AWS AI Services

Mục lục

1. Tổng quan

Các dịch vụ AI/ML có sẵn mà không yêu cầu chuyên môn về ML, mình chỉ sử dụng chúng.

2. Natural Language Processing - NLP

2.1 Amazon Comprehend #important

Mục đích: Phân tích văn bản và NLP

Các tính năng chính:

  • Sentiment analysis - Tích cực, tiêu cực, trung tính, hỗn hợp
  • Entity recognition - Người, địa điểm, ngày tháng, tổ chức, số lượng
  • Key phrase extraction - Các cụm từ quan trọng từ văn bản
  • Language detection - Xác định ngôn ngữ (hơn 100 ngôn ngữ)
  • Topic modeling - Khám phá các chủ đề trong tập hợp tài liệu
  • Syntax analysis - Gắn thẻ từ loại (POS tagging), mã hóa (tokenization)
  • Custom entities - Huấn luyện mô hình nhận dạng thực thể tùy chỉnh
  • Custom classification - Huấn luyện mô hình phân loại tùy chỉnh
  • PII detection - Xác định thông tin nhận dạng cá nhân (Personally identifiable information)

Use Cases:

  • Phân tích phản hồi/đánh giá của khách hàng
  • Phân loại nội dung (Content categorization)
  • Tuân thủ (Phát hiện dữ liệu nhạy cảm)
  • Theo dõi cảm xúc trên mạng xã hội

Tips:

  • Dịch vụ pre-trained (không cần huấn luyện mô hình cho các tính năng cơ bản)
  • Phân loại tùy chỉnh (Custom classification) yêu cầu dữ liệu huấn luyện đã được gán nhãn
  • Hỗ trợ chế độ thời gian thực (synchronous) và hàng loạt (asynchronous)
  • Đầu ra: JSON với điểm tin cậy (confidence scores)

2.2 Amazon Translate #important

Mục đích: Dịch máy nơ-ron

Các tính năng chính:

  • Hỗ trợ hơn 75 ngôn ngữ
  • Dịch thời gian thực và hàng loạt (batch translation)
  • Custom terminology (Thuật ngữ tùy chỉnh) - Bản dịch dành riêng cho miền/lĩnh vực (Domain-specific)
  • Active Custom Translation - Tinh chỉnh bằng dữ liệu song song
  • Formality setting - Thiết lập độ trang trọng (Trang trọng vs thân mật)
  • Profanity masking (Che giấu từ ngữ tục tĩu)

Use Cases:

  • Bản địa hóa nội dung cho người dùng toàn cầu
  • Dịch các phiếu hỗ trợ khách hàng (customer support tickets)
  • Dịch chat thời gian thực
  • Dịch tài liệu

Tips:

  • Tự động phát hiện ngôn ngữ nguồn
  • Tính phí dựa trên số lượng ký tự được dịch
  • Hỗ trợ văn bản thuần túy (plain text) và HTML
  • Thuật ngữ tùy chỉnh giúp cải thiện độ chính xác cho từng lĩnh vực cụ thể

2.3 Amazon Transcribe #important

Mục đích: Chuyển đổi giọng nói thành văn bản (Speech-to-text / Automatic speech recognition)

Các tính năng chính:

  • Phiên âm thời gian thực và hàng loạt
  • Speaker identification (Diarization) - Xác định người nói: “Ai đã nói gì?”
  • Custom vocabulary - Thuật ngữ chuyên ngành, từ viết tắt
  • Automatic punctuation and formatting (Tự động chấm câu và định dạng)
  • PII redaction - Xóa âm thanh/văn bản nhạy cảm
  • Language identification - Tự động phát hiện ngôn ngữ
  • Multi-channel audio - Tách các kênh âm thanh (tổng đài: tư vấn viên vs khách hàng)
  • Subtitle generation - Tạo phụ đề các định dạng WebVTT, SRT

Specialty Options:

  • Medical - Thuật ngữ y tế (Đủ điều kiện HIPAA)
  • Call Analytics - Phân tích cảm xúc, ngắt lời, thời gian nói, phát hiện vấn đề

Use Cases:

  • Phiên âm cuộc họp
  • Phân tích tổng đài
  • Tạo phụ đề
  • Backend cho trợ lý giọng nói

Tips:

  • Hỗ trợ hơn 100 ngôn ngữ
  • Từ vựng tùy chỉnh giúp cải thiện độ chính xác cho các thuật ngữ kỹ thuật
  • Call Analytics giúp cung cấp thông tin chi tiết về dịch vụ khách hàng
  • Phiên bản Medical dành cho y tế (Tuân thủ HIPAA)

3. Text-to-Speech

3.1 Amazon Polly #important

Mục đích: Tổng hợp giọng nói từ văn bản (Text-to-speech synthesis)

Các tính năng chính:

  • Neural TTS (NTTS) - Giọng nói tự nhiên, giống người nhất
  • Standard TTS - Chi phí thấp hơn, ít tự nhiên hơn
  • Hơn 60 giọng nói với hơn 30 ngôn ngữ
  • SSML support - Kiểm soát phát âm, nhấn mạnh, tạm dừng
  • Speech marks - Siêu dữ liệu (Metadata) cho hoạt ảnh nhép môi (lip-sync animation)
  • Lexicons - Phát âm tùy chỉnh
  • Newscaster style - Giọng đọc tin tức
  • Conversational style - Giọng điệu trò chuyện tự nhiên

Use Cases:

  • Trợ lý giọng nói
  • Đọc thuyết minh E-learning
  • Hỗ trợ khả năng tiếp cận (Accessibility - trình đọc màn hình)
  • Hệ thống IVR (Menu điện thoại tự động)

Tips:

  • Tính phí dựa trên số ký tự được tổng hợp
  • Neural voices đắt hơn nhưng chất lượng tốt hơn
  • Định dạng đầu ra: MP3, OGG, PCM
  • Có thể stream âm thanh để phát lại theo thời gian thực

4. Computer Vision

4.1 Amazon Rekognition #important

Mục đích: Phân tích hình ảnh và video

Các tính năng chính:

  • Object and scene(bối cảnh) detection - Ô tô, con người, bãi biển, v.v.
  • Facial analysis - Độ tuổi, giới tính, cảm xúc, thuộc tính (kính, râu)
  • Face comparison - So sánh độ tương đồng của hai khuôn mặt
  • Face search - Tìm kiếm khuôn mặt trong cơ sở dữ liệu khuôn mặt
  • Celebrity recognition (Nhận dạng người nổi tiếng)
  • Text in images (OCR) - Phát hiện và trích xuất văn bản
  • Custom labels - Huấn luyện mô hình phát hiện đối tượng/bối cảnh tùy chỉnh
  • Content moderation - Phát hiện nội dung không phù hợp (bạo lực, ảnh khỏa thân)
  • PPE detection - Phát hiện thiết bị bảo hộ an toàn (mũ cứng, khẩu trang)

Các tính năng chính (Video):

  • Áp dụng tất cả các tính năng của hình ảnh cho video
  • Person tracking - Theo dõi người qua các khung hình
  • Activity detection - Các hoạt động: chạy, nhảy, v.v.
  • Segment detection - Khung hình đen, chuyển cảnh, credit

Use Cases:

  • Kiểm duyệt nội dung
  • Xác thực khuôn mặt
  • Theo dõi người trong camera giám sát
  • Nhận dạng sản phẩm
  • Phân tích phương tiện truyền thông

Tips:

  • Custom Labels - AutoML cho thị giác tùy chỉnh (không cần chuyên môn ML)
  • Cần tối thiểu 10 hình ảnh cho mỗi nhãn (label) đối với các mô hình tùy chỉnh
  • Thời gian thực (đối với hình ảnh) và bất đồng bộ (asynchronous, đối với video)
  • Face collections dùng cho tìm kiếm khuôn mặt (lên đến 20 triệu khuôn mặt)
  • Content moderation có các ngưỡng tin cậy (confidence thresholds)

4.2 Amazon Textract #exam-tip

Mục đích: OCR + Trích xuất cấu trúc tài liệu

Các tính năng chính:

  • Text detection - Giống Rekognition nhưng tốt hơn cho tài liệu
  • Form extraction - Cặp Key-value (Tên: John, Ngày sinh: 01/01/1990)
  • Table extraction - Trích xuất các bảng với các mối quan hệ
  • Query-based extraction - Truy vấn kiểu: “Số hóa đơn là bao nhiêu?”
  • Identity documents - Trích xuất thông tin hộ chiếu, giấy phép lái xe
  • Invoice/receipt analysis - Phân tích dữ liệu tài liệu tài chính có cấu trúc

Điểm khác biệt so với Rekognition:

  • Rekognition: Văn bản trong bối cảnh tự nhiên (biển báo, nhãn mác)
  • Textract: Cấu trúc tài liệu và biểu mẫu (PDF, bản scan)

Use Cases:

  • Tự động hóa xử lý hóa đơn
  • Số hóa biểu mẫu
  • Tìm kiếm và lập chỉ mục tài liệu
  • Xác minh KYC (Know Your Customer)

Tips:

  • Tốt hơn Rekognition cho các tài liệu có cấu trúc
  • Trả về bounding boxes và điểm tin cậy
  • Hỗ trợ PDF, PNG, JPG, TIFF
  • Tính năng Queries dùng để trích xuất dữ liệu cụ thể

5. Conversational AI

5.1 Amazon Lex #important

Mục đích: Xây dựng chatbots, voice bots

Các tính năng chính:

  • Intents - Mục tiêu của người dùng (BookHotel, CheckWeather)
  • Slots - Thông tin yêu cầu (Ngày, Địa điểm, Loại phòng)
  • Fulfillment - Thực thi hành động qua Lambda
  • Multi-turn conversations - Duy trì bối cảnh hội thoại
  • Sentiment analysis - Tích hợp phân tích cảm xúc
  • Multi-language support - Hỗ trợ đa ngôn ngữ
  • 8 kHz audio support - Chất lượng âm thanh cuộc gọi điện thoại

Tích hợp:

  • Website, ứng dụng di động, Slack, Facebook Messenger
  • Amazon Connect (tổng đài)
  • Polly cho đầu ra giọng nói, Transcribe cho đầu vào giọng nói

Use Cases:

  • Chatbot chăm sóc khách hàng
  • Trợ lý giọng nói
  • FAQ bots
  • Transactional bots (đặt pizza, đặt lịch hẹn)

Tips:

  • Cùng công nghệ với Amazon Alexa
  • Sử dụng Lambda cho business logic (fulfillment)
  • Tích hợp sẵn nhận dạng giọng nói tự động (ASR) và NLU
  • Quản lý version và alias để triển khai bot

6. Search and Knowledge

6.1 Amazon Kendra #exam-tip

Mục đích: Tìm kiếm thông minh cho doanh nghiệp (Enterprise search, được hỗ trợ bởi NLP)

Các tính năng chính:

  • Natural language queries (Truy vấn ngôn ngữ tự nhiên) - Ví dụ: “Làm cách nào để đặt lại mật khẩu?” (không chỉ dùng từ khóa)
  • ML-powered relevance (Mức độ liên quan nhờ ML) - Học từ các tương tác của người dùng
  • Connectors - Kết nối với S3, SharePoint, Salesforce, ServiceNow, RDS, OneDrive
  • Document ranking - Đánh giá xếp hạng dựa trên độ mới, độ phổ biến, mức độ liên quan
  • Incremental learning - Phản hồi từ người dùng giúp cải thiện kết quả
  • FAQ support - Trả lời trực tiếp từ các tài liệu FAQ
  • Access control - Tôn trọng quyền truy cập tài liệu

Use Cases:

  • Tìm kiếm cơ sở kiến thức nội bộ
  • Cổng hỗ trợ khách hàng
  • Nghiên cứu và điều tra
  • Tìm kiếm các thông tin về tuân thủ và quy định

Tips:

  • Là tìm kiếm cho doanh nghiệp, không phải tìm kiếm trên web
  • Trả về các đoạn trích của tài liệu chứa câu trả lời
  • Hiểu được ngôn ngữ tự nhiên
  • Đắt tiền

7. Personalization

7.1 Amazon Personalize #important

Mục đích: Gợi ý cá nhân hóa theo thời gian thực

Các tính năng chính:

  • ML-powered recommendations - Cùng công nghệ với Amazon.com
  • Real-time - Cập nhật ngay khi người dùng tương tác
  • Recipes (algorithms):
    • Cá nhân hóa người dùng (Gợi ý cho người dùng)
    • Các mục tương tự (Sản phẩm liên quan)
    • Xếp hạng cá nhân hóa (Sắp xếp lại các mục cho người dùng)
    • Các mục đang thịnh hành (Trending items)
  • Cold start - Xử lý vấn đề người dùng/sản phẩm mới
  • Business rules - Lọc/quảng bá một số mặt hàng nhất định
  • A/B testing support

Dữ liệu đầu vào:

  • Interactions - Tương tác giữa người dùng và sản phẩm (click, mua hàng, xem)
  • Users - Siêu dữ liệu người dùng (tuổi, vị trí)
  • Items - Siêu dữ liệu sản phẩm (danh mục, giá, mô tả)

Use Cases:

  • Gợi ý sản phẩm cho E-commerce
  • Gợi ý nội dung (phim, bài viết)
  • Cá nhân hóa marketing
  • Cá nhân hóa chiến dịch Email

Tips:

  • Yêu cầu dữ liệu tương tác trong quá khứ (tối thiểu 25+ người dùng, 1000+ tương tác)
  • Được quản lý hoàn toàn (Fully managed, không cần chuyên môn ML)
  • Suy luận thời gian thực (Real-time inference) qua API
  • Recipes = Các thuật toán dựng sẵn cho các trường hợp sử dụng khác nhau
  • Huấn luyện tăng cường (Incremental training) với dữ liệu mới

8. Human-in-the-Loop

8.1 Amazon Augmented AI (A2I) #exam-tip

Mục đích: Đưa con người vào đánh giá các dự đoán ML

Các tính năng chính:

  • Human review workflows - Chuyển các dự đoán có độ tin cậy thấp cho con người xem xét
  • Integration: Tích hợp với Rekognition, Textract, SageMaker, Custom models
  • Workforce options (Lực lượng lao động):
    • Amazon Mechanical Turk (Nguồn lực cộng đồng công khai)
    • Private workforce (Nhân viên của bạn)
    • Vendor workforce (Đội ngũ do bên thứ ba quản lý)
  • Review UI templates - Giao diện xem xét có thể tùy chỉnh hoặc sử dụng mẫu dựng sẵn
  • Confidence thresholds - Tự động kích hoạt quy trình xem xét (dựa trên ngưỡng tin cậy)

Use Cases:

  • Xem xét kiểm duyệt nội dung
  • Xác minh tài liệu (Đối với các phần trích xuất có độ tin cậy thấp)
  • Xác thực dữ liệu nhạy cảm
  • Đảm bảo chất lượng (QA) cho các dự đoán ML

Quy trình (Workflow):

  1. Mô hình ML đưa ra dự đoán
  2. Nếu confidence < threshold → chuyển cho con người xem xét
  3. Con người xem xét và sửa chữa
  4. Phản hồi giúp cải thiện mô hình

Tips:

  • Human-in-the-loop ML (Con người nằm trong vòng lặp ML)
  • Sử dụng khi cần độ chính xác cao
  • Tích hợp với Rekognition (kiểm duyệt nội dung), Textract (biểu mẫu)
  • Có thể dùng cho các mô hình tùy chỉnh của SageMaker

8.2 Amazon Mechanical Turk (MTurk) #exam-tip

Mục đích: Nền tảng crowdsourcing (nguồn lực cộng đồng) cho các tác vụ cần trí tuệ con người (Human Intelligence Tasks - HITs)

Định nghĩa:

  • Nền tảng kết nối người yêu cầu với người lao động (workers, được gọi là “Turkers”)
  • Người lao động thực hiện các tác vụ cần đến phán đoán của con người
  • Mô hình trả tiền theo tác vụ (Pay-per-task)
  • Lực lượng lao động toàn cầu (hàng trăm ngàn workers)

Đặc điểm chính:

  • Public workforce - Bất kỳ ai cũng có thể đăng ký làm worker
  • Scalable - Xử lý hàng ngàn tác vụ song song
  • Cost-effective - Thường từ $0.01 đến $1.00 mỗi tác vụ
  • Fast turnaround - Tác vụ hoàn thành trong vài phút đến vài giờ
  • Quality control (Kiểm soát chất lượng) - Bài kiểm tra trình độ, đánh giá worker, bỏ phiếu theo đa số

Các tác vụ ML phổ biến:

  • Data labeling - Phân loại hình ảnh, bounding boxes
  • Text annotation - Gán nhãn cảm xúc, gắn thẻ thực thể
  • Data collection - Khảo sát, tạo nội dung
  • Data verification - Xác thực dự đoán ML
  • Content moderation - Gắn cờ nội dung không phù hợp

Tích hợp với dịch vụ AWS ML:

  • SageMaker Ground Truth - Sử dụng MTurk để gán nhãn dữ liệu
  • Amazon A2I - Sử dụng MTurk cho quy trình đánh giá của con người
  • Direct API access - Truy cập API trực tiếp để xây dựng quy trình HIT tùy chỉnh

Khi nào nên dùng MTurk thay vì các Workforce khác: #exam-tip

Trường hợp (Use Case) Lựa chọn Workforce
Dữ liệu công khai, độ nhạy cảm thấp Mechanical Turk (rẻ nhất, nhanh nhất)
Dữ liệu mật/độc quyền Private workforce (nhân viên của bạn)
Cần chuyên môn trong lĩnh vực Vendor workforce (chuyên gia được quản lý)
Khối lượng lớn, tác vụ đơn giản Mechanical Turk
Tác vụ phức tạp cần đào tạo Private hoặc vendor workforce
Dữ liệu HIPAA/PII Private workforce (KHÔNG dùng MTurk) #gotcha

Tips:

  • MTurk = public workforce - Đừng dùng cho dữ liệu nhạy cảm/bảo mật
  • Ground Truth mặc định dùng MTurk nhưng cũng hỗ trợ private workforces
  • A2I workforce options: MTurk (public), Private (nhóm của bạn), Vendor (quản lý)
  • Chi phí (Cost): MTurk rẻ nhất, Vendor đắt nhất
  • Kiểm soát chất lượng: Dùng sự đồng thuận (nhiều workers), bằng cấp, tiêu chuẩn vàng
  • Không dành cho dữ liệu nhạy cảm: PHI, PII, bí mật thương mại → sử dụng private workforce #gotcha

Chiến lược kiểm soát chất lượng:

  1. Consensus (Đồng thuận) - Nhiều workers gán nhãn cho cùng một item, lấy ý kiến số đông
  2. Qualifications (Chứng chỉ) - Yêu cầu workers vượt qua bài kiểm tra
  3. Master workers - Những workers chất lượng cao đã được kiểm duyệt (mức phí premium)
  4. Gold standard data (Dữ liệu tiêu chuẩn vàng) - Các mục kiểm tra ẩn đã biết trước câu trả lời
  5. Worker ratings - Theo dõi và lọc dựa trên độ chính xác

Mô hình định giá (Pricing Model):

  • Trả tiền cho mỗi tác vụ hoàn thành (HIT)
  • Tự thiết lập mức giá cho mỗi tác vụ
  • MTurk thu phí 20% (40% cho các tác vụ cần từ 10+ workers)
  • Ví dụ: $0.10/tác vụ, 1000 tác vụ = Tổng chi phí $120 ($100 + $20 phí)

9. Anomaly Detection

9.1 Amazon Lookout Family #exam-tip

Mục đích: Dịch vụ phát hiện bất thường đặc thù theo từng ngành

Các dịch vụ (Services):

Lookout for Metrics

  • Mục đích: Phát hiện các bất thường trong số liệu kinh doanh (KPIs)
  • Use case: Doanh thu giảm đột ngột, lưu lượng truy cập tăng vọt, tỷ lệ chuyển đổi thay đổi
  • Tính năng (Features):
    • Tự động phát hiện bất thường
    • Phân tích nguyên nhân gốc rễ (Root cause analysis)
    • Tích hợp: S3, Redshift, CloudWatch, AppFlow (SaaS sources)

Lookout for Vision

  • Mục đích: Phát hiện lỗi trong sản xuất (kiểm tra bằng thị giác - visual inspection)
  • Use case: Kiểm soát chất lượng, kiểm tra sản phẩm
  • Tính năng (Features): Thị giác máy tính để phát hiện khuyết tật
  • Huấn luyện (Training): Chỉ cần 30 hình ảnh

Lookout for Equipment

  • Mục đích: Phát hiện các bất thường của thiết bị (bảo trì dự đoán - predictive maintenance)
  • Use case: Thiết bị công nghiệp, cảm biến IoT
  • Tính năng (Features): Phân tích dữ liệu cảm biến, phát hiện sớm các hỏng hóc

Tips:

  • Metrics: Các KPIs kinh doanh
  • Vision: Khuyết tật trong sản xuất
  • Equipment: Cảm biến IoT trong công nghiệp
  • Tất cả đều sử dụng ML để phát hiện bất thường mà không cần chuyên môn ML

10. Fraud Detection

10.1 Amazon Fraud Detector #important

Mục đích: Phát hiện gian lận trực tuyến bằng ML

Các tính năng chính:

  • Pre-built fraud models (Mô hình gian lận dựng sẵn):
    • Gian lận trực tuyến (chiếm đoạt tài khoản, gian lận thanh toán)
    • Ngăn chặn chiếm đoạt tài khoản (Account takeover prevention)
    • Gian lận thanh toán không cần tài khoản (Guest checkout fraud)
  • Custom fraud models - Huấn luyện mô hình dựa trên dữ liệu gian lận của bạn
  • Rules engine - Kết hợp ML + các quy tắc nghiệp vụ (business rules)
  • Real-time scoring - Điểm rủi ro gian lận cho mỗi sự kiện theo thời gian thực
  • Explainability - Các chỉ báo gian lận hàng đầu

Dữ liệu đầu vào (Input Data):

  • Dữ liệu giao dịch
  • Dữ liệu tài khoản
  • Hành vi của khách hàng

Use Cases:

  • Ngăn chặn gian lận trong E-commerce
  • Gian lận đăng ký tài khoản
  • Phát hiện gian lận thanh toán
  • Lạm dụng chương trình khách hàng thân thiết

Tips:

  • Các mô hình dựng sẵn (không cần dữ liệu huấn luyện)
  • Các mô hình tùy chỉnh cần nhãn (labels) gian lận trong lịch sử
  • API thời gian thực cho việc tính điểm rủi ro giao dịch
  • Kết hợp điểm ML với business rules

So sánh nhanh các dịch vụ #important

Dịch vụ (Service) Danh mục (Category) Đầu vào (Input) Đầu ra (Output)
Comprehend NLP Văn bản Sentiment, entities, topics
Translate NLP Văn bản Văn bản đã dịch
Transcribe Giọng nói Âm thanh Văn bản phiên âm
Polly Giọng nói Văn bản Âm thanh (giọng nói)
Rekognition Thị giác Hình ảnh/Video Đối tượng, khuôn mặt, text, kiểm duyệt
Textract Thị giác Tài liệu Văn bản có cấu trúc, biểu mẫu, bảng
Lex Đàm thoại Văn bản/Giọng nói Intent, slots, response
Kendra Tìm kiếm Truy vấn + Tài liệu Tài liệu liên quan, câu trả lời
Personalize Gợi ý Tương tác người dùng Gợi ý cá nhân hóa
A2I Đánh giá bởi con người Dự đoán của ML Kết quả đã được con người xác thực
Lookout Phát hiện bất thường Metrics/Hình ảnh/Cảm biến Các điểm bất thường (Anomalies)
Fraud Detector Gian lận Dữ liệu giao dịch Điểm rủi ro gian lận

Khi nào nên dùng dịch vụ nào? #exam-tip

Tình huống (Scenario) Dịch vụ (Service)
Phân tích cảm xúc đánh giá của khách hàng Comprehend
Dịch website sang 10 ngôn ngữ Translate
Phiên âm các bản ghi âm cuộc họp Transcribe
Tạo voiceovers (thuyết minh) cho video Polly
Kiểm duyệt hình ảnh do người dùng tải lên Rekognition
Trích xuất dữ liệu từ hóa đơn Textract
Xây dựng chatbot (intents/slots) định hướng theo tác vụ Lex
Tìm kiếm trong cơ sở kiến thức công ty (bằng NLP) Kendra
Đề xuất/gợi ý sản phẩm cho người dùng Personalize
Xem xét các dự đoán có độ tin cậy thấp bởi con người Augmented AI (A2I)
Phát hiện doanh thu bất thường Lookout for Metrics
Phát hiện sản phẩm lỗi trong sản xuất Lookout for Vision
Phát hiện các giao dịch gian lận Fraud Detector
Phát hiện văn bản trên các biển báo đường phố Rekognition
Trích xuất các trường biểu mẫu từ PDF Textract
Theo dõi một người qua video Rekognition Video

Key Differences #exam-tip

Rekognition vs Textract

  • Rekognition: Bối cảnh tự nhiên, OCR tổng quát, khuôn mặt, đối tượng
  • Textract: Tài liệu, biểu mẫu, bảng, dữ liệu có cấu trúc

Kendra vs Elasticsearch/OpenSearch

  • Kendra: Hiểu ngôn ngữ tự nhiên (NLU), mức độ liên quan dựa trên ML
  • Elasticsearch: Tìm kiếm từ khóa, tìm kiếm toàn văn (full-text search)

Comprehend vs SageMaker

  • Comprehend: NLP pre-trained, không cần chuyên môn ML
  • SageMaker: Mô hình tùy chỉnh, có toàn quyền kiểm soát ML

Personalize vs SageMaker

  • Personalize: Chỉ chuyên về gợi ý/đề xuất, các thuật toán (recipes) được quản lý sẵn
  • SageMaker: Bất kỳ vấn đề ML nào, linh hoạt tuyệt đối

Transcribe Medical vs Standard

  • Medical: Thuật ngữ y tế, tuân thủ HIPAA
  • Standard: Phiên âm tổng quát (General transcription)

Exam Tips Summary #exam-tip

  • Không cần chuyên môn ML: Tất cả các dịch vụ này đều đã được huấn luyện sẵn (pre-trained)
  • Có hỗ trợ mô hình tùy chỉnh (Custom models): Comprehend, Rekognition, Personalize, Fraud Detector
  • Real-time + Batch: Hầu hết các dịch vụ đều hỗ trợ cả hai chế độ
  • Confidence scores: Các dịch vụ trả về dự đoán đi kèm với điểm tin cậy
  • Tích hợp: Tất cả đều tích hợp được với các dịch vụ AWS khác (Lambda, S3, v.v.)
  • Định giá (Pricing): Trả theo mức sử dụng (Pay-per-use: per request, per minute, per character)