon Bedrock.
• Các tài liệu và hướng dẫn mới nhất từ AWS về RAG và Large Language Model có thể được tìm thấy trên trang web chính thức của AWS.

✅ Kết luận:

• Đáp án đúng là Create embeddings from document chunks.
• Các phương án khác không phù hợp với yêu cầu của câu hỏi về sử dụng tài liệu làm cơ sở kiến thức cho mô hình ngôn ngữ lớn trong giải pháp RAG.

📌 Phân tích câu hỏi

Câu hỏi yêu cầu xác định dịch vụ AWS nào có khả năng tạo báo cáo trí tuệ kinh doanh (business intelligence reports) và tự động tạo tóm tắt điều hành (executive summaries) dựa trên dữ liệu mà người dùng cung cấp.

📝 Phân tích các lựa chọn

• Amazon Q in QuickSight ✅: Đây là một tính năng của Amazon QuickSight, một dịch vụ điện toán phân tích dữ liệu đám mây của AWS. Amazon Q in QuickSight cho phép người dùng tạo báo cáo trí tuệ kinh doanh và tự động tạo tóm tắt điều hành dựa trên dữ liệu cung cấp. Amazon Q giúp việc phân tích dữ liệu trở nên dễ dàng hơn bằng cách sử dụng ngôn ngữ tự nhiên để hỏi và trả lời câu hỏi về dữ liệu.

• Amazon Rekognition ❌: Đây là một dịch vụ phân tích hình ảnh và video của AWS, sử dụng học máy để xác định các đối tượng, khuôn mặt, và các yếu tố khác trong hình ảnh và video. Dịch vụ này không liên quan đến việc tạo báo cáo trí tuệ kinh doanh hay tóm tắt điều hành dựa trên dữ liệu.

• Amazon Textract ❌: Dịch vụ này sử dụng học máy để tự động trích xuất văn bản và dữ liệu từ các tài liệu như hình ảnh và tệp PDF. Mặc dù nó có thể giúp thu thập dữ liệu, nhưng nó không tạo báo cáo trí tuệ kinh doanh hay tóm tắt điều hành.

• Amazon Polly ❌: Đây là một dịch vụ chuyển đổi văn bản thành giọng nói của AWS, cho phép người dùng tạo ra các âm thanh sống động từ văn bản. Dịch vụ này không có khả năng tạo báo cáo trí tuệ kinh doanh hay tóm tắt điều hành.

🤔 Kết luận

Dựa trên phân tích trên, Amazon Q in QuickSight là dịch vụ AWS phù hợp với yêu cầu của câu hỏi.

📚 Tài liệu tham khảo

• AWS QuickSight documentation: https://docs.aws.amazon.com/quicksight/latest/userguide/what-is.html
• AWS Q in QuickSight: https://aws.amazon.com/quicksight/q/

📌 Tóm tắt

• Đáp án đúng: Amazon Q in QuickSight
• Lý do: Dịch vụ này hỗ trợ tạo báo cáo trí tuệ kinh doanh và tự động tạo tóm tắt điều hành dựa trên dữ liệu người dùng cung cấp.

📘 Phân tích câu hỏi

Câu hỏi mô tả một công ty đang cân nhắc giữa hai mô hình dự đoán: mô hình cây quyết định (decision tree) và mô hình mạng nơ-ron (neural network). Mô hình mạng nơ-ron có độ chính xác dự đoán cao hơn so với mô hình cây quyết định, nhưng quá trình quyết định của mô hình mạng nơ-ron không rõ ràng như mô hình cây quyết định.

🧩 Vấn đề chính

Vấn đề chính ở đây là công ty phải cân nhắc giữa độ chính xác (performance) và khả năng giải thích (interpretability) của mô hình dự đoán.

🔍 Phân tích các lựa chọn

• Higher compliance for lower interpretability:

  • Sai ✅: Sự tuân thủ (compliance) thường liên quan đến việc tuân thủ các quy định và tiêu chuẩn, không trực tiếp liên quan đến việc đánh đổi giữa độ chính xác và khả năng giải thích của mô hình.

• Higher performance for lower portability:

  • Sai ❌: Khả năng di chuyển (portability) của mô hình đề cập đến khả năng mô hình có thể hoạt động trên các nền tảng hoặc môi trường khác nhau. Câu hỏi không đề cập đến vấn đề này.

• Higher performance for lower interpretability:

  • Đúng ✅: Hiệu suất cao hơn (higher performance) ở đây chính là độ chính xác dự đoán cao hơn của mô hình mạng nơ-ron. Tuy nhiên, mô hình này có khả năng giải thích thấp hơn (lower interpretability) so với mô hình cây quyết định. Đây chính là sự đánh đổi mà công ty đang thực hiện.

• Higher portability for lower interpretability:

  • Sai ❌: Khả năng di chuyển (portability) không được đề cập trong câu hỏi. Vấn đề chỉ tập trung vào độ chính xác và khả năng giải thích.

📚 Tài liệu tham khảo

Theo kiến thức cập nhật mới nhất đến năm 2026 về AWS và các nguyên tắc của Machine Learning, việc đánh đổi giữa các yếu tố như độ chính xác, khả năng giải thích và các yếu tố khác là rất quan trọng trong việc triển khai các mô hình dự đoán. Xem thêm thông tin tại các nguồn tài liệu của AWS về Machine Learning và Deep Learning.

🎯 Kết luận

Công ty đang thực hiện sự đánh đổi giữa hiệu suất cao hơn (độ chính xác dự đoán cao hơn) và khả năng giải thích thấp hơn khi chọn mô hình mạng nơ-ron thay vì mô hình cây quyết định. Đáp án đúng là: Higher performance for lower interpretability.

📘 Phân tích câu hỏi

Câu hỏi yêu cầu tìm ra giải pháp phù hợp trên Amazon Bedrock để đáp ứng nhu cầu của một công ty sử dụng mô hình nền tảng (foundation model - FM) để tạo ra các khẩu hiệu tiếp thị sáng tạo cho các sản phẩm khác nhau. Công ty muốn tái sử dụng một mẫu tiêu chuẩn với các hướng dẫn chung khi tạo khẩu hiệu cho các sản phẩm khác nhau, nhưng cần thêm các mô tả ngắn cho từng sản phẩm.

🧩 Yêu cầu chính

• Tái sử dụng mẫu tiêu chuẩn với hướng dẫn chung.
• Thêm mô tả ngắn cho từng sản phẩm.

📝 Giải thích các lựa chọn

Prompt Management

✅ Đúng, Prompt Management là giải pháp phù hợp.

• Giải thích: Prompt management cho phép người dùng tạo, quản lý và tái sử dụng các lời nhắc (prompts) một cách hiệu quả. Trong trường hợp này, công ty có thể tạo một lời nhắc tiêu chuẩn bao gồm các hướng dẫn chung và sau đó thêm các mô tả ngắn cho từng sản phẩm. Điều này giúp tiết kiệm thời gian và đảm bảo tính nhất quán trong các lời nhắc trên nhiều sản phẩm.

Knowledge Bases

❌ Sai, Knowledge Bases không phải là giải pháp phù hợp.

• Giải thích: Knowledge Bases liên quan đến việc quản lý và tích hợp kiến thức từ nhiều nguồn để cung cấp thông tin chính xác hơn cho mô hình AI. Mặc dù nó có thể hỗ trợ việc cung cấp thông tin chi tiết về sản phẩm, nhưng nó không trực tiếp hỗ trợ tái sử dụng mẫu tiêu chuẩn với các hướng dẫn chung một cách linh hoạt.

Model Evaluation

❌ Sai, Model Evaluation không phải là giải pháp phù hợp.

• Giải thích: Model Evaluation liên quan đến việc đánh giá và kiểm tra hiệu suất của các mô hình AI. Nó không hỗ trợ việc tạo ra hoặc quản lý các lời nhắc cho mô hình nền tảng.

Cross-region inference

❌ Sai, Cross-region inference không phải là giải pháp phù hợp.

• Giải thích: Cross-region inference liên quan đến việc thực hiện suy luận (inference) trên các mô hình AI ở các khu vực khác nhau để giảm độ trễ. Nó không liên quan trực tiếp đến việc quản lý lời nhắc hoặc tái sử dụng mẫu tiêu chuẩn.

📘 Kết luận

Giải pháp phù hợp để đáp ứng yêu cầu của công ty là Prompt Management. Điều này giúp công ty tái sử dụng mẫu tiêu chuẩn và thêm mô tả ngắn cho từng sản phẩm một cách linh hoạt và hiệu quả.

📚 Tài liệu tham khảo

• AWS Bedrock documentation: Amazon Bedrock User Guide
• AWS Certified DevOps Engineer - Professional: AWS Certified DevOps Engineer - Professional

Hy vọng phần giải thích trên giúp làm rõ câu hỏi!