Ngân hàng đề — AWS Certified AI Practitioner

📘 Phân tích câu hỏi

Câu hỏi yêu cầu chúng ta xác định kết quả của việc tăng tính minh bạch của mô hình (model transparency) trong lĩnh vực Machine Learning hoặc AI trên nền tảng AWS.

🧩 Giải thích nội dung câu hỏi

Tính minh bạch của mô hình (model transparency) đề cập đến khả năng giải thích và hiểu rõ cách thức hoạt động của mô hình dự đoán. Khi mô hình có tính minh bạch cao, chúng ta có thể dễ dàng nhìn thấy các yếu tố ảnh hưởng đến quyết định của mô hình, từ đó có thể phát hiện ra các sai sót hoặc thiên vị (bias) trong mô hình.

📝 Phân tích các phương án

• Reduced need for model validation steps 🧩: ❌ Phương án này không đúng. Khi tăng tính minh bạch của mô hình, thực tế chúng ta có thể cần thêm các bước xác thực (validation) để đảm bảo rằng mô hình hoạt động như mong đợi. Tuy nhiên, tính minh bạch giúp cải thiện hiệu quả của các bước xác thực này, chứ không giảm nhu cầu về chúng.

• Elimination of regulatory compliance monitoring requirements 🧩: ❌ Phương án này không đúng. Việc tăng tính minh bạch của mô hình có thể giúp việc giám sát tuân thủ quy định (regulatory compliance) trở nên dễ dàng hơn, nhưng không thể loại bỏ hoàn toàn nhu cầu này. Các tổ chức vẫn phải tuân thủ các quy định và luật lệ liên quan đến việc sử dụng dữ liệu và AI.

• Automatic removal of all bias from model predictions 🧩: ❌ Phương án này không đúng. Tăng tính minh bạch của mô hình giúp chúng ta có thể phát hiện ra thiên vị (bias) trong mô hình, nhưng không tự động loại bỏ tất cả thiên vị. Cần có các biện pháp can thiệp cụ thể để giảm thiểu hoặc loại bỏ thiên vị.

• Enhanced ability to identify bias and improve model governance 🧩: ✅ Phương án này đúng. Khi tăng tính minh bạch của mô hình, chúng ta có thể dễ dàng phát hiện ra các thiên vị trong mô hình và từ đó có thể cải thiện quản lý mô hình (model governance). Điều này giúp đảm bảo rằng mô hình hoạt động công bằng và đáng tin cậy.

📘 Kết luận

Đáp án đúng là: Enhanced ability to identify bias and improve model governance.

📚 Tài liệu tham khảo

• AWS đưa ra nhiều tài liệu và hướng dẫn về việc phát triển và quản lý mô hình Machine Learning một cách có trách nhiệm, bao gồm cả việc đảm bảo tính minh bạch và công bằng của mô hình. Bạn có thể tham khảo các tài liệu này trên trang web chính thức của AWS.

• Để biết thêm thông tin về cách phát triển mô hình có trách nhiệm trên AWS, bạn có thể tham khảo dịch vụ Amazon SageMaker và các tính năng liên quan đến model explainability và bias detection.

📘 Phân tích câu hỏi

Câu hỏi yêu cầu chúng ta tìm ra giải pháp phù hợp để cải thiện một mô hình ngôn ngữ lớn (LLM) cho việc kiểm duyệt nội dung trong vòng 3 tháng. Mục tiêu là mô hình có thể kiểm duyệt nội dung theo giá trị và đạo đức của công ty, cũng như xử lý các xu hướng mới và các loại nội dung có vấn đề mới.

🧩 Yêu cầu của giải pháp

• Cải thiện LLM để kiểm duyệt nội dung theo giá trị và đạo đức của công ty.
• Xử lý các xu hướng mới và các loại nội dung có vấn đề mới.
• Thời gian thực hiện: 3 tháng.

📝 Phân tích các phương án

Conduct continuous pre-training on a large amount of text-based internet content.

❌ Phương án này không phù hợp vì:

• Việc tiền huấn luyện liên tục trên một lượng lớn nội dung internet có thể giúp mô hình hiểu biết rộng hơn, nhưng không đảm bảo rằng mô hình sẽ kiểm duyệt nội dung theo giá trị và đạo đức cụ thể của công ty.
• Việc này có thể tốn nhiều thời gian và không tập trung vào mục tiêu cụ thể của công ty.

Create a high-quality dataset of historical moderation decisions.

❌ Phương án này không hoàn toàn phù hợp vì:

• Tạo một tập dữ liệu chất lượng cao về các quyết định kiểm duyệt lịch sử có thể giúp mô hình học hỏi từ kinh nghiệm trước, nhưng có thể không đủ để xử lý các xu hướng mới và các loại nội dung có vấn đề mới.
• Tập dữ liệu lịch sử có thể không bao gồm các tình huống mới mà công ty chưa gặp phải.

Fine-tune the LLM on a diverse set of general ethical guidelines from various sources.

❌ Phương án này không hoàn toàn phù hợp vì:

• Fine-tune mô hình trên một tập hợp các hướng dẫn đạo đức chung từ nhiều nguồn có thể giúp mô hình hiểu biết về đạo đức, nhưng có thể không cụ thể enough cho giá trị và đạo đức của công ty.
• Mô hình có thể không đủ khả năng để xử lý các tình huống cụ thể mà công ty gặp phải.

Conduct reinforcement learning from human feedback (RLHF) by using real-time input from skilled moderators.

✅ Đáp án đúng

• Thực hiện học tăng cường từ phản hồi của con người (RLHF) bằng cách sử dụng đầu vào thời gian thực từ các nhà kiểm duyệt có kỹ năng sẽ giúp mô hình học hỏi trực tiếp từ những người có kinh nghiệm.
• Phương pháp này cho phép mô hình được cập nhật liên tục và xử lý các xu hướng mới và các loại nội dung có vấn đề mới theo thời gian thực.
• RLHF đảm bảo rằng mô hình được tinh chỉnh theo giá trị và đạo đức cụ thể của công ty thông qua phản hồi trực tiếp từ các nhà kiểm duyệt.

🛠️ Kết luận

Dẫn nguồn từ tài liệu của AWS về việc sử dụng Reinforcement Learning from Human Feedback (RLHF) trong việc cải thiện mô hình ngôn ngữ lớn cho các nhiệm vụ cụ thể, chúng ta có thể thấy rằng phương pháp này là phù hợp nhất cho yêu cầu của công ty.

Tài liệu tham khảo:

• AWS Documentation: Reinforcement Learning from Human Feedback (RLHF)

👍 Lựa chọn cuối cùng: Conduct reinforcement learning from human feedback (RLHF) by using real-time input from skilled moderators.

📝 Phân tích câu hỏi

Câu hỏi liên quan đến việc sử dụng mô hình ngôn ngữ lớn (Large Language Model - LLM) trên Amazon Bedrock trong một ứng dụng. Trong quá trình thử nghiệm, công ty nhận thấy rằng với cùng một đầu vào, mô hình lại đưa ra các đầu ra khác nhau.

🤔 Vấn đề đặt ra: Nguyên nhân dẫn đến sự khác biệt này là gì?

🔍 Phân tích các phương án

• The LLM is acting in a nondeterministic way. ✅

  • Giải thích: Mô hình ngôn ngữ lớn (LLM) hoạt động theo cách không xác định (nondeterministic) có nghĩa là với cùng một đầu vào, mô hình có thể tạo ra các đầu ra khác nhau. Điều này là hoàn toàn bình thường đối với các mô hình LLM vì chúng thường sử dụng các thuật toán lấy mẫu từ phân phối xác suất để tạo ra văn bản. Tính chất không xác định này cho phép mô hình tạo ra nhiều khả năng và đa dạng hóa đầu ra, nhưng cũng có thể dẫn đến sự không nhất quán trong một số trường hợp.

• The guardrails of the LLM are not configured properly. ❌

  • Giải thích: Guardrails (được hiểu là các hàng rào bảo vệ hoặc giới hạn) trong ngữ cảnh này thường liên quan đến việc cấu hình để đảm bảo mô hình hoạt động trong những giới hạn được đặt ra, chẳng hạn như tránh nội dung nhạy cảm hoặc không phù hợp. Nếu guardrails không được cấu hình đúng cách, có thể dẫn đến nhiều vấn đề, nhưng sự khác biệt trong đầu ra với cùng một đầu vào không phải là nguyên nhân trực tiếp.

• The LLM has security vulnerabilities. ❌

  • Giải thích: Các lỗ hổng bảo mật trong LLM có thể dẫn đến nhiều vấn đề liên quan đến bảo mật và quyền riêng tư, nhưng chúng thường không trực tiếp gây ra sự khác biệt trong đầu ra với cùng một đầu vào.

• The LLM is acting in a deterministic way. ❌

  • Giải thích: Nếu LLM hoạt động theo cách xác định (deterministic), điều này có nghĩa là với cùng một đầu vào, mô hình sẽ luôn tạo ra cùng một đầu ra. Điều này không phù hợp với tình huống được mô tả trong câu hỏi.

📚 Kết luận

Đáp án đúng là: The LLM is acting in a nondeterministic way.

🧩 Lý do: Vì các mô hình ngôn ngữ lớn như LLM được thiết kế để tạo ra văn bản dựa trên phân phối xác suất, tính chất không xác định này dẫn đến việc với cùng một đầu vào, mô hình có thể tạo ra các đầu ra khác nhau.

📘 Tài liệu tham khảo

• Amazon Bedrock documentation
• Understanding the Basics of Large Language Models

📌 Lưu ý: Thông tin và kiến thức được cập nhật đến năm 2026.