Ngân hàng đề — AWS Certified Machine Learning Engineer Associate
Tìm thấy 635 câu.
You are managing a machine learning project and want to reuse a data preprocessing step from a previous pipeline for a new model. What feature of SageMaker Pipelines allows you to achieve this?
-
A
Pipelines must be redefined for each new model.
-
B
Only parameter values can be reused in different pipelines.
-
C
Pipeline steps are not reusable and must be manually duplicated for each new model.
-
D
Steps in a pipeline can be reused across different projects, saving time and effort.
Xem giải thích
Đáp án
D — Các bước trong pipeline dùng lại được giữa nhiều dự án
Vì sao đúng
Bước trong SageMaker Pipelines là đối tượng khai báo được, nên định nghĩa bước tiền xử lý một lần rồi tham chiếu ở nhiều pipeline khác nhau. Kết hợp với tham số, cùng một bước chạy được cho nhiều bộ dữ liệu. Lợi ích thật nằm ở chỗ sửa một chỗ là mọi nơi cùng đổi, thay vì có ba bản sao trôi dần theo hướng riêng.
Vì sao các phương án khác sai
- A. Phải định nghĩa lại cho mỗi mô hình — chính là điều tính năng này giúp tránh.
- B. Chỉ giá trị tham số dùng lại được — hiểu hẹp hơn thực tế; bản thân bước cũng dùng lại được.
- C. Bước không dùng lại được, phải nhân bản thủ công — sai.
A company is training a large image classification model on SageMaker using PyTorch, but the training process is taking much longer than expected. The machine learning engineer suspects there is a resource bottleneck. They decide to use SageMaker Profiler to diagnose and fix the issue.
Which of the following actions should the engineer take to identify and resolve the bottleneck? (Choose two.)
-
A
Use SageMaker Profiler to monitor GPU utilization in real-time and check for underutilization.
-
B
Adjust the learning rate dynamically during training based on real-time profiler metrics.
-
C
Use SageMaker Profiler to monitor disk I/O and reduce the dataset size if slow disk reads are detected.
-
D
Set up custom metrics to monitor memory allocation, and adjust the number of epochs if memory usage is too high.
Xem giải thích
Đáp án
A và C — dùng Profiler theo dõi mức dùng GPU, và theo dõi I/O ổ đĩa
Vì sao đúng
Huấn luyện chậm hơn dự kiến thường không phải lỗi mô hình mà là nút thắt tài nguyên, và Profiler là công cụ chỉ ra nút thắt nằm ở đâu:
- A. Mức dùng GPU thấp cho biết GPU đang chờ dữ liệu chứ không phải thiếu sức tính.
- C. I/O ổ đĩa cao hoặc chậm xác nhận nút thắt nằm ở khâu đọc dữ liệu — từ đó chỉnh số luồng đọc, nạp trước, hoặc đổi định dạng lưu trữ.
Vì sao các phương án khác sai
- B. Chỉnh tốc độ học theo dữ liệu profiler — tốc độ học ảnh hưởng chất lượng hội tụ, không phải tốc độ dùng tài nguyên; hai chuyện khác nhau.
- D. Theo dõi bộ nhớ rồi chỉnh số epoch — số epoch quyết định huấn luyện bao lâu, không liên quan tới việc tài nguyên bị nghẽn ở đâu.
A security officer at a financial institution wants to ensure that all S3 buckets in the account are configured according to the company’s security standards, such as enabling server-side encryption and blocking public access. The institution also requires continuous monitoring and real-time alerts if any bucket becomes non-compliant.
Which AWS services should be used to meet these requirements?
-
A
Configure AWS Config to evaluate S3 bucket settings against security rules and set up CloudWatch Events for real-time alerts.
-
B
Set up CloudWatch Alarms for changes in S3 bucket configurations, including encryption and access control policies.
-
C
Use CloudWatch Logs to monitor S3 bucket changes and deploy Lambda functions to automatically correct misconfigurations.
-
D
Use AWS CloudTrail to track S3 API calls and alert if encryption or public access settings are changed.
Xem giải thích
Đáp án
A — Dùng AWS Config đánh giá cấu hình bucket theo quy tắc bảo mật
Vì sao đúng
Config có sẵn các quy tắc quản lý như s3-bucket-server-side-encryption-enabled và s3-bucket-public-read-prohibited. Nó liên tục đánh giá mọi bucket — kể cả những bucket chẳng ai đụng tới đã lâu — và đánh dấu cái nào lệch chuẩn, đồng thời giữ dòng thời gian thay đổi để chứng minh khi bị kiểm toán. Có thể gắn thêm bước tự khắc phục.
Vì sao các phương án khác sai
- B và C. CloudWatch Alarm hoặc Logs theo dõi thay đổi — chỉ bắt được lúc có ai đó thay đổi; bucket đã sai cấu hình từ trước vẫn nằm im không ai biết.
- D. CloudTrail theo dõi lời gọi API — cùng hạn chế: nó ghi hành động, không đánh giá trạng thái hiện tại.
A machine learning team is building an end-to-end workflow using Amazon SageMaker Pipelines to automate their ML tasks. They want to ensure that their workflow is reusable, scalable, and can handle concurrent execution of multiple machine learning jobs. What key features of SageMaker Pipelines make this possible?
-
A
The ability to manually trigger each step in the pipeline for better control.
-
B
Directed Acyclic Graph (DAG) representation with automatic step execution and scalability to tens of thousands of concurrent workflows.
-
C
The integration with SageMaker Studio, which only supports small-scale experimental workflows.
-
D
Pre-defined templates for building models with a user-friendly UI but limited scalability.
Xem giải thích
Đáp án
B — Biểu diễn bằng DAG với thực thi tự động các bước
Vì sao đúng
DAG là thứ khiến pipeline vừa dùng lại được vừa mở rộng được: mỗi bước là một đỉnh, phụ thuộc là cạnh, nên SageMaker tự suy ra bước nào chạy song song được và bước nào phải chờ. Toàn bộ chạy tự động từ đầu tới cuối, và định nghĩa được lưu có phiên bản nên tái sử dụng và kiểm toán được.
Vì sao các phương án khác sai
- A. Kích hoạt tay từng bước — trái mục đích tự động hoá.
- C. Chỉ hỗ trợ thí nghiệm quy mô nhỏ — sai; Pipelines dựng cho quy mô sản xuất.
- D. Mẫu dựng sẵn với giao diện nhưng ít tuỳ biến — mô tả sai; pipeline khai bằng mã và tuỳ biến rất rộng.
A company wants to ensure efficient ETL operations on a large dataset stored in Amazon S3 using AWS Glue. They decide to partition the dataset by the "year" and "month" fields to optimize query performance and reduce costs. Which of the following is the MOST significant advantage of partitioning data in this manner?
-
A
It allows Glue ETL jobs to process partitions independently, improving performance and reducing query costs.
-
B
It ensures that the entire dataset is always scanned during each query.
-
C
It eliminates the need for Glue crawlers to detect new data.
-
D
Partitioning ensures that data integrity is maintained across different S3 locations.
Xem giải thích
Đáp án
A — Cho phép Glue xử lý từng phân vùng độc lập, cải thiện hiệu năng
Vì sao đúng
Phân vùng theo năm và tháng mang lại hai lợi ích cùng lúc. Thứ nhất, cắt bớt phân vùng: truy vấn hay job chỉ lọc một khoảng thời gian sẽ bỏ qua hẳn những thư mục không khớp. Thứ hai, các phân vùng xử lý song song được vì chúng độc lập nhau, nên Spark chia việc cho nhiều worker một cách tự nhiên.
Vì sao các phương án khác sai
- B. Đảm bảo luôn quét toàn bộ dữ liệu — ngược hẳn: phân vùng sinh ra để khỏi quét hết.
- C. Không cần crawler nữa — vẫn cần crawler (hoặc
MSCK REPAIR TABLE) để đăng ký phân vùng mới. - D. Đảm bảo toàn vẹn dữ liệu — phân vùng là cách tổ chức thư mục, không phải cơ chế toàn vẹn.
A media company wants to build an automated video transcription and translation pipeline. They need to transcribe speech from videos, translate the text into multiple languages, and create audio versions of the translated text. Which AWS services would fulfill these requirements?
-
A
Use Amazon Rekognition for transcription, AWS Lambda for text translation, and Amazon Polly for speech synthesis.
-
B
Use Amazon Transcribe to convert speech to text, Amazon Translate for text translation, and Amazon Polly to convert translated text to speech.
-
C
Use Amazon Transcribe to convert speech to text, Amazon SageMaker for text translation, and Amazon Rekognition for speech synthesis.
-
D
Use AWS Glue for transcription, Amazon Translate for text translation, and AWS Lambda to convert the translated text to speech.
Xem giải thích
Đáp án
B — Transcribe chuyển giọng nói thành văn bản, Translate để dịch, Polly để tạo giọng đọc
Vì sao đúng
Ba dịch vụ ghép thành đúng dây chuyền đề mô tả và mỗi cái đúng vai: Transcribe chép lời thoại trong video thành văn bản kèm dấu thời gian; Translate dịch sang các ngôn ngữ đích; Polly đọc bản dịch thành âm thanh cho phiên bản lồng tiếng. Tất cả đều là dịch vụ được quản lý, nối với nhau qua S3 và Lambda.
Vì sao các phương án khác sai
- A. Rekognition để chép lời — Rekognition phân tích ảnh và video, không xử lý âm thanh.
- C. SageMaker để dịch — phải tự huấn luyện mô hình dịch, trong khi đã có dịch vụ sẵn.
- D. Glue để chép lời — Glue là ETL cho dữ liệu có cấu trúc.
A company has deployed a machine learning model into production using Amazon SageMaker. Over time, the model's performance starts degrading due to changes in customer behavior. The team decides to monitor the model and retrain it periodically.
Which combination of AWS services should the team use to monitor and maintain the model’s performance?
-
A
Amazon CloudWatch for monitoring model performance and SageMaker Data Wrangler to retrain the model.
-
B
SageMaker Feature Store to track changes in data distribution, and SageMaker Clarify to handle data bias in producti
-
C
SageMaker Model Monitor for monitoring data drift, and SageMaker Pipelines to automate model retraining.
-
D
SageMaker Data Wrangler for data monitoring, and AWS Glue to retrain the model automatically.
Xem giải thích
Đáp án
C — Model Monitor theo dõi trôi dữ liệu, Pipelines tự động hoá việc huấn luyện lại
Vì sao đúng
Đề mô tả đúng hiện tượng trôi: hành vi khách hàng thay đổi nên dữ liệu thật khác dữ liệu lúc huấn luyện, và mô hình kém dần. Model Monitor phát hiện bằng cách so với thống kê nền và bắn cảnh báo. Pipelines biến việc huấn luyện lại thành một lần chạy quy trình thay vì một chuỗi thao tác tay, nên phản ứng nhanh và lặp lại được.
Vì sao các phương án khác sai
- A. CloudWatch theo dõi hiệu năng mô hình — CloudWatch nhận kết quả từ Model Monitor, nhưng tự nó không biết gì về chất lượng mô hình.
- B. Feature Store theo dõi phân bố dữ liệu — kho đặc trưng, không có phần phát hiện trôi.
- D. Glue để huấn luyện lại mô hình — Glue là ETL, không huấn luyện mô hình.
An organization uses AWS Secrets Manager to store sensitive data such as API keys and database credentials. They want to share a secret with another AWS account without replicating it. How can they achieve this securely while ensuring the secret remains encrypted?
-
A
Use the Secrets Manager API to export the secret and share it with the other account via email.
-
B
Share the secret through an encrypted S3 bucket that the other account has access to, and send the KMS decryption key separately.
-
C
Attach a resource policy to the secret that grants read access to an IAM role in the other account, and ensure that the KMS key policy allows decryption by the same role.
-
D
Use AWS Systems Manager to create a shared parameter that references the secret across accounts.
Xem giải thích
Đáp án
C — Gắn resource policy vào chính secret, cấp quyền đọc cho một vai IAM ở tài khoản kia
Vì sao đúng
Secrets Manager hỗ trợ chính sách theo tài nguyên gắn thẳng vào secret. Trong đó bạn khai principal là vai ở tài khoản khác cùng quyền secretsmanager:GetSecretValue. Bên kia đọc được giá trị mà không có bản sao nào được tạo ra — đúng yêu cầu đề. Nhớ cấp thêm quyền dùng khoá KMS đã mã hoá secret đó, nếu không lời gọi vẫn bị từ chối.
Vì sao các phương án khác sai
- A. Xuất secret rồi gửi sang — tạo bản sao nằm ngoài tầm quản lý, và bản sao đó không tự cập nhật khi secret xoay vòng.
- B. Qua bucket S3 mã hoá — cũng là nhân bản, cộng thêm một chỗ nữa phải bảo vệ.
- D. Tạo tham số chia sẻ trong Systems Manager — Parameter Store không tham chiếu chéo tới secret của tài khoản khác theo cách này.
A financial services company needs to monitor its application infrastructure hosted on AWS. The company wants to set up an alarm that triggers an action if the average CPU utilization of their EC2 instances exceeds 80% over a 5-minute period. Additionally, they want to automatically stop the instance if the alarm triggers.
Which steps should the machine learning engineer take to meet these requirements?
-
A
Create a CloudWatch alarm to monitor the average CPU utilization of the EC2 instances. Use the alarm action to trigger an Auto Scaling policy that stops the instances.
-
B
Create a CloudWatch alarm to monitor the average CPU utilization of the EC2 instances. Configure an alarm action to send an SNS notification when the alarm state is triggered.
-
C
Create a CloudWatch alarm to monitor the average CPU utilization of the EC2 instances. Configure the alarm action to stop the instances directly.
-
D
Create a CloudWatch alarm to monitor the average CPU utilization of the EC2 instances. Use the alarm action to trigger an AWS Lambda function that stops the instances.
Xem giải thích
Đáp án chuẩn
D — Cho CloudWatch alarm gọi một hàm Lambda để dừng instance
Vì sao phương án này chạy được
Alarm chuyển sang trạng thái ALARM khi CPU trung bình vượt 80% trong 5 phút, và hành động của alarm gọi Lambda qua SNS hoặc EventBridge. Hàm Lambda gọi StopInstances với danh sách máy cần dừng. Cách này linh hoạt: thêm được logic như bỏ qua máy đang chạy job quan trọng, hay ghi lại lý do dừng.
Một điểm cần nói thẳng
CloudWatch có sẵn hành động dừng instance, không cần Lambda. Khi tạo alarm trên chỉ số EC2, bạn chọn được ngay hành động Stop, Terminate, Reboot hoặc Recover. Nghĩa là phương án C mới là cách đơn giản và trực tiếp nhất, và nó hoàn toàn hợp lệ trong AWS thật.
Hãy coi đây là câu có đáp án chuẩn đáng ngờ. Khi đi thi, nếu đề hỏi cách dừng máy theo cảnh báo CPU thì hành động gắn sẵn của alarm là câu trả lời đúng; Lambda chỉ cần khi bạn muốn thêm logic riêng.
Vì sao hai phương án còn lại sai
- A. Kích hoạt chính sách Auto Scaling để dừng máy — Auto Scaling co giãn theo nhóm, nó không dừng một instance cụ thể theo yêu cầu.
- B. Gửi thông báo SNS — chỉ báo cho người, không tự dừng gì cả.
A retail company is using Amazon Kinesis Data Firehose to stream clickstream data to Amazon S3. Occasionally, the data fails transformation due to malformed records. The company wants to ensure that these failed records are captured for further analysis. What is the best approach to handle this scenario?
-
A
Enable data transformation with AWS Lambda and configure a Dead Letter Queue (DLQ) to capture malformed records that cannot be processed.
-
B
Configure Amazon Kinesis Data Firehose to use a retry policy to reprocess failed records indefinitely until successful.
-
C
Enable error logging in Amazon CloudWatch to identify and fix the records manually.
-
D
Configure Amazon Kinesis Data Firehose to send failed records to a separate Amazon S3 bucket for analysis using the backup configuration.
Xem giải thích
Đáp án
D — Cấu hình Firehose đẩy bản ghi hỏng sang một bucket S3 riêng
Vì sao đúng
Firehose có sẵn cơ chế error output prefix: bản ghi nào biến đổi thất bại thì được ghi vào một tiền tố riêng trên S3, kèm thông tin lỗi. Nhờ vậy bạn không mất dữ liệu, tách được phần hỏng ra khỏi phần sạch, và soi lại được để sửa nguồn. Đây là tính năng dựng sẵn, chỉ cần khai.
Vì sao các phương án khác sai
- A. Bật biến đổi bằng Lambda kèm hàng đợi chết — Firehose không dùng DLQ cho bản ghi biến đổi hỏng; nó dùng error output prefix trên S3.
- B. Dùng chính sách thử lại — Firehose có thử lại, nhưng bản ghi sai định dạng thì thử bao nhiêu lần cũng hỏng; thử lại không phải cách xử lý.
- C. Ghi log ra CloudWatch rồi sửa tay — thấy được lỗi nhưng mất bản ghi gốc, và làm tay thì không mở rộng nổi.