Chứng chỉ AI Practitioner của AWS tự nhận không đo việc FDE làm

Exam guide của AWS Certified AI Practitioner có một câu đáng đọc chậm: ứng viên mục tiêu là người dùng, chứ không nhất thiết xây, giải pháp AI/ML trên AWS. Với FDE, câu này quyết định cách học cả khoá.

AIF-C01 là chứng chỉ nền tảng do AWS phát hành. Đề kiểm tra mức hiểu khái niệm AI và các công cụ AI của AWS, nghiêng về ứng dụng kinh doanh. Exam guide cũng liệt kê thẳng những gì nằm ngoài phạm vi: lập trình mô hình, xây và triển khai pipeline hoặc hạ tầng AI/ML, tinh chỉnh siêu tham số.

Mà đó lại chính là việc của FDE ở chỗ khách hàng. Vậy có đáng học không? Đáng, nếu bạn sắp vào một deployment trên AWS và cần nói chung ngôn ngữ với kiến trúc sư phía khách về Bedrock, RAG hay đánh giá model. Không đáng, nếu bạn mong tấm chứng chỉ chứng minh được rằng bạn đã đưa một agent vào production.

Điểm số thực ra nằm ở đâu?

Đề có 65 câu trong 90 phút, nhưng 15 câu không tính điểm, nên chỉ còn 50 câu quyết định kết quả. Đem trọng số từng miền nhân với 50 câu đó, bạn có con số ước tính sau:

Miền	Trọng số	Ước tính số câu tính điểm
AI/ML cơ bản	20%	khoảng 10
GenAI cơ bản	24%	khoảng 12
Ứng dụng Foundation Model	28%	khoảng 14
AI có trách nhiệm	14%	khoảng 7
Bảo mật, tuân thủ, quản trị	14%	khoảng 7

Điểm thi tính trên thang 100–1.000, đậu ở mức 700, chấm theo kiểu bù trừ nên không cần đạt ở từng miền. Như vậy riêng hai miền GenAI và Foundation Model đã chiếm khoảng 26 trên 50 câu. Lệ phí thi là 100 USD, chứng chỉ có hiệu lực 3 năm.

May cho FDE là phần nhiều điểm nhất cũng là phần gần nhất với công việc thật: miền 3. Có ba ý trong miền này nên giữ lại sau khi thi xong.

RAG được hỏi như một câu chuyện kinh doanh

Đề yêu cầu bạn định nghĩa Retrieval Augmented Generation và mô tả ứng dụng kinh doanh của nó, với ví dụ là Amazon Bedrock Knowledge Bases. Cách đặt câu hỏi này dạy đúng kỹ năng FDE hay thiếu: giải thích RAG bằng vấn đề của khách, chứ không bằng sơ đồ vector.

Thử hình dung một công ty bảo hiểm muốn chatbot trả lời theo bộ điều khoản nội bộ, mà bộ điều khoản thay đổi mỗi quý.

Một câu tự soạn theo kiểu đề sẽ hỏi: công ty muốn câu trả lời luôn khớp điều khoản mới nhất với chi phí thấp, vậy nên pre-train một model riêng, fine-tune lại mỗi quý, dán cả bộ điều khoản vào prompt, hay dùng RAG với Bedrock Knowledge Bases?

Cách giải là loại dần. Pre-train quá đắt cho một dự án triển khai. Fine-tune mỗi quý nghĩa là cứ đổi điều khoản lại phải huấn luyện lại. Dán cả bộ tài liệu vào prompt thì câu hỏi nào cũng phải trả token cho toàn bộ điều khoản.

Còn lại RAG: tài liệu nằm ngoài model, cập nhật tài liệu thì câu trả lời đổi theo, không phải huấn luyện lại gì cả. Đó cũng là câu bạn sẽ nói với người làm kinh doanh phía khách. Khi học miền 3, hãy tập gạt phương án sai kèm lý do, vì đó chính là cách bạn sẽ bảo vệ kiến trúc trong buổi họp thật.

Mỗi cách tuỳ biến model trả giá ở một chỗ khác

Đề hỏi về đánh đổi chi phí giữa pre-training, fine-tuning, in-context learning, RAG và model distillation. Ở chỗ khách hàng, câu hỏi này thường đến dưới dạng “sao mình không fine-tune luôn cho rồi?”.

Một cách trả lời có lý là xếp các lựa chọn theo mức tốn kém: in-context learning chỉ tốn công viết prompt và token, RAG tốn thêm công dựng và duy trì nguồn dữ liệu, fine-tuning cần dữ liệu gán nhãn và mỗi lần đổi là phải huấn luyện lại, còn pre-training gần như không bao giờ là lựa chọn của một dự án triển khai.

Đề chỉ hỏi ở mức khái niệm, nhưng nếu bạn tự viết được bảng so sánh này thì đã có sẵn tài liệu dùng cho buổi tư vấn kiến trúc đầu tiên.

Đánh giá model: đề dạy tên gọi, khách cần con số

Miền 3 nói tới Bedrock Model Evaluation, benchmark dataset, đánh giá có người trong vòng lặp, cùng các chỉ số ROUGE, BLEU, BERTScore và LLM-as-a-judge. Tất cả dừng ở mức khái niệm, không dạy cách tự dựng một bộ eval.

Đây là khoảng trống lớn nhất của khoá học. Thuộc định nghĩa ROUGE là đủ để qua đề. Nhưng muốn chứng minh với khách rằng chatbot trả lời đúng, bạn cần một bộ câu hỏi lấy từ chính tài liệu của họ, có đáp án chuẩn, chạy lại sau mỗi lần sửa prompt.

Học theo thứ tự nào thì đỡ phí công?

Nếu đang bắt đầu từ con số không, AWS Educate có lộ trình dẫn tới AIF-C01, gồm Foundations of ML và Generative AI, có cả Amazon Bedrock. Sau đó chuyển sang Exam Prep Plan trên AWS Skill Builder, lộ trình ôn thi mà AWS chỉ định.

Phần miễn phí gồm khoá Exam Prep 2 giờ và bộ 20 câu luyện tập chính thức, đủ để bạn biết dạng đề trước khi trả tiền. Bản Enhanced phải đăng ký trả phí, có thêm câu luyện tập và lab.

Official Pretest đi kèm khoá đăng ký trên Skill Builder, nên nhiều khả năng bạn cần một gói trả phí mới làm được. Nếu đã quyết định trả, hãy làm pretest để đo mức sẵn sàng rồi mới đăng ký thi; nếu chưa, bộ 20 câu miễn phí là phép thử tối thiểu.

Khi ôn, dùng danh sách dịch vụ trong phạm vi đề làm khung: Amazon Bedrock, Bedrock AgentCore, Amazon Nova, SageMaker AI, SageMaker JumpStart, cùng Kiro và Strands Agents ở nhóm công cụ lập trình. AWS ghi rõ danh sách này chưa đầy đủ và có thể thay đổi, nên đừng bỏ công học thuộc lòng nó.

Thi xong thì phải tự bù phần nào?

Bù đúng những gì exam guide đã loại ra. Hãy dựng một Bedrock Knowledge Base trên một bộ tài liệu công khai, viết bộ eval của riêng bạn, ghi lại điểm trước và sau mỗi thay đổi. Dự án đó cho thấy bạn làm được phần việc mà đề thi không kiểm tra.

Trong CV, đừng để chứng chỉ đứng một mình. Ghi nó cạnh dự án ấy, kèm một con số đo được. Nếu job description FDE bạn nhắm tới có những cụm như “Bedrock”, “RAG” hay “evaluation”, AIF-C01 cho thấy bạn nắm từ vựng; nhưng hãy chuẩn bị để chứng minh cả phần build, vì đó là phần AWS đã ghi rõ là nằm ngoài phạm vi đề.