Chia sẻ kinh nghiệm thi AWS Certified AI Practitioner (AIF-C01) đạt 1000/1000

Chào mọi người trong cộng đồng DevOps VietNam,

Thứ 7 tuần trước mình vừa hoàn thành kỳ thi AWS Certified AI Practitioner (AIF-C01). Mục tiêu của mình khi đăng ký thi là rà soát lại kiến thức nền tảng về AI trên AWS, hiểu rõ hơn cấu trúc và dạng câu hỏi thực tế, đồng thời hệ thống hóa những nội dung có thể áp dụng trong công việc.

May mắn là mình đã vượt qua kỳ thi với số điểm 1.000/1000. Đây là kết quả tốt hơn mong đợi, nhưng điều mình thấy có giá trị nhất vẫn là quá trình ôn tập. Việc chuẩn bị cho kỳ thi giúp mình kết nối lại nhiều kiến thức trước đây còn rời rạc, đặc biệt là cách lựa chọn dịch vụ AWS dựa trên yêu cầu cụ thể của từng bài toán.

Trong quá trình ôn luyện và làm bài thực tế, mình nhận thấy một số chủ đề xuất hiện khá thường xuyên. Vì vậy, mình tổng hợp lại những nội dung quan trọng, cách phân biệt các dịch vụ dễ nhầm, tài liệu học, lộ trình ôn tập và một số kinh nghiệm làm bài để mọi người có thêm nguồn tham khảo khi chuẩn bị cho kỳ thi.

Đây là trải nghiệm cá nhân của mình, một bài viết chi tiết mình làm để bạn nào có nhu cầu thực tế có thể có thêm nguồn tham khảo thực tế nhé.

Nội dung và tỷ lệ câu hỏi trong mỗi bài thi có thể khác nhau, vì vậy mọi người vẫn nên lấy AWS Exam Guide và tài liệu chính thức của AWS làm nguồn tham khảo chính.

Tổng quan về AWS Certified AI Practitioner – AIF-C01

AWS Certified AI Practitioner là chứng chỉ ở cấp độ foundational, tập trung vào kiến thức nền tảng về trí tuệ nhân tạo, machine learning, generative AI và các dịch vụ AI trên AWS.

Chứng chỉ này phù hợp với những người cần hiểu hoặc sử dụng các giải pháp AI trên AWS nhưng không nhất thiết phải trực tiếp xây dựng và huấn luyện mô hình từ đầu. Đối tượng có thể bao gồm Software Engineer, Cloud Engineer, Data Specialist, Product Manager, Solutions Architect, Technical Sales Specialist hoặc những người đang tìm hiểu về Generative AI.

Theo trải nghiệm của mình, bài thi không tập trung quá sâu vào coding, feature engineering, thuật toán hoặc hyperparameter tuning. Phần quan trọng hơn là khả năng đọc một tình huống, xác định đúng yêu cầu và lựa chọn dịch vụ AWS phù hợp nhất.

Đề thi thường đưa ra nhiều phương án đều có liên quan đến AI hoặc machine learning, nhưng chỉ một phương án giải quyết trực tiếp và tối ưu nhất cho yêu cầu của bài toán. Vì vậy, học thuộc định nghĩa là chưa đủ. Mọi người cần hiểu điểm khác biệt, trường hợp sử dụng và giới hạn cơ bản của từng dịch vụ.

Những kiến thức xuất hiện nhiều

Amazon Bedrock

Amazon Bedrock là dịch vụ mình thấy cần học kỹ nhất. Phần lớn các nội dung liên quan đến foundation model, generative AI, RAG, agent, guardrail và model evaluation đều có thể liên quan trực tiếp hoặc gián tiếp đến Bedrock.

Các câu hỏi thường xoay quanh những nội dung sau.

• Lựa chọn foundation model phù hợp với yêu cầu của ứng dụng.
• Sử dụng Amazon Nova hoặc các foundation model khác thông qua Amazon Bedrock.
• Xây dựng ứng dụng generative AI mà không phải tự quản lý hạ tầng mô hình.
• Kết nối dữ liệu doanh nghiệp với foundation model thông qua Bedrock Knowledge Bases.
• Triển khai kiến trúc Retrieval-Augmented Generation.
• Sử dụng Bedrock Agents để thực hiện một quy trình gồm nhiều bước.
• Quản lý ngữ cảnh hoặc bộ nhớ cho agent.
• Kiểm soát nội dung đầu vào và đầu ra bằng Bedrock Guardrails.
• Đánh giá và so sánh chất lượng mô hình bằng Bedrock Model Evaluation.
• Tối ưu chi phí và độ trễ bằng prompt caching.
• Tùy chỉnh mô hình bằng fine-tuning hoặc các phương pháp model customization phù hợp.

Điểm quan trọng nhất là hiểu Amazon Bedrock là một dịch vụ được quản lý. Bedrock phù hợp khi doanh nghiệp muốn truy cập và sử dụng nhiều foundation model thông qua API mà không phải tự triển khai, mở rộng hoặc quản lý hạ tầng phục vụ mô hình.

Ví dụ, nếu một công ty muốn xây dựng chatbot sử dụng foundation model, cần kết nối với tài liệu nội bộ và không muốn tự vận hành GPU hoặc inference endpoint, Amazon Bedrock thường là lựa chọn phù hợp.

Phân biệt Amazon Bedrock và Amazon SageMaker AI.

Amazon Bedrock và Amazon SageMaker AI đều liên quan đến AI và machine learning, nhưng phục vụ những nhu cầu khác nhau.

Amazon Bedrock phù hợp khi muốn sử dụng foundation model có sẵn, xây dựng ứng dụng generative AI, triển khai RAG, agent, guardrail hoặc model evaluation thông qua một dịch vụ được quản lý.

Amazon SageMaker AI phù hợp hơn khi cần làm việc với toàn bộ vòng đời machine learning, bao gồm chuẩn bị dữ liệu, huấn luyện mô hình, điều chỉnh hyperparameter, triển khai endpoint, theo dõi model drift và quản trị mô hình.

Có thể ghi nhớ theo cách đơn giản như sau:

• Muốn sử dụng hoặc tùy chỉnh foundation model mà không quản lý hạ tầng => Amazon Bedrock.
• Muốn xây dựng, huấn luyện, triển khai và giám sát machine learning model theo vòng đời đầy đủ => Amazon SageMaker AI.
• Muốn thử nhiều foundation model thông qua một dịch vụ được quản lý => Amazon Bedrock.
• Muốn kiểm soát sâu quá trình huấn luyện và inference => Amazon SageMaker AI.
• Muốn triển khai RAG nhanh với Knowledge Bases => Amazon Bedrock.
• Muốn giám sát model drift sau khi triển khai mô hình machine learning => Amazon SageMaker Model Monitor.

Trong thực tế, hai dịch vụ này không hoàn toàn loại trừ nhau. Một hệ thống có thể sử dụng SageMaker AI cho machine learning model truyền thống và sử dụng Bedrock cho generative AI.

RAG, embeddings và vector database

RAG, hay Retrieval-Augmented Generation, là một trong những chủ đề xuất hiện nhiều nhất trong quá trình mình ôn tập.

Mục tiêu của RAG là truy xuất thông tin liên quan từ nguồn dữ liệu bên ngoài và bổ sung thông tin đó vào prompt trước khi foundation model tạo câu trả lời. Nhờ vậy, mô hình có thể trả lời dựa trên dữ liệu của doanh nghiệp thay vì chỉ dựa vào kiến thức đã được học trong quá trình huấn luyện.

Pipeline RAG cơ bản thường gồm các bước sau.

Thu thập tài liệu => phân tích nội dung => chia tài liệu thành chunks => tạo vector embeddings => lưu embeddings vào vector store => truy xuất nội dung liên quan => đưa context vào prompt => foundation model tạo câu trả lời.

Mỗi bước đều có một vai trò riêng.

• Parse tài liệu là bước đọc và trích xuất nội dung từ PDF, Word, HTML hoặc các nguồn dữ liệu khác.
• Chunking là bước chia tài liệu thành các đoạn nhỏ để việc truy xuất chính xác hơn.
• Embedding là quá trình chuyển văn bản thành vector số thể hiện ý nghĩa ngữ nghĩa.
• Vector store được sử dụng để lưu trữ và lập chỉ mục embeddings.
• Retrieval là quá trình tìm những đoạn tài liệu có liên quan nhất đến câu hỏi của người dùng.
• Augmentation là bước đưa nội dung được truy xuất vào prompt làm context.
• Generation là bước foundation model sử dụng context để tạo câu trả lời.

Các dịch vụ có thể xuất hiện trong nhóm câu hỏi về vector search hoặc RAG gồm Amazon OpenSearch Service, Amazon OpenSearch Serverless, Amazon Aurora PostgreSQL, Amazon RDS for PostgreSQL và một số giải pháp hỗ trợ vector search khác tùy theo tình huống.

Khi đọc câu hỏi, cần chú ý xem đề đang hỏi về nơi lưu embeddings, cơ chế nearest-neighbor search, pipeline RAG hay dịch vụ quản lý quá trình kết nối dữ liệu với foundation model.

Khi nào nên sử dụng RAG

RAG phù hợp trong những tình huống sau:

• Dữ liệu nội bộ thường xuyên thay đổi.
• Cần trả lời dựa trên tài liệu doanh nghiệp.
• Cần dẫn nguồn hoặc lưu lại tài liệu tham khảo.
• Muốn giảm hallucination bằng cách cung cấp context đáng tin cậy.
• Không muốn huấn luyện lại mô hình mỗi khi dữ liệu thay đổi.
• Cần kiểm soát phạm vi kiến thức mà mô hình được sử dụng.

Ví dụ, một doanh nghiệp có hàng nghìn tài liệu hướng dẫn sản phẩm được cập nhật mỗi tuần. Nếu sử dụng fine-tuning để bổ sung kiến thức, doanh nghiệp có thể phải huấn luyện lại mô hình mỗi khi tài liệu thay đổi. Với RAG, doanh nghiệp chỉ cần cập nhật nguồn dữ liệu và đồng bộ lại embeddings.

Khi nào nên sử dụng fine-tuning

Fine-tuning phù hợp hơn khi mục tiêu là thay đổi cách mô hình phản hồi thay vì chỉ bổ sung kiến thức mới.

Một số trường hợp thường gặp gồm những nội dung sau.

• Điều chỉnh phong cách viết.
• Hướng mô hình trả lời theo một cấu trúc cụ thể.
• Tăng khả năng thực hiện một tác vụ chuyên biệt.
• Dạy mô hình cách phản hồi dựa trên nhiều cặp ví dụ đầu vào và đầu ra.
• Điều chỉnh hành vi của mô hình cho một lĩnh vực cụ thể.

Có thể ghi nhớ ngắn gọn như sau.

• Cần cập nhật hoặc bổ sung kiến thức => RAG.
• Cần thay đổi hành vi hoặc phong cách => Fine-tuning.
• Cần cải thiện câu lệnh mà không thay đổi mô hình => Prompt engineering.
• Cần kết hợp kiến thức mới và phong cách riêng => Có thể kết hợp RAG và fine-tuning.

Prompt engineering

Prompt engineering là nhóm kiến thức tương đối dễ gặp vì đây là cách trực tiếp nhất để kiểm soát đầu ra của foundation model.

Một prompt tốt thường có các thành phần sau.

• Role xác định vai trò của mô hình.
• Task mô tả nhiệm vụ cần thực hiện.
• Context cung cấp thông tin nền cần thiết.
• Constraints nêu rõ các giới hạn hoặc điều kiện.
• Response format chỉ định định dạng đầu ra.
• Response style xác định phong cách trả lời.
• Success criteria mô tả thế nào là một câu trả lời đạt yêu cầu.
• Examples cung cấp ví dụ khi cần thiết.

Ví dụ, thay vì viết một prompt ngắn như “Hãy tóm tắt tài liệu này.”, có thể viết cụ thể hơn như sau.

“Bạn là chuyên viên phân tích tài liệu. Hãy tóm tắt nội dung dưới đây trong tối đa năm ý chính. Mỗi ý không quá hai câu. Chỉ sử dụng thông tin có trong tài liệu và không tự bổ sung dữ kiện.”

Prompt thứ hai rõ ràng hơn vì có vai trò, nhiệm vụ, giới hạn, định dạng và tiêu chí đầu ra.

Các kỹ thuật prompt cần phân biệt

• Zero-shot prompting là yêu cầu mô hình thực hiện nhiệm vụ mà không cung cấp ví dụ.
• One-shot prompting là cung cấp một ví dụ trước khi yêu cầu mô hình thực hiện.
• Few-shot prompting là cung cấp một số ví dụ để mô hình nhận biết cách trả lời.
• Prompt chaining là chia một nhiệm vụ lớn thành nhiều prompt nhỏ nối tiếp nhau.
• Prompt template là tạo cấu trúc prompt có thể tái sử dụng bằng cách thay đổi các biến đầu vào.
• Chain-of-thought prompting là hướng mô hình xử lý bài toán theo từng bước suy luận.
• Prompt caching là tái sử dụng phần prompt lặp lại để giảm độ trễ và chi phí xử lý đầu vào trong những trường hợp được hỗ trợ.

Mẹo nhận diện nhanh như sau.

• Đề yêu cầu chia một quy trình lớn thành nhiều bước độc lập => Prompt chaining.
• Đề nói cung cấp một số ví dụ để mô hình học định dạng => Few-shot prompting.
• Đề cần tạo prompt dùng lại cho nhiều khách hàng hoặc nhiều sản phẩm => Prompt template.
• Đề nhắc đến phần hướng dẫn dài được gửi lặp lại nhiều lần => Prompt caching.
• Đề yêu cầu mô hình đóng một vai trò cụ thể => Role prompting.
• Đề yêu cầu đầu ra ở dạng JSON hoặc bảng => Response format.

Model evaluation

Model evaluation là nhóm kiến thức quan trọng vì một mô hình có thể hoạt động tốt ở tác vụ này nhưng chưa phù hợp với một tác vụ khác.

Khi lựa chọn metric, cần dựa trên mục tiêu thực tế của bài toán.

ROUGE

ROUGE thường được sử dụng để đánh giá chất lượng tóm tắt văn bản. Metric này so sánh mức độ trùng khớp giữa nội dung do mô hình tạo ra và nội dung tham chiếu.

Nếu câu hỏi nói về việc đánh giá hệ thống tóm tắt tài liệu, ROUGE thường là lựa chọn cần cân nhắc.

BLEU

BLEU thường được sử dụng trong các bài toán machine translation. Metric này so sánh các chuỗi từ hoặc cụm từ giữa bản dịch của mô hình và bản dịch tham chiếu.

Nếu câu hỏi nói về đánh giá chất lượng dịch máy, BLEU thường là từ khóa quan trọng.

Precision

Precision cho biết trong số những kết quả được mô hình dự đoán là positive, có bao nhiêu kết quả thực sự đúng.

Precision quan trọng khi chi phí của false positive cao.

Ví dụ, trong hệ thống phát hiện gian lận, nếu quá nhiều giao dịch hợp lệ bị gắn cờ, khách hàng có thể bị từ chối thanh toán không cần thiết. Trong tình huống này, việc cải thiện precision có thể giúp giảm false positive.

Recall

Recall cho biết trong số các trường hợp positive thực tế, mô hình đã phát hiện được bao nhiêu trường hợp.

Recall quan trọng khi chi phí của false negative cao.

Ví dụ, trong hệ thống hỗ trợ phát hiện bệnh, bỏ sót một trường hợp có nguy cơ có thể nghiêm trọng hơn việc yêu cầu kiểm tra thêm một trường hợp bình thường. Trong tình huống này, recall thường được ưu tiên.

F1 score

F1 score cân bằng giữa precision và recall. Metric này hữu ích khi cả false positive và false negative đều quan trọng hoặc khi dữ liệu giữa các lớp không cân bằng.

Faithfulness

Faithfulness đánh giá câu trả lời có bám sát context được cung cấp hay không.

Trong hệ thống RAG, một câu trả lời có thể nghe rất tự nhiên nhưng vẫn chứa thông tin không tồn tại trong tài liệu truy xuất. Faithfulness giúp đánh giá mức độ câu trả lời dựa trên bằng chứng thực tế.

Context relevance

Context relevance đánh giá tài liệu hoặc đoạn văn được truy xuất có thực sự liên quan đến câu hỏi hay không.

Nếu hệ thống truy xuất sai tài liệu, foundation model có thể tạo ra câu trả lời kém chính xác dù bản thân mô hình hoạt động tốt.

Human evaluation

Human evaluation phù hợp khi chất lượng khó được đánh giá đầy đủ bằng metric tự động.

Ví dụ, tính hữu ích, sự tự nhiên, độ phù hợp với thương hiệu, mức độ thuyết phục hoặc trải nghiệm người dùng thường cần con người đánh giá.

Các dịch vụ cần nhớ rõ use case

SageMaker Clarify

SageMaker Clarify hỗ trợ phát hiện bias trong dữ liệu hoặc mô hình và giúp giải thích dự đoán.

Nếu đề bài nhắc đến fairness, bias detection, feature importance hoặc explainability trong hệ thống machine learning, SageMaker Clarify thường là dịch vụ cần xem xét.

SageMaker Model Cards

SageMaker Model Cards được sử dụng để tài liệu hóa thông tin của mô hình, bao gồm mục đích sử dụng, dữ liệu, giả định, kết quả đánh giá, rủi ro và các thông tin governance liên quan.

Dịch vụ này phù hợp khi doanh nghiệp cần chuẩn hóa tài liệu mô hình để phục vụ quản trị, đánh giá nội bộ hoặc kiểm toán.

SageMaker Model Monitor

SageMaker Model Monitor hỗ trợ giám sát mô hình sau khi triển khai.

Các câu hỏi có thể đề cập đến data drift, model quality, thay đổi phân phối dữ liệu hoặc hiệu suất mô hình giảm theo thời gian.

SageMaker Ground Truth Plus

SageMaker Ground Truth Plus hỗ trợ xây dựng tập dữ liệu được gán nhãn bằng lực lượng lao động được quản lý.

Nếu đề bài yêu cầu gán nhãn dữ liệu với quy trình quản lý sẵn và giảm công sức vận hành, đây có thể là lựa chọn phù hợp.

SageMaker Serverless Inference

SageMaker Serverless Inference phù hợp với workload có lưu lượng không đều hoặc không muốn quản lý hạ tầng inference.

Dịch vụ này có thể phù hợp khi số lượng request thay đổi mạnh và ứng dụng có thể chấp nhận những giới hạn nhất định của mô hình serverless.

Amazon Personalize

Amazon Personalize được sử dụng để xây dựng hệ thống gợi ý dựa trên lịch sử tương tác, hành vi hoặc sở thích của người dùng.

Nếu câu hỏi nói về đề xuất sản phẩm, phim, nội dung hoặc cá nhân hóa trải nghiệm, Amazon Personalize thường phù hợp hơn Amazon Rekognition hoặc Amazon Comprehend.

Amazon Textract

Amazon Textract trích xuất văn bản, bảng, biểu mẫu và các trường dữ liệu từ tài liệu.

Dịch vụ này phù hợp với hóa đơn, biểu mẫu, tài liệu scan và một số loại PDF cần xử lý tự động.

Amazon Translate

Amazon Translate cung cấp khả năng dịch máy giữa các ngôn ngữ.

Nếu yêu cầu chỉ đơn giản là dịch văn bản, Amazon Translate thường phù hợp hơn việc sử dụng một foundation model tổng quát.

Amazon Comprehend

Amazon Comprehend hỗ trợ các tác vụ natural language processing như sentiment analysis, entity extraction, key phrase extraction và phân loại nội dung.

Amazon Rekognition

Amazon Rekognition được sử dụng để phân tích hình ảnh và video, bao gồm nhận diện đối tượng, khuôn mặt, nội dung hoặc các đặc điểm hình ảnh khác.

Amazon Q Developer

Amazon Q Developer hỗ trợ các công việc phát triển phần mềm như tạo code, giải thích code, gợi ý sửa lỗi và hỗ trợ viết unit test.

Nếu đề bài nói về trợ lý AI dành cho nhà phát triển, Amazon Q Developer thường là dịch vụ cần lưu ý.

Amazon OpenSearch Service

Amazon OpenSearch Service hỗ trợ search, analytics và vector search.

Trong các kiến trúc RAG, OpenSearch có thể được sử dụng để lưu trữ embeddings và thực hiện nearest-neighbor search.

Responsible AI

Responsible AI là phần tương đối dễ lấy điểm nếu nắm đúng các khái niệm và biết liên hệ với tình huống thực tế.

Với các bài toán nhạy cảm như tuyển dụng, tín dụng, bảo hiểm, y tế hoặc giáo dục, giải pháp phù hợp thường cần quan tâm đến những yếu tố sau.

• Fairness.
• Bias testing.
• Explainability.
• Transparency.
• Privacy.
• Human oversight.
• Khả năng kiểm tra và truy vết.
• Quản lý rủi ro.
• Giới hạn phạm vi sử dụng của mô hình.

Không nên để AI tự đưa ra quyết định cuối cùng trong những tình huống có ảnh hưởng lớn đến con người mà không có cơ chế giám sát phù hợp.

Ví dụ, một hệ thống AI có thể hỗ trợ sàng lọc hồ sơ tuyển dụng, nhưng quyết định cuối cùng nên có con người kiểm tra. Doanh nghiệp cũng cần đánh giá xem dữ liệu huấn luyện có gây bất lợi cho một nhóm ứng viên cụ thể hay không.

Các khái niệm cần phân biệt

• Hallucination là khi mô hình tạo ra thông tin nghe hợp lý nhưng không chính xác hoặc không có nguồn hỗ trợ.
• Toxicity là nội dung có tính xúc phạm, thù ghét, gây hại hoặc không phù hợp.
• Plagiarism là nội dung sao chép hoặc quá giống với nguồn khác mà không ghi nhận phù hợp.
• Privacy là nguy cơ làm lộ hoặc sử dụng không đúng dữ liệu cá nhân và dữ liệu nhạy cảm.
• Stereotyping là khi mô hình tạo hoặc củng cố những định kiến về một nhóm người.
• Interpretability là mức độ con người có thể hiểu cách mô hình hoạt động.
• Explainability là khả năng giải thích lý do một dự đoán hoặc kết quả được tạo ra.
• Transparency là mức độ công khai về cách hệ thống được xây dựng, đánh giá và sử dụng.

Các công cụ liên quan

• SageMaker Clarify hỗ trợ đánh giá bias và giải thích dự đoán.
• SageMaker Model Cards hỗ trợ tài liệu hóa mô hình và thông tin governance.
• SageMaker Model Monitor hỗ trợ theo dõi chất lượng và drift.
• Bedrock Guardrails hỗ trợ kiểm soát nội dung đầu vào và đầu ra.
• Bedrock Model Evaluation hỗ trợ so sánh và đánh giá chất lượng foundation model.
• Human review bổ sung bước kiểm tra của con người trong những quy trình quan trọng.

Security, compliance và governance

AWS Identity and Access Management

IAM quản lý authentication, authorization và quyền truy cập vào tài nguyên AWS.

Các từ khóa quan trọng gồm least privilege, role, policy, temporary credentials và separation of duties.

Nếu một ứng dụng cần gọi Amazon Bedrock, giải pháp phù hợp thường là cấp IAM role với các quyền tối thiểu cần thiết thay vì sử dụng thông tin đăng nhập lâu dài.

AWS PrivateLink

AWS PrivateLink cho phép tạo kết nối riêng từ VPC đến những dịch vụ được hỗ trợ mà không phải đi qua public internet.

Nếu câu hỏi yêu cầu truy cập Amazon Bedrock bằng kết nối riêng, interface VPC endpoint thông qua AWS PrivateLink thường là lựa chọn phù hợp.

Cần phân biệt private connectivity với encryption. Mã hóa traffic giúp bảo vệ dữ liệu khi truyền nhưng không đồng nghĩa traffic không đi qua public internet.

AWS Key Management Service

AWS KMS được sử dụng để tạo và quản lý khóa mã hóa.

Nếu câu hỏi nói về customer-managed key, kiểm soát quyền sử dụng khóa hoặc mã hóa dữ liệu, AWS KMS thường là dịch vụ cần xem xét.

AWS CloudTrail và CloudTrail Lake

AWS CloudTrail ghi lại hoạt động API trong tài khoản AWS.

CloudTrail Lake hỗ trợ lưu trữ và truy vấn dữ liệu sự kiện phục vụ nhu cầu phân tích.

Nếu đề bài yêu cầu xác định ai đã gọi API, hành động nào được thực hiện hoặc tài nguyên nào bị thay đổi, CloudTrail thường phù hợp.

AWS Artifact

AWS Artifact cung cấp quyền truy cập vào các báo cáo, chứng nhận và tài liệu compliance của AWS.

Nếu doanh nghiệp cần tải báo cáo kiểm toán hoặc chứng nhận tuân thủ của AWS, AWS Artifact thường là đáp án phù hợp.

Amazon Macie

Amazon Macie hỗ trợ phát hiện dữ liệu nhạy cảm trong Amazon S3.

Nếu bài toán yêu cầu tìm dữ liệu cá nhân, thông tin nhạy cảm hoặc dữ liệu cần bảo vệ trong S3, Amazon Macie là dịch vụ cần lưu ý.

Amazon CloudWatch

Amazon CloudWatch hỗ trợ thu thập metric, log, tạo alarm và theo dõi hiệu năng của hệ thống.

Nếu câu hỏi liên quan đến giám sát tài nguyên, theo dõi latency, error rate hoặc tạo cảnh báo, CloudWatch thường phù hợp.

AWS Audit Manager

AWS Audit Manager hỗ trợ thu thập evidence và tổ chức thông tin phục vụ quá trình audit.

Cần phân biệt Audit Manager với Artifact. Artifact cung cấp tài liệu compliance của AWS, còn Audit Manager hỗ trợ thu thập evidence từ môi trường của doanh nghiệp.

Một số cặp dịch vụ và khái niệm dễ nhầm

Batch transform và real-time inference

Batch transform phù hợp khi cần xử lý lượng dữ liệu lớn và không cần kết quả ngay lập tức.

Ví dụ, doanh nghiệp muốn chạy dự đoán cho hàng triệu bản ghi vào cuối ngày.

Real-time inference phù hợp khi ứng dụng cần phản hồi ngay, chẳng hạn chatbot, API dự đoán hoặc hệ thống hỗ trợ giao dịch.

Real-time inference và serverless inference

Real-time inference thường phù hợp với workload cần endpoint hoạt động liên tục và độ trễ ổn định.

Serverless inference phù hợp hơn khi traffic không đều, có thời gian không phát sinh request và doanh nghiệp muốn giảm công sức quản lý hạ tầng.

RAG và fine-tuning

RAG bổ sung kiến thức mới vào context mà không cần huấn luyện lại mô hình.

Fine-tuning điều chỉnh hành vi, phong cách hoặc khả năng thực hiện một tác vụ cụ thể.

Fine-tuning và RLHF

Fine-tuning thường sử dụng tập dữ liệu ví dụ để điều chỉnh mô hình.

RLHF, hay Reinforcement Learning from Human Feedback, cải thiện mô hình dựa trên phản hồi hoặc lựa chọn của con người.

CloudTrail và CloudWatch

CloudTrail trả lời câu hỏi ai đã thực hiện hành động API nào.

CloudWatch trả lời câu hỏi hệ thống đang hoạt động như thế nào.

AWS Artifact và AWS Audit Manager

AWS Artifact cung cấp báo cáo compliance của AWS.

AWS Audit Manager thu thập và tổ chức evidence phục vụ audit trong môi trường của khách hàng.

SageMaker Clarify và SageMaker Model Monitor

SageMaker Clarify tập trung vào bias và explainability.

SageMaker Model Monitor tập trung vào theo dõi dữ liệu, chất lượng và drift sau khi triển khai.

Kinh nghiệm làm bài

Khi làm bài, mình thường đọc câu hỏi cuối cùng trước để xác định đề đang yêu cầu điều gì. Sau đó, mình mới đọc lại toàn bộ tình huống và tìm các từ khóa quyết định.

Những từ khóa mình đặc biệt chú ý gồm những nội dung sau.

• MOST cost-effective.
• Minimum operational overhead.
• Minimum latency.
• Real-time.
• Batch.
• Without managing infrastructure.
• Temporary access.
• Human feedback.
• Explainability.
• Private connection.
• Grounded responses.
• Frequently changing data.
• Reduce false positives.
• Reduce false negatives.
• Compliance reports.
• API activity.

Sau khi tìm được từ khóa, mình ánh xạ yêu cầu sang dịch vụ phù hợp.

Một số ví dụ như sau.

• Muốn giảm hallucination bằng dữ liệu doanh nghiệp => RAG.
• Muốn cập nhật kiến thức mà không retrain mô hình => RAG.
• Muốn thay đổi phong cách phản hồi => Fine-tuning.
• Muốn sử dụng foundation model mà không quản lý hạ tầng => Amazon Bedrock.
• Muốn xây dựng toàn bộ vòng đời machine learning => Amazon SageMaker AI.
• Muốn truy cập Bedrock bằng kết nối riêng => AWS PrivateLink.
• Muốn kiểm tra ai đã gọi API => AWS CloudTrail.
• Muốn phát hiện dữ liệu nhạy cảm trong S3 => Amazon Macie.
• Muốn tải báo cáo compliance của AWS => AWS Artifact.
• Muốn thu thập evidence phục vụ audit => AWS Audit Manager.
• Muốn đề xuất sản phẩm dựa trên lịch sử người dùng => Amazon Personalize.
• Muốn trích xuất bảng và biểu mẫu từ tài liệu => Amazon Textract.
• Muốn giảm false positive => Precision.
• Muốn giảm false negative => Recall.
• Muốn đánh giá tóm tắt => ROUGE.
• Muốn kiểm tra chất lượng và độ chính xác của bản dịch tự động => BLEU.
• Muốn đánh giá câu trả lời có bám sát tài liệu => Faithfulness.

Đề thi có khá nhiều distractor. Các phương án sai thường là những dịch vụ có liên quan đến lĩnh vực AI nhưng không trực tiếp giải quyết yêu cầu.

Nếu còn phân vân giữa hai phương án, mình thường quay lại những từ như “MOST”, “MINIMUM”, “ONLY” hoặc “without managing infrastructure”. Những từ này thường giúp xác định tiêu chí chính mà đề bài muốn kiểm tra.

Cách mình hệ thống kiến thức khi ôn tập

Thay vì chỉ ghi lại định nghĩa, mình lập bảng theo cấu trúc sau.

Requirement => Service => Key differentiator => Common distractor.

Ví dụ như sau.

• Dùng foundation model qua dịch vụ được quản lý => Amazon Bedrock => Không tự quản lý hạ tầng mô hình => Distractor là SageMaker AI.
• Xây dựng và huấn luyện machine learning model => SageMaker AI => Hỗ trợ toàn bộ vòng đời machine learning => Distractor là Amazon Bedrock.
• Truy cập dịch vụ bằng kết nối riêng => AWS PrivateLink => Không đi qua public internet => Distractor là AWS KMS.
• Phát hiện dữ liệu nhạy cảm trong S3 => Amazon Macie => Data discovery cho Amazon S3 => Distractor là Amazon GuardDuty.
• Tải báo cáo compliance => AWS Artifact => Báo cáo và chứng nhận của AWS => Distractor là AWS Audit Manager.
• Ghi lại API activity => AWS CloudTrail => Audit API call => Distractor là Amazon CloudWatch.
• Recommendation theo hành vi người dùng => Amazon Personalize => Personalized recommendation => Distractor là Amazon Comprehend.
• Trích xuất bảng và biểu mẫu => Amazon Textract => Document extraction => Distractor là Amazon Rekognition.

Cách học này giúp mình nhớ dịch vụ theo tình huống thay vì ghi nhớ một danh sách định nghĩa rời rạc.

Tài liệu học và ôn tập

Phần tài liệu nên được chia thành ba nhóm gồm tài liệu bắt buộc, tài liệu củng cố kiến thức và tài liệu thực hành.

Mọi người không cần đọc toàn bộ mọi trang tài liệu của AWS. Điều quan trọng là học đúng phạm vi, hiểu use case và biết cách phân biệt những dịch vụ gần giống nhau.

1. AWS Certified AI Practitioner Exam Guide

Đây là tài liệu đầu tiên nên đọc trước khi bắt đầu ôn tập.

Trang chứng chỉ chính thức của AWS nằm tại địa chỉ sau.

https://aws.amazon.com/certification/certified-ai-practitioner/.

Tại đây, mọi người có thể tìm Exam Guide, thông tin tổng quan về chứng chỉ, đối tượng phù hợp và những tài liệu chuẩn bị liên quan.

Khi đọc Exam Guide, không nên chỉ xem tên từng domain. Mọi người nên đọc kỹ từng task statement và knowledge statement.

Với mỗi task statement, có thể ghi chú theo cấu trúc sau.

• Nội dung này đang kiểm tra khái niệm gì.
• Dịch vụ AWS nào có thể liên quan.
• Những cặp dịch vụ nào dễ bị nhầm.
• Mình đã hiểu use case hay mới chỉ nhớ tên.
• Mình có thể tự đưa ra một ví dụ thực tế hay chưa.

Ví dụ, nếu Exam Guide đề cập đến việc lựa chọn foundation model, mọi người nên ôn thêm các tiêu chí như loại tác vụ, khả năng hỗ trợ ngôn ngữ, context window, chi phí, độ trễ, khả năng tùy chỉnh và yêu cầu bảo mật.

Nếu Exam Guide đề cập đến Responsible AI, mọi người nên liên kết nội dung đó với fairness, bias, explainability, transparency, privacy và human oversight.

Một cách làm hiệu quả là in hoặc lưu Exam Guide thành một bản riêng, sau đó đánh dấu mỗi nội dung theo ba trạng thái.

• Màu xanh là đã hiểu và có thể giải thích.
• Màu vàng là đã đọc nhưng chưa phân biệt rõ.
• Màu đỏ là chưa học hoặc thường trả lời sai.

Exam Guide nên được sử dụng như checklist xuyên suốt quá trình ôn tập chứ không chỉ đọc một lần vào ngày đầu.

2. AWS Skill Builder

AWS Skill Builder là nguồn học chính thức và phù hợp nhất để bắt đầu.

Địa chỉ truy cập như sau.

https://skillbuilder.aws/.

Trong AWS Skill Builder, mọi người có thể tìm kiếm bằng những từ khóa sau.

• AWS Certified AI Practitioner.
• AIF-C01.
• Exam Prep.
• Generative AI.
• Amazon Bedrock.
• Responsible AI.
• Machine Learning Fundamentals.
• AWS AI Services.

Những nhóm nội dung nên ưu tiên gồm các nội dung sau.

Exam Prep Plan

Exam Prep Plan thường tổng hợp nội dung cần học theo từng domain của kỳ thi.

Khi học Exam Prep Plan, không nên chỉ xem video liên tục. Sau mỗi bài, nên ghi lại ba nội dung.

• Khái niệm chính của bài học.
• Dịch vụ AWS liên quan.
• Một tình huống thực tế có thể xuất hiện trong câu hỏi.

Nếu bài học nói về model evaluation, mọi người nên tự viết lại sự khác nhau giữa ROUGE, BLEU, precision, recall, F1 score, faithfulness và context relevance.

Nếu bài học nói về security, mọi người nên lập bảng so sánh IAM, KMS, PrivateLink, CloudTrail, CloudWatch, Macie, Artifact và Audit Manager.

Official Practice Question Set

Bộ câu hỏi chính thức giúp làm quen với cách AWS xây dựng tình huống và distractor.

Khi làm bộ câu hỏi này, mục tiêu không phải là ghi nhớ đáp án. Sau mỗi câu, cần giải thích được các nội dung sau.

• Yêu cầu chính của câu hỏi là gì.
• Từ khóa quyết định nằm ở đâu.
• Vì sao đáp án đúng giải quyết trực tiếp yêu cầu.
• Vì sao các phương án còn lại không phù hợp nhất.

Nếu có một câu trả lời đúng nhưng mình chỉ chọn theo cảm tính, câu đó vẫn nên được đánh dấu là chưa nắm chắc.

Official Practice Exam

Bài thi thử chính thức nên được sử dụng sau khi đã học gần hết nội dung.

Không nên làm bài thi thử đầy đủ ngay từ đầu rồi ghi nhớ câu trả lời. Tốt hơn hết là làm một bài kiểm tra ngắn để đánh giá đầu vào, học theo từng domain, sau đó mới làm bài thi thử đầy đủ.

Khi làm bài thi thử, nên mô phỏng điều kiện thi thật.

• Không tra tài liệu.
• Làm liên tục trong một khoảng thời gian.
• Không dừng lại quá lâu ở một câu.
• Đánh dấu câu chưa chắc chắn.
• Xem lại toàn bộ câu sai sau khi hoàn thành.

Tên khóa học, nội dung miễn phí và quyền truy cập trong AWS Skill Builder có thể thay đổi theo thời điểm. Vì vậy, mọi người nên tìm theo tên chứng chỉ hoặc mã AIF-C01 nếu không thấy đúng tên khóa học.

3. AWS Educate

AWS Educate cung cấp một số nội dung nhập môn về cloud, AI và machine learning.

Địa chỉ tham khảo như sau.

https://aws.amazon.com/education/awseducate/.

Nguồn này phù hợp với người mới bắt đầu hoặc chưa có nhiều kinh nghiệm sử dụng AWS.

Mọi người có thể ưu tiên những nội dung liên quan đến các chủ đề sau.

• Cloud fundamentals.
• Artificial intelligence.
• Machine learning.
• Generative AI.
• Security fundamentals.
• AWS service fundamentals.

AWS Educate không nhất thiết bao phủ toàn bộ phạm vi kỳ thi, nhưng có thể giúp xây nền trước khi chuyển sang Exam Prep và tài liệu chuyên sâu hơn.

4. Amazon Bedrock Documentation

Vì Amazon Bedrock là phần quan trọng, mình khuyên nên đọc tài liệu theo từng nhóm tính năng thay vì đọc toàn bộ từ đầu đến cuối.

Địa chỉ tài liệu như sau.

https://docs.aws.amazon.com/bedrock/.

Các phần nên ưu tiên gồm những nội dung sau.

Tổng quan về Amazon Bedrock

Phần tổng quan giúp hiểu Bedrock giải quyết vấn đề gì, cách truy cập foundation model và vì sao đây là dịch vụ được quản lý.

Sau khi đọc, mọi người nên trả lời được các câu hỏi sau.

• Amazon Bedrock khác SageMaker AI ở điểm nào.
• Khi nào nên sử dụng Bedrock.
• Vì sao Bedrock giúp giảm công sức quản lý hạ tầng.
• Bedrock phù hợp với loại ứng dụng nào.

Foundation models

Ở phần foundation models, không cần ghi nhớ mọi thông số của từng mô hình.

Mọi người nên tập trung vào tiêu chí lựa chọn mô hình.

• Tác vụ cần thực hiện.
• Chất lượng đầu ra.
• Khả năng hỗ trợ ngôn ngữ.
• Context window.
• Chi phí.
• Độ trễ.
• Khả năng tùy chỉnh.
• Yêu cầu về modality.
• Yêu cầu bảo mật và khu vực triển khai.

Mục tiêu là hiểu rằng không có một foundation model tốt nhất cho mọi tình huống. Mô hình phù hợp phụ thuộc vào yêu cầu của ứng dụng.

Amazon Bedrock Knowledge Bases

Đây là phần nên học kỹ nếu muốn nắm RAG.

Mọi người cần hiểu quy trình cơ bản gồm kết nối nguồn dữ liệu, chia tài liệu, tạo embeddings, lưu vào vector store, truy xuất nội dung và đưa context cho foundation model.

Các câu hỏi cần tự trả lời sau khi đọc gồm những nội dung sau.

• Knowledge Bases giải quyết vấn đề gì.
• Vì sao Knowledge Bases phù hợp với dữ liệu doanh nghiệp.
• Khi nào Knowledge Bases phù hợp hơn fine-tuning.
• Vector store được sử dụng ở bước nào.
• Vì sao RAG có thể giảm hallucination.
• Vì sao dữ liệu thay đổi thường xuyên phù hợp với RAG.

Bedrock Agents

Bedrock Agents phù hợp khi foundation model cần thực hiện một quy trình gồm nhiều bước hoặc gọi các hành động bên ngoài.

Mọi người nên hiểu agent có thể phân tích yêu cầu, xác định hành động, gọi công cụ hoặc API, nhận kết quả và tiếp tục xử lý.

Không cần học chi tiết triển khai code cho kỳ thi foundational. Mục tiêu là nhận biết khi nào bài toán cần agent thay vì chỉ cần một prompt đơn giản.

Ví dụ, chatbot chỉ trả lời dựa trên tài liệu có thể sử dụng RAG. Nếu chatbot cần kiểm tra tồn kho, tạo đơn hàng và gửi thông báo, bài toán có thể liên quan đến agent.

Bedrock Guardrails

Bedrock Guardrails hỗ trợ kiểm soát nội dung đầu vào và đầu ra.

Các use case thường gặp gồm những nội dung sau.

• Hạn chế nội dung độc hại.
• Chặn chủ đề không phù hợp.
• Giảm rủi ro tiết lộ thông tin nhạy cảm.
• Kiểm soát hành vi của ứng dụng generative AI.
• Áp dụng chính sách sử dụng AI của doanh nghiệp.

Cần hiểu Guardrails không thay thế hoàn toàn RAG, IAM, KMS hoặc human review. Mỗi công cụ giải quyết một nhóm rủi ro khác nhau.

Bedrock Model Evaluation

Phần này giúp hiểu cách so sánh foundation model dựa trên chất lượng, tính hữu ích, độ an toàn hoặc các tiêu chí của ứng dụng.

Mọi người nên liên kết nội dung này với automatic evaluation và human evaluation.

Nếu chất lượng khó được đo hoàn toàn bằng metric tự động, human evaluation thường cần thiết.

Prompt management và prompt caching

Prompt management liên quan đến việc tạo, lưu trữ, quản lý và tái sử dụng prompt.

Prompt caching phù hợp khi một phần lớn của prompt được gửi lặp lại nhiều lần. Việc tái sử dụng phần nội dung đã xử lý có thể giúp giảm độ trễ và chi phí trong những trường hợp được hỗ trợ.

Model customization

Mọi người nên đọc phần này để phân biệt fine-tuning, continued pre-training hoặc những phương pháp tùy chỉnh khác được hỗ trợ.

Không cần nhớ chi tiết kỹ thuật của từng phương pháp. Điều quan trọng là biết mục tiêu của việc tùy chỉnh mô hình và phân biệt với RAG hoặc prompt engineering.

Security và data protection

Các chủ đề cần chú ý gồm IAM, encryption, KMS, VPC endpoint, PrivateLink, logging và kiểm soát quyền truy cập.

Khi đọc phần bảo mật, nên liên kết từng yêu cầu với dịch vụ phù hợp.

• Least privilege => IAM.
• Quản lý khóa mã hóa => AWS KMS.
• Kết nối riêng => AWS PrivateLink.
• Theo dõi API activity => AWS CloudTrail.
• Theo dõi metric và log => Amazon CloudWatch.

5. Amazon SageMaker AI Documentation

Địa chỉ tài liệu tham khảo như sau.

https://docs.aws.amazon.com/sagemaker/.

Không cần đọc toàn bộ tài liệu SageMaker. Mọi người nên tập trung vào những phần có khả năng liên quan đến phạm vi bài thi.

Training và deployment

Cần hiểu SageMaker AI hỗ trợ toàn bộ vòng đời machine learning, từ chuẩn bị dữ liệu, huấn luyện, đánh giá, triển khai đến giám sát mô hình.

Mục tiêu quan trọng là phân biệt SageMaker AI với Amazon Bedrock.

Real-time inference

Real-time inference phù hợp với các ứng dụng cần phản hồi ngay, chẳng hạn API dự đoán, chatbot hoặc hệ thống hỗ trợ giao dịch.

Từ khóa thường gặp gồm low latency, real-time request và online prediction.

Batch transform

Batch transform phù hợp khi cần xử lý một khối lượng dữ liệu lớn nhưng không cần kết quả ngay lập tức.

Từ khóa thường gặp gồm batch processing, offline prediction và large dataset.

Serverless inference

Serverless inference phù hợp với workload có traffic không đều và người dùng không muốn quản lý hạ tầng inference.

Từ khóa thường gặp gồm intermittent traffic, unpredictable traffic và minimum operational overhead.

SageMaker Clarify

Mọi người nên tập trung vào hai nhóm chức năng chính là bias detection và explainability.

Nếu câu hỏi nói về việc kiểm tra mô hình có gây bất lợi cho một nhóm người hay không, SageMaker Clarify thường là lựa chọn cần xem xét.

SageMaker Model Cards

Model Cards được sử dụng để tài liệu hóa mục đích, dữ liệu, giả định, kết quả đánh giá và rủi ro của mô hình.

Từ khóa thường gặp gồm documentation, model governance và audit readiness.

SageMaker Model Monitor

Model Monitor được sử dụng để giám sát mô hình sau khi triển khai.

Từ khóa thường gặp gồm model drift, data drift, model quality và production monitoring.

SageMaker Ground Truth Plus

Ground Truth Plus phù hợp khi cần xây dựng dữ liệu được gán nhãn bằng lực lượng lao động được quản lý.

Từ khóa thường gặp gồm data labeling, managed workforce và reduce operational effort.

6. Tài liệu về các dịch vụ AI chuyên biệt

Mỗi dịch vụ AI chuyên biệt chỉ cần học theo ba câu hỏi.

• Dịch vụ xử lý loại dữ liệu nào.
• Dịch vụ giải quyết use case nào.
• Dịch vụ nào thường được dùng làm distractor.

Amazon Personalize

Tài liệu tham khảo như sau.

https://docs.aws.amazon.com/personalize/.

Nội dung cần nhớ là recommendation và personalization dựa trên hành vi hoặc lịch sử tương tác của người dùng.

Amazon Textract

Tài liệu tham khảo như sau.

https://docs.aws.amazon.com/textract/.

Nội dung cần nhớ là trích xuất text, bảng, biểu mẫu và dữ liệu từ tài liệu scan hoặc PDF.

Amazon Translate

Tài liệu tham khảo như sau.

https://docs.aws.amazon.com/translate/.

Nội dung cần nhớ là machine translation.

Amazon Comprehend

Tài liệu tham khảo như sau.

https://docs.aws.amazon.com/comprehend/.

Nội dung cần nhớ gồm sentiment analysis, entity extraction, key phrase extraction và phân tích ngôn ngữ tự nhiên.

Amazon Rekognition

Tài liệu tham khảo như sau.

https://docs.aws.amazon.com/rekognition/.

Nội dung cần nhớ là phân tích hình ảnh và video.

Amazon Q Developer

Trang tham khảo như sau.

https://aws.amazon.com/q/developer/.

Nội dung cần nhớ là hỗ trợ nhà phát triển tạo code, giải thích code, sửa lỗi và viết unit test.

Đối với các dịch vụ chuyên biệt, không nên dành quá nhiều thời gian đọc chi tiết API. Mục tiêu là nhận biết use case và phân biệt đúng dịch vụ khi đọc tình huống.

7. Tài liệu về Responsible AI

Trang Responsible AI của AWS nằm tại địa chỉ sau.

https://aws.amazon.com/ai/responsible-ai/.

Mọi người nên tập trung vào những khái niệm sau.

• Fairness.
• Bias.
• Explainability.
• Interpretability.
• Transparency.
• Privacy.
• Safety.
• Human oversight.
• Governance.
• Accountability.

Khi học, nên gắn mỗi khái niệm với một tình huống cụ thể.

Ví dụ, bài toán tuyển dụng cần fairness và bias testing. Bài toán tín dụng cần explainability và human oversight. Chatbot công khai cần kiểm soát toxicity và nội dung không phù hợp.

Mọi người cũng nên tìm đọc các tài liệu hoặc bài viết của AWS về responsible generative AI, Bedrock Guardrails, SageMaker Clarify và Model Cards.

8. Tài liệu về security, compliance và governance

IAM Documentation

https://docs.aws.amazon.com/iam/.

Phần cần nhớ gồm authentication, authorization, IAM role, policy, least privilege và temporary credentials.

AWS PrivateLink Documentation

https://docs.aws.amazon.com/vpc/latest/privatelink/.

Phần cần nhớ là kết nối riêng giữa VPC và dịch vụ được hỗ trợ mà không đi qua public internet.

AWS KMS Documentation

https://docs.aws.amazon.com/kms/.

Phần cần nhớ là quản lý khóa mã hóa, customer-managed key và kiểm soát quyền sử dụng khóa.

AWS CloudTrail Documentation

https://docs.aws.amazon.com/cloudtrail/.

Phần cần nhớ là lưu lại API activity và hỗ trợ điều tra ai đã thực hiện hành động nào.

Amazon CloudWatch Documentation

https://docs.aws.amazon.com/cloudwatch/.

Phần cần nhớ là metric, log, alarm và theo dõi hiệu năng.

AWS Artifact

https://aws.amazon.com/artifact/.

Phần cần nhớ là tải báo cáo và tài liệu compliance của AWS.

Amazon Macie Documentation

https://docs.aws.amazon.com/macie/.

Phần cần nhớ là phát hiện dữ liệu nhạy cảm trong Amazon S3.

AWS Audit Manager Documentation

https://docs.aws.amazon.com/audit-manager/.

Phần cần nhớ là thu thập và tổ chức evidence phục vụ audit.

Khi học nhóm security và governance, nên lập bảng so sánh theo tình huống.

• Ai đã gọi API => AWS CloudTrail.
• Hệ thống đang hoạt động như thế nào => Amazon CloudWatch.
• Tải báo cáo compliance của AWS => AWS Artifact.
• Thu thập evidence phục vụ audit => AWS Audit Manager.
• Phát hiện dữ liệu nhạy cảm trong S3 => Amazon Macie.
• Quản lý khóa mã hóa => AWS KMS.
• Kết nối riêng từ VPC => AWS PrivateLink.
• Quản lý quyền truy cập => IAM.

9. AWS Workshops

AWS Workshops có nhiều bài thực hành về Amazon Bedrock, generative AI và RAG.

Địa chỉ tham khảo như sau.

https://catalog.workshops.aws/.

Mọi người có thể tìm bằng những từ khóa sau.

• Amazon Bedrock.
• Generative AI.
• Retrieval-Augmented Generation.
• Knowledge Bases.
• Bedrock Agents.
• Responsible AI.
• Foundation Models.
• Vector Search.

Không nhất thiết phải hoàn thành một workshop quá dài. Một workshop RAG cơ bản đã đủ giúp hiểu rõ mối liên hệ giữa tài liệu, chunking, embeddings, vector store, retrieval và foundation model.

Khi làm workshop, nên ghi lại kiến trúc tổng thể thay vì chỉ sao chép từng bước cấu hình.

Sau workshop, mọi người nên tự trả lời những câu hỏi sau.

• Dữ liệu được lưu ở đâu.
• Embeddings được tạo ở bước nào.
• Vector search được thực hiện ở đâu.
• Context được đưa vào prompt như thế nào.
• Thành phần nào chịu trách nhiệm tạo câu trả lời.
• IAM và encryption được áp dụng ở đâu.
• Nếu tài liệu thay đổi thì cần cập nhật bước nào.

Nếu có tài khoản AWS cá nhân, cần chú ý theo dõi chi phí và xóa tài nguyên sau khi hoàn thành workshop.

10. AWS Machine Learning Blog

Địa chỉ tham khảo như sau.

https://aws.amazon.com/blogs/machine-learning/.

AWS Machine Learning Blog có nhiều bài viết về Bedrock, SageMaker AI, RAG, agents, vector databases và Responsible AI.

Khi tìm bài viết, nên sử dụng những từ khóa sau.

• Amazon Bedrock Knowledge Bases.
• Bedrock Agents.
• Bedrock Guardrails.
• Model Evaluation.
• RAG.
• Vector database.
• Prompt engineering.
• SageMaker Clarify.
• Responsible AI.

Không nên cố đọc mọi bài viết. Mọi người nên chọn những bài giải thích kiến trúc, use case và điểm khác biệt giữa các giải pháp.

Sau mỗi bài blog, chỉ cần ghi lại bốn nội dung.

• Bài toán cần giải quyết.
• Dịch vụ được sử dụng.
• Kiến trúc tổng thể.
• Điểm khác biệt so với một giải pháp khác.

11. AWS Security Blog

Địa chỉ tham khảo như sau.

https://aws.amazon.com/blogs/security/.

Nguồn này phù hợp để tìm hiểu thêm về IAM, KMS, PrivateLink, logging, data protection và security best practices.

Đối với kỳ thi foundational, không cần đi quá sâu vào cấu hình kỹ thuật. Mục tiêu là hiểu nguyên tắc least privilege, private connectivity, encryption, auditability và data protection.

12. AWS Architecture Center

Địa chỉ tham khảo như sau.

https://aws.amazon.com/architecture/.

AWS Architecture Center cung cấp kiến trúc mẫu và hướng dẫn thiết kế hệ thống.

Mọi người có thể tìm những kiến trúc liên quan đến generative AI, Amazon Bedrock, RAG, chatbot và machine learning.

Nguồn này giúp hiểu cách nhiều dịch vụ AWS kết hợp với nhau trong một giải pháp hoàn chỉnh.

Ví dụ, một kiến trúc RAG có thể bao gồm Amazon S3 để lưu tài liệu, Amazon Bedrock để sử dụng foundation model, một vector store để lưu embeddings, AWS Lambda để xử lý logic và IAM để quản lý quyền truy cập.

13. AWS Prescriptive Guidance

Địa chỉ tham khảo như sau.

https://docs.aws.amazon.com/prescriptive-guidance/.

AWS Prescriptive Guidance cung cấp các hướng dẫn triển khai theo từng bài toán hoặc mô hình kiến trúc cụ thể.

Nguồn này phù hợp với người muốn hiểu sâu hơn về cách áp dụng kiến thức sau kỳ thi.

Đối với mục tiêu thi chứng chỉ, mọi người chỉ nên đọc những hướng dẫn liên quan trực tiếp đến RAG, generative AI, machine learning governance hoặc security.

14. AWS re:Post

Địa chỉ tham khảo như sau.

https://repost.aws/.

AWS re:Post là nơi có các câu hỏi và trao đổi kỹ thuật từ cộng đồng AWS.

Nguồn này hữu ích khi mọi người chưa hiểu rõ một khái niệm hoặc muốn tìm tình huống thực tế.

Tuy nhiên, không nên dùng một câu trả lời cộng đồng làm nguồn duy nhất. Nếu có thông tin quan trọng, nên đối chiếu lại với AWS Documentation.

15. AWS Whitepapers

Địa chỉ tham khảo như sau.

https://aws.amazon.com/whitepapers/.

Mọi người có thể tìm các tài liệu liên quan đến machine learning, generative AI, security, governance và AWS Well-Architected Framework.

Whitepaper thường dài và có nhiều nội dung vượt quá phạm vi bài thi. Vì vậy, mọi người chỉ nên đọc phần tổng quan, nguyên tắc thiết kế và những mục liên quan trực tiếp đến Exam Guide.

16. Video và nội dung từ AWS Events

Các video từ AWS re:Invent, AWS Summit hoặc kênh AWS Events có thể giúp hiểu trực quan hơn về Bedrock, SageMaker AI và generative AI.

Mọi người có thể tìm trên YouTube bằng những từ khóa sau.

• AWS Certified AI Practitioner.
• AIF-C01 Exam Prep.
• Amazon Bedrock introduction.
• Amazon Bedrock Knowledge Bases.
• Generative AI on AWS.
• Responsible AI on AWS.
• AWS machine learning services.

Khi xem video, nên ưu tiên nội dung từ AWS hoặc những giảng viên có giải thích dựa trên tài liệu chính thức.

Không nên sử dụng video làm nguồn duy nhất vì một số nội dung có thể đã cũ hoặc được trình bày theo phiên bản dịch vụ trước đó.

17. Tài liệu tự tổng hợp

Ngoài tài liệu chính thức, mình thấy việc tự tạo tài liệu tóm tắt là một trong những cách học hiệu quả nhất.

Mọi người có thể chuẩn bị các bảng sau.

• Amazon Bedrock và Amazon SageMaker AI.
• RAG và fine-tuning.
• Batch, real-time và serverless inference.
• Precision, recall và F1 score.
• ROUGE, BLEU, faithfulness và context relevance.
• CloudTrail và CloudWatch.
• AWS Artifact và AWS Audit Manager.
• SageMaker Clarify, Model Cards và Model Monitor.
• Amazon Textract, Comprehend, Translate và Rekognition.
• IAM, PrivateLink, KMS, Macie và CloudTrail.

Mỗi bảng chỉ cần có bốn cột.

Requirement => Service => Key differentiator => Common distractor.

Ví dụ như sau.

• Trích xuất bảng từ hóa đơn => Amazon Textract => Document extraction => Distractor là Amazon Rekognition.
• Phân tích sentiment => Amazon Comprehend => NLP => Distractor là Amazon Translate.
• Dịch nội dung => Amazon Translate => Machine translation => Distractor là Amazon Comprehend.
• Phân tích video => Amazon Rekognition => Image and video analysis => Distractor là Amazon Textract.
• Recommendation => Amazon Personalize => User behavior and personalization => Distractor là Amazon Comprehend.

18. Flashcard

Flashcard phù hợp với các cặp khái niệm ngắn và dễ nhầm.

Mặt trước nên là một tình huống thay vì chỉ là tên dịch vụ.

Ví dụ như sau.

Mặt trước: Dịch vụ nào ghi lại API activity trong tài khoản AWS.

Mặt sau: AWS CloudTrail.

Mặt trước: Dịch vụ nào giúp tải báo cáo compliance của AWS.

Mặt sau: AWS Artifact.

Mặt trước: Metric nào quan trọng khi muốn giảm false negative.

Mặt sau: Recall.

Mặt trước: Giải pháp nào bổ sung kiến thức mới mà không cần retrain mô hình.

Mặt sau: RAG.

Có thể sử dụng Anki, Quizlet hoặc một công cụ ghi chú bất kỳ để tạo flashcard.

Mỗi ngày chỉ cần ôn từ 20 đến 30 thẻ. Không nên tạo quá nhiều thẻ chứa những chi tiết nhỏ ít liên quan đến phạm vi bài thi.

19. Sổ ghi lỗi khi luyện đề

Một tài liệu rất hữu ích là sổ ghi lại những câu đã làm sai.

Mỗi dòng nên có các nội dung sau.

• Chủ đề của câu hỏi.
• Đáp án mình đã chọn.
• Đáp án đúng.
• Từ khóa đã bỏ sót.
• Lý do phương án đã chọn không phù hợp.
• Tài liệu cần đọc lại.
• Ngày làm lại câu hỏi.

Sau khoảng 100 câu, sổ ghi lỗi sẽ cho thấy những vấn đề lặp lại.

Ví dụ, nếu thường xuyên nhầm CloudTrail với CloudWatch, mọi người nên dừng làm thêm câu hỏi và ôn lại cặp dịch vụ này.

Nếu thường xuyên chọn fine-tuning trong những tình huống dữ liệu thay đổi liên tục, mọi người cần ôn lại sự khác nhau giữa RAG và fine-tuning.

20. Thứ tự ưu tiên tài liệu

Nếu thời gian ôn tập có hạn, mình gợi ý ưu tiên theo thứ tự sau.

Mức ưu tiên 1

• AWS Certified AI Practitioner Exam Guide.
• AWS Skill Builder Exam Prep.
• Official Practice Question Set.
• Amazon Bedrock Documentation.
• Tài liệu về RAG, prompt engineering và model evaluation.

Mức ưu tiên 2

• Amazon SageMaker AI Documentation.
• Tài liệu về Responsible AI.
• Tài liệu về IAM, KMS, PrivateLink, CloudTrail, Macie, Artifact và Audit Manager.
• Tài liệu về các dịch vụ AI chuyên biệt.

Mức ưu tiên 3

• AWS Workshops.
• AWS Machine Learning Blog.
• AWS Security Blog.
• AWS Architecture Center.
• AWS Prescriptive Guidance.
• AWS Whitepapers.

Nếu chỉ có một tuần để học, mọi người không nên cố đọc hết nhóm ưu tiên 3. Thay vào đó, hãy tập trung vào Exam Guide, Skill Builder, Bedrock, các bảng so sánh dịch vụ và câu hỏi luyện tập.

21. Cách đọc AWS Documentation hiệu quả

AWS Documentation thường rất dài. Nếu đọc theo thứ tự từ đầu đến cuối, mọi người có thể mất nhiều thời gian nhưng vẫn khó nhớ phần quan trọng.

Mình thường đọc theo quy trình sau.

Bước 1

Đọc phần “What is” hoặc “Overview” để hiểu dịch vụ giải quyết vấn đề gì.

Bước 2

Đọc phần “Use cases” hoặc các tình huống phổ biến.

Bước 3

Đọc phần tính năng chính để hiểu điểm khác biệt của dịch vụ.

Bước 4

Đọc phần security, monitoring và pricing ở mức tổng quan.

Bước 5

Tự viết lại ba tình huống nên sử dụng dịch vụ.

Bước 6

Tự viết lại hai dịch vụ dễ bị nhầm với dịch vụ đó.

Ví dụ, khi đọc về Amazon Textract, mọi người không cần nhớ toàn bộ API. Chỉ cần hiểu Textract dùng để trích xuất text, bảng và biểu mẫu từ tài liệu, sau đó phân biệt với Rekognition và Comprehend.

22. Cách kiểm tra mình đã học đủ hay chưa

Sau khi học một dịch vụ, mọi người nên tự kiểm tra bằng năm câu hỏi sau.

• Dịch vụ này giải quyết vấn đề gì.
• Dữ liệu đầu vào của dịch vụ là gì.
• Từ khóa nào trong câu hỏi gợi ý dịch vụ này.
• Dịch vụ nào thường bị nhầm với nó.
• Vì sao phương án này tốt hơn phương án còn lại trong một tình huống cụ thể.

Nếu chưa thể trả lời bằng lời của mình, có thể mình mới chỉ nhớ tên mà chưa hiểu use case.

23. Những nguồn không nên phụ thuộc hoàn toàn

Mọi người nên thận trọng với exam dump hoặc những bộ câu hỏi không giải thích rõ nguồn.

Các vấn đề thường gặp gồm những nội dung sau.

• Đáp án có thể sai.
• Dịch vụ có thể đã thay đổi.
• Câu hỏi có thể không còn phù hợp với Exam Guide.
• Việc ghi nhớ đáp án không giúp hiểu bản chất.
• Nội dung có thể vi phạm chính sách bảo mật của kỳ thi.

Các bộ câu hỏi từ bên thứ ba vẫn có thể dùng để luyện thêm, nhưng nên xem đó là công cụ kiểm tra kiến thức. Khi có điểm chưa rõ, cần đối chiếu lại với AWS Documentation.

24. Bộ tài liệu tóm tắt nên có trước ngày thi

Trước ngày thi, mọi người chỉ nên giữ một bộ tài liệu tóm tắt ngắn gồm những nội dung sau.

• Một trang về Amazon Bedrock.
• Một trang về RAG và fine-tuning.
• Một trang về prompt engineering.
• Một trang về model evaluation.
• Một trang về các dịch vụ AI chuyên biệt.
• Một trang về Amazon SageMaker AI.
• Một trang về Responsible AI.
• Một trang về security và governance.
• Một bảng các cặp dịch vụ dễ nhầm.
• Một danh sách từ khóa thường gặp.
• Một danh sách những câu đã từng làm sai.

Không nên cố đọc lại toàn bộ AWS Documentation trong ngày cuối.

Gợi ý lộ trình ôn tập trong hai tuần

Lộ trình dưới đây phù hợp với người đã có kiến thức AWS cơ bản và có thể dành khoảng một đến hai giờ mỗi ngày để học. Nếu chưa từng sử dụng AWS hoặc chưa quen với các khái niệm AI và machine learning, mọi người có thể kéo dài lộ trình thành ba hoặc bốn tuần để tránh học quá dồn.

Mục tiêu của lộ trình không phải là ghi nhớ toàn bộ tài liệu AWS. Điều quan trọng hơn là hiểu mỗi dịch vụ giải quyết vấn đề gì, nhận biết từ khóa trong câu hỏi và phân biệt được những dịch vụ có use case gần giống nhau.

Ngày 1: Đọc Exam Guide và xác định phạm vi bài thi

Ngày đầu tiên nên dành để đọc kỹ AWS Certified AI Practitioner Exam Guide. Mọi người không cần học thuộc ngay, nhưng nên hiểu bài thi gồm những domain nào và mỗi domain kiểm tra nhóm kiến thức gì.

Khi đọc Exam Guide, nên tạo một bảng theo cấu trúc sau.

Domain => Chủ đề => Dịch vụ liên quan => Mức độ tự tin.

Ví dụ như sau.

• AI và machine learning fundamentals => Supervised learning, unsupervised learning, inference, training và evaluation => Mức độ tự tin trung bình.
• Generative AI => Foundation model, token, embeddings, prompt engineering và RAG => Mức độ tự tin thấp.
• AWS AI services => Bedrock, SageMaker AI, Textract, Comprehend và Personalize => Mức độ tự tin trung bình.
• Responsible AI => Bias, fairness, explainability và human oversight => Mức độ tự tin thấp.
• Security và governance => IAM, KMS, PrivateLink, CloudTrail và Macie => Mức độ tự tin trung bình.

Việc tự đánh giá từ đầu giúp xác định phần nào cần dành nhiều thời gian hơn. Nếu đã quen với IAM, KMS và CloudTrail, mọi người có thể giảm thời gian cho phần security để tập trung nhiều hơn vào Bedrock, RAG và model evaluation.

Cuối ngày, nên làm một bài kiểm tra ngắn từ 20 đến 30 câu để xác định điểm yếu. Không cần quá quan tâm đến số điểm ở lần đầu. Mục tiêu là xem mình đang nhầm ở nhóm kiến thức nào.

Ngày 2: Ôn kiến thức nền tảng về AI và machine learning

Ngày thứ hai nên tập trung vào những khái niệm nền tảng thường xuất hiện trong câu hỏi tình huống.

Các nội dung cần hiểu gồm các chủ đề sau.

• Sự khác nhau giữa artificial intelligence, machine learning và deep learning.
• Supervised learning và unsupervised learning.
• Classification, regression và clustering.
• Training, validation, testing và inference.
• Overfitting và underfitting.
• Feature, label và dataset.
• Batch inference và real-time inference.
• Precision, recall, F1 score và accuracy.
• False positive và false negative.

Không cần học quá sâu về công thức toán học. Điều quan trọng là hiểu khi nào nên ưu tiên từng metric.

Ví dụ, nếu hệ thống cần hạn chế việc gắn cờ nhầm các giao dịch hợp lệ, precision thường quan trọng hơn. Nếu hệ thống cần hạn chế bỏ sót các trường hợp gian lận, recall thường quan trọng hơn.

Cuối ngày, nên tự viết năm tình huống ngắn và chọn metric phù hợp cho từng tình huống. Cách này giúp ghi nhớ tốt hơn việc chỉ đọc định nghĩa.

Ngày 3: Học nền tảng về generative AI

Ngày thứ ba nên tập trung vào foundation model và cách generative AI hoạt động ở mức khái niệm.

Các nội dung cần nắm gồm các chủ đề sau.

• Foundation model là gì.
• Large language model là gì.
• Token là gì.
• Context window là gì.
• Embedding là gì.
• Inference là gì.
• Temperature và các tham số ảnh hưởng đến đầu ra.
• Hallucination là gì.
• Prompt engineering là gì.
• Model customization là gì.

Mọi người nên hiểu rằng foundation model có thể thực hiện nhiều tác vụ khác nhau như tóm tắt, phân loại, tạo văn bản, hỏi đáp và hỗ trợ lập trình.

Cần phân biệt giữa việc sử dụng mô hình có sẵn, bổ sung dữ liệu bằng RAG và thay đổi hành vi mô hình bằng fine-tuning.

Cuối ngày, nên tạo một bảng so sánh ngắn như sau.

• Prompt engineering => Điều chỉnh câu lệnh đầu vào => Không thay đổi trọng số mô hình.
• RAG => Bổ sung kiến thức từ dữ liệu bên ngoài => Không cần huấn luyện lại mô hình.
• Fine-tuning => Điều chỉnh hành vi hoặc phong cách => Cần dữ liệu huấn luyện phù hợp.
• RLHF => Cải thiện mô hình dựa trên phản hồi của con người => Phù hợp với điều chỉnh hành vi và độ hữu ích.

Ngày 4: Học kỹ prompt engineering

Ngày thứ tư nên dành riêng cho prompt engineering vì đây là nhóm kiến thức dễ xuất hiện và tương đối dễ lấy điểm.

Các khái niệm cần phân biệt gồm các nội dung sau.

• Zero-shot prompting.
• One-shot prompting.
• Few-shot prompting.
• Prompt chaining.
• Prompt template.
• Role prompting.
• Chain-of-thought prompting.
• Response format.
• Constraints.
• Success criteria.
• Prompt caching.

Mọi người nên tự viết một prompt đơn giản rồi cải thiện dần bằng cách thêm vai trò, nhiệm vụ, context, giới hạn và định dạng đầu ra.

Ví dụ ban đầu có thể là câu sau.

“Hãy tóm tắt tài liệu này.”

Sau đó có thể cải thiện thành câu sau.

“Bạn là chuyên viên phân tích tài liệu. Hãy tóm tắt nội dung dưới đây trong tối đa năm ý chính. Mỗi ý không quá hai câu. Chỉ sử dụng thông tin có trong tài liệu và không tự bổ sung dữ kiện.”

Sau khi thực hành, nên tự hỏi vì sao prompt thứ hai tốt hơn prompt thứ nhất. Mục tiêu là hiểu vai trò của từng thành phần trong prompt.

Ngày 5: Học Amazon Bedrock

Ngày thứ năm nên tập trung vào Amazon Bedrock vì đây là dịch vụ trọng tâm của bài thi.

Các nội dung nên ưu tiên gồm các chủ đề sau.

• Foundation models trên Amazon Bedrock.
• Cách lựa chọn mô hình theo use case.
• Amazon Nova.
• Bedrock Knowledge Bases.
• Bedrock Agents.
• Bedrock Guardrails.
• Bedrock Model Evaluation.
• Prompt management.
• Prompt caching.
• Model customization.
• Security và quyền truy cập vào Bedrock.

Mọi người không cần nhớ chi tiết cấu hình từng API. Điều quan trọng là hiểu mỗi tính năng giải quyết vấn đề gì.

Ví dụ như sau.

• Muốn xây chatbot sử dụng nhiều foundation model mà không tự quản lý hạ tầng => Amazon Bedrock.
• Muốn kết nối chatbot với tài liệu nội bộ => Bedrock Knowledge Bases.
• Muốn mô hình thực hiện nhiều bước và gọi hành động bên ngoài => Bedrock Agents.
• Muốn lọc nội dung không phù hợp hoặc hạn chế chủ đề nhạy cảm => Bedrock Guardrails.
• Muốn so sánh chất lượng giữa nhiều mô hình => Bedrock Model Evaluation.
• Muốn tái sử dụng phần prompt lặp lại để giảm độ trễ và chi phí => Prompt caching.

Cuối ngày, nên lập bảng phân biệt Bedrock, SageMaker AI và các dịch vụ AI chuyên biệt.

Ngày 6: Học RAG, embeddings và vector database

Ngày thứ sáu nên tập trung vào toàn bộ pipeline RAG.

Mọi người nên hiểu từng bước trong quy trình sau.

Thu thập tài liệu => Parse nội dung => Chia chunks => Tạo embeddings => Lưu vào vector store => Truy xuất nội dung liên quan => Đưa context vào prompt => Tạo câu trả lời.

Không chỉ cần nhớ thứ tự, mọi người cũng nên hiểu mục đích của từng bước.

Chunking giúp chia tài liệu thành các phần nhỏ hơn để truy xuất chính xác hơn. Embedding chuyển nội dung thành vector thể hiện ý nghĩa ngữ nghĩa. Vector store lưu embeddings và hỗ trợ tìm kiếm theo độ tương đồng. Retrieval lấy ra những đoạn nội dung phù hợp nhất với câu hỏi.

Các dịch vụ thường xuất hiện trong nhóm này gồm Amazon OpenSearch Service, Amazon Aurora PostgreSQL, Amazon RDS for PostgreSQL và các công cụ hỗ trợ vector search khác.

Sau khi học, nên tự trả lời các câu hỏi sau.

• Vì sao RAG giúp giảm hallucination.
• Vì sao RAG phù hợp với dữ liệu thường xuyên thay đổi.
• Khi nào nên dùng RAG thay vì fine-tuning.
• Vector database được sử dụng ở bước nào.
• Embedding khác với nội dung văn bản gốc như thế nào.
• Context relevance khác faithfulness như thế nào.

Ngày 7: Ôn model evaluation

Ngày thứ bảy nên tập trung vào cách đánh giá mô hình.

Các metric cần nắm gồm ROUGE, BLEU, precision, recall, F1 score, faithfulness, context relevance và human evaluation.

Không nên chỉ học định nghĩa. Mọi người cần gắn từng metric với một use case cụ thể.

Ví dụ như sau.

• Đánh giá hệ thống tóm tắt => ROUGE.
• Đánh giá hệ thống dịch máy => BLEU.
• Giảm false positive => Precision.
• Giảm false negative => Recall.
• Cân bằng precision và recall => F1 score.
• Kiểm tra câu trả lời có dựa trên context hay không => Faithfulness.
• Kiểm tra tài liệu truy xuất có liên quan hay không => Context relevance.
• Đánh giá tính hữu ích hoặc trải nghiệm thực tế => Human evaluation.

Cuối ngày, nên làm khoảng 30 câu hỏi chỉ liên quan đến metric và model evaluation. Sau mỗi câu sai, cần ghi lại lý do chọn nhầm.

Ngày 8: Học các dịch vụ AI chuyên biệt

Ngày thứ tám nên hệ thống lại các dịch vụ AI chuyên biệt trên AWS.

Các dịch vụ cần nhớ gồm các nội dung sau.

• Amazon Personalize.
• Amazon Textract.
• Amazon Translate.
• Amazon Comprehend.
• Amazon Rekognition.
• Amazon Q Developer.

Mọi người nên học theo use case thay vì chỉ nhớ tên.

Ví dụ như sau.

• Recommendation dựa trên hành vi người dùng => Amazon Personalize.
• Trích xuất text, bảng và form từ tài liệu => Amazon Textract.
• Dịch văn bản => Amazon Translate.
• Sentiment analysis và entity extraction => Amazon Comprehend.
• Phân tích hình ảnh và video => Amazon Rekognition.
• Hỗ trợ viết code, giải thích code và tạo unit test => Amazon Q Developer.

Cuối ngày, nên tạo flashcard theo định dạng sau.

Mặt trước: Tình huống sử dụng.

Mặt sau: Dịch vụ phù hợp và lý do.

Ngày 9: Học Amazon SageMaker AI

Ngày thứ chín nên tập trung vào Amazon SageMaker AI và các dịch vụ liên quan.

Các nội dung cần học gồm các chủ đề sau.

• Training.
• Deployment.
• Real-time inference.
• Batch transform.
• Serverless inference.
• SageMaker Clarify.
• SageMaker Model Cards.
• SageMaker Model Monitor.
• SageMaker Ground Truth Plus.

Mọi người cần phân biệt rõ các hình thức inference.

• Batch transform phù hợp khi xử lý khối lượng dữ liệu lớn và không cần kết quả ngay.
• Real-time inference phù hợp với chatbot, API hoặc hệ thống cần độ trễ thấp.
• Serverless inference phù hợp khi traffic không đều và muốn giảm công sức quản lý hạ tầng.

Sau đó, cần phân biệt các công cụ governance và monitoring.

• SageMaker Clarify => Bias và explainability.
• SageMaker Model Cards => Tài liệu hóa mô hình.
• SageMaker Model Monitor => Theo dõi chất lượng và drift.
• SageMaker Ground Truth Plus => Gán nhãn dữ liệu bằng workforce được quản lý.

Ngày 10: Học Responsible AI

Ngày thứ mười nên tập trung vào các nguyên tắc Responsible AI.

Các chủ đề cần nắm gồm fairness, bias, explainability, transparency, privacy, toxicity, stereotyping, plagiarism, interpretability và human oversight.

Mọi người nên học theo tình huống thực tế.

Ví dụ, trong hệ thống hỗ trợ tuyển dụng, cần kiểm tra bias đối với các nhóm ứng viên khác nhau. Trong hệ thống hỗ trợ quyết định tín dụng, cần có explainability và human oversight. Trong chatbot công khai, cần có guardrail để hạn chế nội dung độc hại hoặc không phù hợp.

Một mẹo hữu ích là luôn đặt câu hỏi sau.

“Hệ thống AI này có ảnh hưởng trực tiếp đến quyền lợi, sức khỏe, tài chính hoặc cơ hội của con người hay không.”

Nếu câu trả lời là có, đáp án phù hợp thường liên quan đến giám sát của con người, giải thích được, kiểm tra bias và quản trị rủi ro.

Ngày 11: Học security, compliance và governance

Ngày thứ mười một nên học theo chức năng của từng dịch vụ.

Các dịch vụ cần nhớ gồm các nội dung sau.

• IAM.
• AWS PrivateLink.
• AWS KMS.
• AWS CloudTrail.
• CloudTrail Lake.
• AWS Artifact.
• Amazon Macie.
• Amazon CloudWatch.
• AWS Audit Manager.

Mọi người nên phân biệt các cặp dễ nhầm như sau.

• CloudTrail => Ghi lại API activity.
• CloudWatch => Metric, log và alarm.
• Artifact => Tải báo cáo compliance của AWS.
• Audit Manager => Thu thập evidence phục vụ audit.
• KMS => Quản lý khóa mã hóa.
• PrivateLink => Kết nối riêng, không đi qua public internet.
• Macie => Phát hiện dữ liệu nhạy cảm trong Amazon S3.
• IAM => Authentication, authorization và least privilege.

Cuối ngày, nên làm một bài kiểm tra ngắn riêng về security và governance.

Ngày 12: Luyện câu hỏi theo từng domain

Ngày thứ mười hai nên làm câu hỏi theo từng nhóm kiến thức thay vì làm một đề tổng hợp ngay.

Mỗi nhóm có thể làm khoảng 20 đến 30 câu.

Sau khi hoàn thành một nhóm, cần xem lại toàn bộ câu sai và phân loại nguyên nhân.

Các nguyên nhân thường gặp gồm các nội dung sau.

• Chưa hiểu dịch vụ.
• Nhầm giữa hai dịch vụ gần giống nhau.
• Bỏ sót từ khóa quan trọng.
• Đọc sai yêu cầu.
• Chọn giải pháp đúng về kỹ thuật nhưng không tối ưu về chi phí hoặc vận hành.
• Không chú ý đến các từ MOST, MINIMUM hoặc WITHOUT MANAGING INFRASTRUCTURE.

Mục tiêu của ngày này là phát hiện lỗi theo mẫu, không chỉ xem tổng số câu đúng.

Ngày 13: Làm bài thi thử đầy đủ

Ngày thứ mười ba nên làm ít nhất một bài thi thử đầy đủ trong điều kiện gần giống bài thi thật.

Không nên tra tài liệu trong quá trình làm. Cần bấm giờ, giữ không gian yên tĩnh và làm liên tục để kiểm tra khả năng tập trung.

Trong khi làm, nên đánh dấu những câu chưa chắc chắn thay vì dừng quá lâu ở một câu.

Sau khi hoàn thành, cần xem lại toàn bộ câu sai và cả những câu trả lời đúng nhưng chỉ chọn theo cảm tính.

Đối với mỗi câu, nên ghi lại ba nội dung sau.

• Từ khóa quyết định.
• Dịch vụ hoặc khái niệm đúng.
• Lý do các phương án còn lại không phù hợp.

Nếu điểm thi thử chưa đạt mục tiêu, không nên cố làm thêm nhiều đề ngay. Tốt hơn hết là quay lại ôn đúng nhóm kiến thức đang yếu.

Ngày 14: Ôn tập nhẹ nhàng và chuẩn bị tâm lý

Ngày cuối cùng nên dành để tổng hợp, không nên học thêm quá nhiều nội dung mới.

Mọi người có thể xem lại các bảng so sánh sau.

• Amazon Bedrock và Amazon SageMaker AI.
• RAG và fine-tuning.
• Batch, real-time và serverless inference.
• Precision, recall và F1 score.
• CloudTrail và CloudWatch.
• AWS Artifact và AWS Audit Manager.
• SageMaker Clarify và SageMaker Model Monitor.
• Amazon Textract, Comprehend, Translate và Rekognition.

Nên xem lại các từ khóa thường gặp trong câu hỏi và rà soát các câu đã từng làm sai.

Buổi tối trước ngày thi, nên dừng học sớm, chuẩn bị giấy tờ và ngủ đủ. Việc cố học thêm quá nhiều vào phút cuối thường không hiệu quả bằng việc giữ tinh thần tỉnh táo.

Cách sử dụng câu hỏi luyện tập hiệu quả

Câu hỏi luyện tập chỉ thực sự hữu ích khi được dùng để phát hiện lỗ hổng kiến thức. Nếu chỉ làm thật nhiều câu rồi ghi nhớ đáp án, mọi người có thể đạt điểm tốt trong một bộ đề nhưng vẫn gặp khó khăn khi câu hỏi được diễn đạt theo cách khác.

Bước 1: Xác định yêu cầu chính trước khi nhìn đáp án

Khi đọc câu hỏi, nên xác định đề bài đang yêu cầu điều gì.

Một số yêu cầu phổ biến gồm các nội dung sau.

• Giảm chi phí.
• Giảm độ trễ.
• Giảm công sức vận hành.
• Không quản lý hạ tầng.
• Sử dụng kết nối riêng.
• Cải thiện explainability.
• Giảm hallucination.
• Cập nhật kiến thức mà không retrain.
• Giảm false positive.
• Giảm false negative.
• Xử lý dữ liệu theo batch.
• Phục vụ request theo thời gian thực.

Chỉ sau khi xác định được yêu cầu chính, mọi người mới nên xem các phương án trả lời.

Bước 2: Gạch chân từ khóa quyết định

Một số từ khóa có thể thay đổi hoàn toàn đáp án.

Ví dụ như sau.

• MOST cost-effective.
• Minimum latency.
• Minimum operational overhead.
• Without managing infrastructure.
• Real-time.
• Batch.
• Private connection.
• Frequently changing data.
• Human review.
• Explainability.
• Grounded response.

Nếu đề hỏi giải pháp “đúng”, có thể có nhiều phương án chấp nhận được. Tuy nhiên, nếu đề hỏi giải pháp “MOST cost-effective” hoặc có “minimum operational overhead”, đáp án phải tối ưu theo tiêu chí đó.

Bước 3: Tự trả lời trước khi xem đáp án

Sau khi đọc câu hỏi, nên thử tự nêu tên dịch vụ hoặc khái niệm phù hợp trước khi nhìn vào các phương án.

Ví dụ, khi đọc thấy “recommendation dựa trên lịch sử tương tác của người dùng”, nên nghĩ đến Amazon Personalize trước khi đọc đáp án.

Cách này giúp tránh bị các distractor dẫn dắt.

Bước 4: Loại trừ phương án không trực tiếp giải quyết yêu cầu

Trong bài thi, nhiều phương án có thể liên quan đến AI nhưng không trực tiếp giải quyết yêu cầu.

Ví dụ, Amazon Comprehend, Amazon Rekognition và Amazon Personalize đều là dịch vụ AI. Tuy nhiên, nếu yêu cầu là cá nhân hóa đề xuất sản phẩm, Amazon Personalize là phương án trực tiếp nhất.

Khi loại trừ, nên đặt ba câu hỏi sau.

• Dịch vụ này có giải quyết đúng vấn đề không.
• Dịch vụ này có đáp ứng ràng buộc về chi phí, độ trễ hoặc vận hành không.
• Dịch vụ này có phải là giải pháp AWS chuyên biệt nhất cho yêu cầu không.

Bước 5: Phân tích cả đáp án đúng và đáp án sai

Sau mỗi câu, không nên chỉ xem đáp án đúng.

Mọi người nên giải thích vì sao từng phương án còn lại không phù hợp.

Ví dụ như sau.

Tình huống: Doanh nghiệp muốn chatbot trả lời dựa trên tài liệu nội bộ được cập nhật hàng ngày.

Đáp án phù hợp: RAG với Amazon Bedrock Knowledge Bases.

Vì sao phù hợp: Dữ liệu thay đổi thường xuyên và cần được truy xuất khi tạo câu trả lời.

Vì sao fine-tuning không phù hợp nhất: Fine-tuning không phải cách tối ưu để cập nhật kiến thức hàng ngày.

Vì sao tăng kích thước mô hình không phù hợp: Mô hình lớn hơn không đảm bảo biết dữ liệu nội bộ mới.

Cách phân tích này giúp hiểu bản chất thay vì chỉ ghi nhớ đáp án.

Bước 6: Ghi lại lỗi theo nhóm

Nên tạo một bảng lỗi với các cột sau.

Câu hỏi => Đáp án đã chọn => Đáp án đúng => Từ khóa bị bỏ sót => Kiến thức cần ôn lại.

Có thể phân loại lỗi thành các nhóm sau.

• Thiếu kiến thức.
• Nhầm khái niệm.
• Đọc quá nhanh.
• Bỏ sót từ phủ định.
• Bỏ sót tiêu chí tối ưu.
• Không phân biệt được hai dịch vụ gần giống nhau.
• Suy luận quá phức tạp trong khi đề hỏi giải pháp đơn giản nhất.

Sau khoảng 100 câu, bảng lỗi sẽ cho thấy những vấn đề lặp lại. Đây là cơ sở để điều chỉnh kế hoạch học.

Bước 7: Làm lại câu sai sau một khoảng thời gian

Không nên làm lại câu sai ngay sau khi xem đáp án vì lúc đó mọi người thường chỉ nhớ đáp án vừa đọc.

Nên để cách một hoặc hai ngày rồi làm lại.

Nếu vẫn trả lời sai, điều đó cho thấy kiến thức chưa thực sự được hiểu.

Bước 8: Không chỉ theo dõi tổng điểm

Tổng điểm chỉ phản ánh một phần kết quả.

Nên theo dõi điểm theo từng domain hoặc từng nhóm nội dung.

Ví dụ như sau.

• Bedrock và generative AI => 85%.
• RAG và vector database => 70%.
• Responsible AI => 90%.
• Security và governance => 75%.
• Model evaluation => 65%.

Bảng này giúp biết chính xác phần nào cần ôn thêm.

Bước 9: Luyện khả năng nhận diện distractor

Một distractor tốt thường không hoàn toàn sai. Nó có thể là một dịch vụ có liên quan nhưng không phải lựa chọn phù hợp nhất.

Ví dụ như sau.

• Muốn giảm hallucination bằng dữ liệu nội bộ => RAG phù hợp hơn fine-tuning.
• Muốn truy cập Bedrock không qua public internet => PrivateLink phù hợp hơn KMS.
• Muốn xem ai đã gọi API => CloudTrail phù hợp hơn CloudWatch.
• Muốn tải báo cáo compliance của AWS => Artifact phù hợp hơn Audit Manager.
• Muốn recommendation theo hành vi người dùng => Personalize phù hợp hơn Comprehend.
• Muốn phát hiện bias => Clarify phù hợp hơn Model Monitor.

Khi luyện đề, nên chủ động ghi lại các cặp distractor thường gặp.

Bước 10: Ưu tiên chất lượng hơn số lượng

Làm 50 câu và phân tích kỹ thường hiệu quả hơn làm 300 câu nhưng chỉ xem điểm.

Một buổi luyện tập tốt có thể gồm các bước sau.

• Làm 25 câu trong thời gian giới hạn.
• Xem lại toàn bộ câu sai.
• Phân tích cả những câu đúng nhưng chưa chắc chắn.
• Ghi lại từ khóa và cặp dịch vụ dễ nhầm.
• Đọc lại tài liệu chính thức cho những phần chưa rõ.
• Làm lại các câu sai sau một hoặc hai ngày.

Mục tiêu cuối cùng là có thể giải thích đáp án bằng lời của mình.

Chuẩn bị trước ngày thi

Chuẩn bị kỹ trước ngày thi giúp giảm áp lực và tránh những lỗi không liên quan đến kiến thức.

Một tuần trước ngày thi

Khoảng một tuần trước kỳ thi, nên kiểm tra lại thông tin đăng ký.

Các nội dung cần xác nhận gồm các nội dung sau.

• Họ tên trên tài khoản có khớp với giấy tờ tùy thân hay không.
• Ngày và giờ thi có chính xác hay không.
• Múi giờ trên lịch thi có đúng hay không.
• Hình thức thi là online hay tại test center.
• Địa điểm thi có chính xác hay không.
• Các loại giấy tờ được chấp nhận.
• Chính sách đổi lịch hoặc hủy lịch thi.
• Ngôn ngữ của bài thi.
• Có được hỗ trợ thêm thời gian hay không.

Không nên đợi đến sát ngày thi mới kiểm tra vì một số thông tin có thể cần thời gian để điều chỉnh.

Ba ngày trước ngày thi

Ba ngày trước kỳ thi, nên dừng việc mở rộng quá nhiều nội dung mới.

Thay vào đó, hãy tập trung vào các nhóm sau.

• Câu hỏi đã từng làm sai.
• Các bảng so sánh dịch vụ.
• Từ khóa trong câu hỏi.
• Những domain có điểm luyện tập thấp.
• Các cặp dịch vụ thường bị nhầm.

Có thể làm thêm một bài thi thử cuối cùng, nhưng không nên làm liên tục quá nhiều đề trong một ngày.

Sau bài thi thử, cần xem lại lỗi và chỉ ôn đúng phần còn yếu.

Một ngày trước ngày thi

Ngày trước kỳ thi nên ưu tiên sự ổn định.

Mọi người nên thực hiện các việc sau.

• Chuẩn bị giấy tờ tùy thân.
• Kiểm tra email xác nhận lịch thi.
• Xác nhận thời gian bắt đầu.
• Chuẩn bị đường đi nếu thi tại test center.
• Kiểm tra máy tính nếu thi online.
• Sắp xếp không gian thi yên tĩnh.
• Dừng học sớm.
• Ngủ đủ giấc.

Không nên học đến quá khuya. Việc thiếu ngủ có thể ảnh hưởng đến khả năng đọc hiểu và nhận diện từ khóa trong câu hỏi.

Nếu thi online

Nếu thi online, nên kiểm tra hệ thống trước ngày thi.

Các nội dung cần kiểm tra gồm các nội dung sau.

• Hệ điều hành có được hỗ trợ hay không.
• Camera có hoạt động ổn định hay không.
• Microphone có hoạt động hay không.
• Kết nối Internet có ổn định hay không.
• Máy tính có quyền chạy phần mềm thi hay không.
• Có phần mềm nào chạy nền gây xung đột hay không.
• Có màn hình phụ được kết nối hay không.
• Không gian thi có đáp ứng yêu cầu hay không.

Nên sử dụng mạng LAN nếu có thể. Nếu sử dụng Wi-Fi, cần đảm bảo tín hiệu ổn định.

Không gian thi nên sạch, yên tĩnh và không có tài liệu, điện thoại hoặc thiết bị không được phép sử dụng.

Nên đăng nhập sớm theo thời gian được hướng dẫn để hoàn thành quy trình check-in.

Nếu thi tại test center

Nếu thi tại test center, nên kiểm tra đường đi trước.

Mọi người nên đến sớm để có thời gian làm thủ tục.

Cần mang đúng giấy tờ tùy thân theo yêu cầu. Không nên mang quá nhiều đồ dùng cá nhân vì có thể phải gửi vào tủ khóa.

Trước khi bắt đầu, nên nghe kỹ hướng dẫn của nhân viên coi thi và hỏi ngay nếu có vấn đề với máy tính, chuột, bàn phím hoặc tai nghe.

Chuẩn bị tài liệu ôn tập cuối cùng

Trước ngày thi, chỉ nên giữ một bộ tài liệu tóm tắt ngắn.

Bộ tài liệu này có thể gồm các nội dung sau.

• Một trang về Amazon Bedrock.
• Một trang về RAG và fine-tuning.
• Một trang về model evaluation.
• Một trang về các dịch vụ AI chuyên biệt.
• Một trang về Responsible AI.
• Một trang về security và governance.
• Một bảng các cặp dịch vụ dễ nhầm.
• Một danh sách từ khóa thường gặp.

Không nên cố đọc lại toàn bộ tài liệu AWS trong ngày cuối.

Chiến lược khi bắt đầu bài thi

Khi bài thi bắt đầu, nên dành vài giây để ổn định nhịp đọc.

Đối với mỗi câu hỏi, có thể làm theo quy trình sau.

• Đọc câu hỏi cuối cùng trước để biết đề đang yêu cầu điều gì.
• Quay lại đọc phần tình huống.
• Gạch từ khóa quan trọng trong đầu.
• Loại bỏ phương án không trực tiếp giải quyết yêu cầu.
• Chọn đáp án tốt nhất theo tiêu chí của đề.
• Đánh dấu câu chưa chắc chắn để xem lại.

Nếu gặp câu dài, không nên hoảng. Nhiều câu có phần mô tả dài nhưng yêu cầu chính chỉ nằm trong một hoặc hai cụm từ.

Quản lý thời gian trong phòng thi

Không nên dành quá nhiều thời gian cho một câu ở lượt đầu.

Nếu chưa chắc chắn, hãy chọn phương án hợp lý nhất, đánh dấu câu hỏi và tiếp tục.

Sau khi hoàn thành lượt đầu, quay lại các câu đã đánh dấu.

Ở lượt xem lại, nên tập trung vào các câu có các từ như NOT, LEAST, MOST hoặc MINIMUM vì đây là những câu dễ đọc nhầm.

Không nên thay đổi đáp án chỉ vì cảm thấy không yên tâm. Chỉ nên đổi khi tìm được lý do rõ ràng cho thấy lựa chọn ban đầu chưa đúng.

Giữ tâm lý ổn định

Trong bài thi có thể xuất hiện một số câu về chủ đề chưa từng gặp. Điều này là bình thường.

Không cần phải chắc chắn 100% ở mọi câu.

Khi gặp nội dung lạ, hãy quay lại các nguyên tắc cơ bản.

• Dịch vụ nào giải quyết trực tiếp yêu cầu nhất.
• Phương án nào giảm công sức vận hành nhất.
• Phương án nào phù hợp với từ khóa về chi phí hoặc độ trễ.
• Dịch vụ nào được quản lý hoàn toàn.
• Giải pháp nào đúng với nguyên tắc least privilege và Responsible AI.

Giữ nhịp làm bài ổn định thường quan trọng hơn việc cố giải quyết hoàn hảo từng câu.

Sau khi hoàn thành bài thi

Trước khi nộp bài, nên kiểm tra lại các câu đã đánh dấu và những câu có từ phủ định.

Chương trình ưu đãi AI to Cloud

Theo thông tin chương trình mình tham khảo khi viết bài, chương trình AI to Cloud sử dụng promo code sau.

AIF2CLOUD.

Khi áp dụng mã tại bước thanh toán qua Pearson VUE, thí sinh có thể được giảm 50% lệ phí thi AWS Certified AI Practitioner – AIF-C01.

Theo điều kiện chương trình được cung cấp, nếu hoàn thành và vượt qua kỳ thi AIF-C01 đủ điều kiện trước ngày 30/09/2026, thí sinh có thể nhận quyền thi AWS Certified Cloud Practitioner – CLF-C02 miễn phí.

Kỳ thi Cloud Practitioner cần được hoàn thành trước ngày 30/11/2026.

Chương trình được mô tả là áp dụng cho người từ 18 tuổi, đăng ký qua Pearson VUE và không được kết hợp với một số voucher hoặc ưu đãi khác.

Do các chương trình khuyến mãi có thể được điều chỉnh, hết hạn hoặc thay đổi điều kiện, mọi người nên kiểm tra trực tiếp trên trang AWS Certification và Pearson VUE trước khi đăng ký hoặc thanh toán.

Trang Pearson VUE dành cho AWS nằm tại địa chỉ sau.

https://www.pearsonvue.com/us/en/aws.html.

Tổng kết

AWS Certified AI Practitioner – AIF-C01 là chứng chỉ foundational nhưng phạm vi kiến thức tương đối rộng.

Bài thi không yêu cầu đi quá sâu vào lập trình hoặc toán học, nhưng đòi hỏi người học phải phân biệt được nhiều dịch vụ và lựa chọn đúng giải pháp theo từng tình huống.

Theo trải nghiệm của mình, những nội dung nên ưu tiên nhất gồm Amazon Bedrock, RAG, vector database, prompt engineering, model evaluation, Responsible AI, security, compliance và governance.

Cách học hiệu quả nhất không phải là cố ghi nhớ mọi định nghĩa. Thay vào đó, mọi người nên học theo cấu trúc sau.

Requirement => Service => Key differentiator => Common distractor.

Sau đó, hãy luyện nhiều câu hỏi tình huống, phân tích kỹ lý do đúng và sai của từng phương án, đồng thời thực hành một số workshop cơ bản nếu có thời gian.

Đối với những người đã có nền tảng AWS, phần cloud service có thể không quá khó. Tuy nhiên, vẫn nên dành thời gian học kỹ Amazon Bedrock và các khái niệm generative AI vì đây là những nội dung tương đối mới và có nhiều tính năng dễ nhầm.

Hy vọng những chia sẻ trên sẽ giúp mọi người có thêm định hướng khi chuẩn bị cho kỳ thi AWS Certified AI Practitioner – AIF-C01.

Chúc mọi người ôn tập hiệu quả và đạt được kết quả như mong đợi.