19. 一家電商公司已將推薦系統 AI 模型上線三個月，業務主管要求專案團隊評估導入成效。團隊根據下圖數據得出結論：「因為 AUC 高達 0.91，模型表現優異，AI 導入成效良好。」請問此評估結論存在什麼根本問題？

(A)僅依賴離線指標 AUC 判斷模型成效，忽略線上業務指標(如 CTR 與營收) 的變化，可能導致錯誤結論；
(B)AUC 已達 0.91，代表模型排序能力優異，即使 CTR 略為下降，仍可視為推薦 品質提升；
(C)CTR 從 3.2%降至 3.1%，顯示模型效果變差，應立即還原(Rollback)至舊模 型；
(D)平均訂單金額提升至$1,020，代表模型已成功優化營收，因此無需考慮其他指 標

20. 某電商公司計畫導入即時推薦系統，希望使用者進入網站後能在 100 毫秒內取得 推薦結果，且推薦結果需依據最新使用者行為進行調整。系統需支援每日約 50 萬 活躍使用者，尖峰時段每秒約 3,000 筆請求(QPS)。目前公司已累積歷史購買紀 錄與瀏覽行為資料，並持續接收即時點擊流(Streaming Data)。IT 基礎架構採用 雲端環境，團隊配置為 2 名資料工程師與 1 名機器學習工程師。某工程師提出以 下導入規劃：(1)使用批次訓練(Batch Training)建立協同過濾模型(2)將模型部署為 REST API 提供即時推論服務(3)使用 Kafka 串流處理即時使用者行為特徵 (4)將所有即時資料先寫入資料倉儲(Data Warehouse)再進行特徵計算(5)使用 Redis 或 Feature Store 快取即時特徵 請問以下哪一項最合理的技術導入規劃組合與調整建議？ (A)保留(1)(2)(3)，移除(4)，並加入(5)以降低延遲； (B)保留(1)(4)，移除(3)，以確保資料一致性與系統穩定； (C)保留(2)(4)(5)，移除(1)，改用即時線上學習(Online Learning)； (D)全部保留(1)~(5)，可同時兼顧即時性與資料完整性

21. 一位機器學習工程師正在優化公司內部的 RAG 法律文件問答系統。近期因營運 成本壓力，公司要求在不更換模型且不影響回答品質的前提下，將整體 token 成 本降低至目前的 60%，且目前成本主要集中於輸入 tokens。工程師在檢查系統後， 盤點出目前的使用情況如下： ◆使用模型：GPT-4o(輸入$5／1M tokens、輸出 $15／1M tokens) ◆每次查詢：將前 10 筆檢索文件區塊全部加入 Prompt(每塊約 600 tokens) ◆System Prompt：每次請求均包含約 500tokens 的公司背景說明 ◆對話機制：保留完整對話歷史，平均累積約 8,000tokens◆每日查詢量：約 5,000 次 ◆平均輸出：約 300tokens／次 在上述限制與系統現況下，請問下列哪一項優化組合，最能在維持回答品質的前提下有效降低 token 成本？ (A)將輸出 max_tokens 從 1,000 壓縮至 200，強制模型給出更短的回答，以降低輸 出費用； (B)將 System Prompt 改為 Prompt Caching 或靜態前綴重用，並對對話歷史實作摘 要壓縮，以保留語意而非完整對話； (C)將所有查詢改為 Batch API 模式送出，透過非同步處理降低單次費用； (D)在 Prompt 中明確要求模型「回答時盡量簡短」，透過指令引導模型自行縮減輸 出長度

22. 某金融科技公司計劃建立完整的 AI 開發到維運流程，希望實現「模型訓練→測 試→部署→監控→再訓練」的自動化流程串接，並確保線上模型的版本可追溯。 技術主管建議引入 MLOps 框架。MLOps 在此 AI 開發生命週期中的核心角色為 何？(A)專注於訓練資料的標註與品質控管，以提升模型訓練效果； (B)透過自動化模型搜尋與參數調整，降低模型開發門檻； (C)建立機器學習流程的自動化與版本管理機制，支援模型部署、監控與持續更新； (D)確保模型在部署後維持穩定效能，減少後續維運與更新需求

23. 某製造業公司計劃將 AI 導入生產線瑕疵檢測流程，目前瑕疵樣本約 800 張(含 各類瑕疵類型)、正常樣本約 15,000 張，現有 IT 基礎設施為地端伺服器且無 GPU， 且生產線環境需於地端即時完成推論，檢測需求為每片零件須在 100 毫秒內完成 檢測，且預算為中等、無法於短期內大規模採購硬體。工程師正在規劃第一階段 的 AI 導入方案，請問下列哪一種規劃最為合適？ (A)從零訓練一個大型 CNN 模型，並採購高階 GPU 伺服器以滿足推論速度需求； (B)採用預訓練模型進行 Transfer Learning，針對瑕疵樣本進行 Fine-tuning，並使 用模型量化(Quantization)或蒸餾(Distillation)技術壓縮模型以符合延遲需求， 部署於地端； (C)因樣本數不足，建議先暫緩 AI 導入，待蒐集至少 10 萬筆瑕疵樣本後再啟動 專案； (D)將所有影像上傳至雲端，使用第三方 AutoML 平台自動訓練並部署，以節省開 發時間

24. 某即時詐欺偵測系統對模型回應時間有嚴格限制，若推論延遲過高將影響交易核 准流程。維運工程師在模型上線前進行延遲測試(Latency Testing)時，主要評估 的目標為何？ (A)評估模型推論過程中的記憶體使用量，以確認部署資源是否足夠； (B)驗證模型對異常或攻擊輸入的穩定性與安全性； (C)評估模型在不同使用者族群上的預測結果是否一致； (D)評估模型從接收輸入到產生預測結果所需的回應時間是否符合系統要求

25. 某企業欲將其 AI 輔助決策系統提交給外部稽核單位審查，並宣稱符合 NIST《AI 風險管理框架》(NIST AI RMF)中可驗證性(Verifiability)的要求。為讓第三方 稽核人員能獨立重現模型評估結果，下列哪一項技術實踐最直接符合此要求？ (A)將模型測試準確率優化至 99%以上，以達到業界公認的高可靠標準； (B)建立可追溯的測試資料與評估流程，並記錄模型訓練與評估過程中的關鍵設 定，以確保結果可被重現； (C)加快模型迭代速度，縮短版本發布週期以盡快累積外部驗證數據； (D)擴充訓練資料量至數百萬筆，以統計方式確保模型的泛化能力達標

26. 某銀行導入一套 AI 授信審核系統，針對貸款申請人進行自動化決策。監理單位 要求系統必須符合負責任 AI(Responsible AI)原則，特別是對被拒絕的申請人提供每筆決策的具體理由說明。從技術與合規的角度，此要求的核心能力需求為 何？ (A)系統必須在收到申請後 10 秒內自動刪除申請人個資； (B)系統應隨機調整部分決策以確保多元性； (C)系統必須保證所有決策準確率達到 100%； (D)系統必須具備可解釋性(Explainability)能力，能提供特徵貢獻說明

27. 某醫院計劃導入一套 AI 醫療影像診斷輔助系統，用於輔助放射科醫師判讀 CT 影 像。院方技術委員會討論在人命攸關且需確保最終臨床決策責任由人類承擔的情 境下，從系統設計架構層面，最關鍵的安全機制為何？ (A)採用人機協作(Human-in-the-Loop, HITL)架構，由醫師最終審核決策； (B)模型信心低於閾值(Threshold)即自動關機； (C)隨機切換模型並以多數決決策； (D)對輸入影像加入隨機擾動

28. 一位資料科學家使用 XGBoost 建立信用風險評分模型，並使用 SHAP 解釋模型 對某申請人的預測結果。SHAP summary plot 顯示該樣本中「月收入」的 SHAP 值 為-2.3，「負債比率」為+1.8，其中 SHAP 值代表各特徵對模型輸出值的影響程度 與方向。關於對 SHAP 值的解讀，下列敘述何者正確？ (A)「月收入」的 SHAP 值-2.3 代表該特徵使此申請人的違約預測機率降低了 2.3%； (B)「月收入」的 SHAP 值-2.3 代表相對於基準值(base value)，此特徵將模型輸 出值往負方向推移了 2.3 個單位，表示月收入對該申請人有降低違約風險的貢獻； (C)SHAP 值為負代表該特徵對模型整體來說是不重要的特徵，應考慮從模型中移 除； (D)負債比率」SHAP 值+1.8 代表負債比率是整個訓練集中對違約影響最大的特徵

29. 某工程師為一套卷積神經網路(CNN)的醫療影像輔助診斷系統設計模型可解釋性機制。該系統需滿足下列需求：1.能向醫師說明影像被判定為異常的原因 2.支援近即時推論，每次解釋須於 200 毫秒內完成，且不可進行大量重複採樣計算 3.解釋結果須以影像中具代表性的視覺化像素區域呈現在此情境下，下列何種方法最為適合？ (A)使用 LIME，透過超像素擾動取樣分析影像區塊對預測的影響； (B)使用 SHAP KernelExplainer，計算各像素的 Shapley 值並疊加於原始影像； (C)使用 Grad-CAM(Class Activation Map)，透過梯度反向傳播生成類別關注區 域；  (D)使用 SHAP TreeExplainer，計算特徵貢獻並以熱力圖呈現

115年 - 115-1 AI應用規劃師_中級能力鑑定公告試題_第三科：機器學習技術與應用#141075

115年 - 115-1 中級AI應用規劃師試題_第二科：大數據處理分析與應用#141063

115年 - 115-1中級AI應用規劃師公告試題_第一科：人工智慧技術應用與規劃_#141062

114年 - 114-2 AI 應用規劃師-中級能力鑑定公告試題_第三科：機器學習技術與應用#136329

114年 - 114-2 AI 應用規劃師-中級能力鑑定公告試題_第二科：大數據處理分析與應用#136306

114年 - 114-2 AI 應用規劃師-中級能力鑑定公告試題_一科：人工智慧技術應用與規劃#136301

114年 - iPAS AI應用規劃師中級能力鑑定-考試樣題(114/09)_科目三：機器學習技術與應用#136300

114年 - iPAS AI應用規劃師中級能力鑑定-考試樣題(114/09)_科目二：大數據處理分析與應用#136295

114年 - iPAS AI應用規劃師中級能力鑑定-考試樣題(114/09)_科目一：人工智慧技術應用與規劃#136294

114年 - iPAS AI 應用規劃師能力鑑定考試樣題(中級)#126106