Ngân hàng đề — AWS Certified Machine Learning Specialty

🧩 Giải thích nội dung câu hỏi

Câu hỏi mô tả một công ty thời trang đang thử nghiệm các màu sắc và vật liệu mới cho sản phẩm. Họ lưu trữ toàn bộ lịch sử bán hàng của tất cả sản phẩm hiện tại trong Amazon S3. Hiện tại, công ty sử dụng các mô hình exponential smoothing (ETS) tùy chỉnh để dự báo nhu cầu (demand forecasting) cho các sản phẩm đang bán. Tuy nhiên, họ cần dự báo nhu cầu cho một biến thể sản phẩm mới sắp ra mắt, vốn chưa có lịch sử bán hàng (cold start problem).

Vấn đề cốt lõi: Làm thế nào để dự báo time series cho item mới dựa trên dữ liệu lịch sử của các sản phẩm tương tự? Giải pháp phải tận dụng dữ liệu S3, hỗ trợ time series forecasting, và xử lý trường hợp không có dữ liệu lịch sử cho item mới. Đây là tình huống điển hình trong Amazon SageMaker cho time series forecasting với các thuật toán chuyên biệt (cập nhật đến AWS 2026, SageMaker vẫn hỗ trợ DeepAR làm built-in algorithm cho nhu cầu này).

✅ Đáp án đúng và lý do lựa chọn

Đáp án đúng: Train an Amazon SageMaker DeepAR model.

🛠️ Lý do chi tiết:

• DeepAR là thuật toán deep learning time series forecasting tích hợp sẵn trong SageMaker (built-in algorithm), chuyên dự báo cho related time series (các chuỗi thời gian liên quan).
• Với sản phẩm mới (không có lịch sử), DeepAR hỗ trợ cold start forecasting bằng cách học từ related items (sản phẩm tương tự về màu sắc/vật liệu) trong dữ liệu S3, sử dụng cơ chế probabilistic forecasting và global model để chia sẻ thông tin giữa các item.
• Dễ tích hợp với S3 qua SageMaker Processing/Training Jobs, không cần code phức tạp. Phù hợp với dữ liệu bán hàng lớn, cập nhật AWS 2026 vẫn là lựa chọn chuẩn cho demand forecasting (hiệu suất cao hơn ETS cho cold start).
• ETS chỉ tốt cho item có lịch sử đầy đủ, không phù hợp ở đây.

📋 Phân tích tất cả các phương án

Dưới đây là phân tích chi tiết từng lựa chọn, với ✅ đúng hoặc ❌ sai, giữ nguyên văn bản gốc:

• ❌ Train a custom ETS model.
  ❌ Sai vì: ETS (Exponential Smoothing) yêu cầu lịch sử dữ liệu đầy đủ cho từng item để fit mô hình (như Holt-Winters). Sản phẩm mới không có lịch sử bán hàng, nên không thể train ETS tùy chỉnh hiệu quả. ETS chỉ phù hợp với sản phẩm hiện tại của công ty, không xử lý cold start.

• ✅ Train an Amazon SageMaker DeepAR model.
  ✅ Đúng vì: Như giải thích trên, DeepAR được thiết kế cho time series forecasting với cold start, học từ related items trong S3. SageMaker hỗ trợ end-to-end (data from S3 → training → inference), scalable với dữ liệu lớn. AWS khuyến nghị cho demand forecasting (ví dụ: retail scenarios).

• ❌ Train an Amazon SageMaker К-means clustering model.
  ❌ Sai vì: K-means là thuật toán unsupervised clustering (phân cụm dữ liệu), không phải cho time series forecasting. Nó chỉ nhóm dữ liệu tương tự (ví dụ: nhóm sản phẩm), nhưng không dự báo giá trị tương lai như demand. Không liên quan đến yêu cầu forecasting.

• ❌ Train a custom XGBoost model.
  ❌ Sai vì: XGBoost là gradient boosting cho supervised learning, cần features kỹ thuật (engineered features như lag, trends) từ time series. Với cold start, khó tạo features cho item mới; không chuyên probabilistic forecasting như DeepAR. Phải custom code nhiều, kém hiệu quả hơn built-in algorithms.

📘 Tài liệu tham khảo

• AWS SageMaker DeepAR Documentation: DeepAR Algorithm (cập nhật 2026: hỗ trợ cold start via related time series).
• SageMaker Time Series Forecasting Best Practices: Retail Demand Forecasting (ví dụ tương tự clothing sales).
• AWS Exam Guide (DOPE-C01): Time series trong SageMaker (DeepAR vs. ETS/XGBoost) – Xem AWS Certification Learning Path.
• S3 Integration: SageMaker Data Sources.

Hy vọng phân tích này giúp bạn ôn thi hiệu quả! 🚀 Nếu cần thêm ví dụ code SageMaker, hãy hỏi nhé!