阿摩線上測驗
登入
首頁
>
iPAS◆AI應用規劃師◆初級
>
114年 - 114-4 AI 應用規劃師-初級能力鑑定公告試題_第一科:人工智慧基礎概論#139118
> 試題詳解
23. 下列何者不是我國數位發展部 AI 產品與系統評測中心對生成式 AI 的評測項目?
(A)當責性;
(B)可靠性;
(C)隱私及資安;
(D)互動性
答案:
登入後查看
統計:
A(8), B(3), C(0), D(101), E(0) #3869566
私人筆記 (共 1 筆)
kelly
2026/07/31
私人筆記#8503684
未解鎖
✅ 正確答案: (D) 互動性 依據我...
(共 792 字,隱藏中)
前往觀看
1
0
相關試題
24. 在保持 GPT-OSS 模型架構不變的前提下,如果將模型參數量從 20 億提升至 120 億,並假設有足夠的訓練資料支撐,下列敘述何者最正確? (A)模型參數增加會線性提升效能,且即使訓練資料不變也不會遇到瓶頸; (B)參數越多模型推理越快,因為每層可以並行計算更多參數; (C)較大的參數量能提升模型的表達能力與預測效能,但需足夠訓練資 料支持; (D)增加參數量不影響記憶體使用,只會影響計算速度
#3869567
25. 在自然語言處理任務中,為了減少訓練語料中偏見對模型的影響,下列哪種資料處理策略屬於常見的「資料去偏(Data Debiasing)」做法? (A)讓模型在訓練時隨機替換輸出,以抵消資料中存在的系統性偏差; (B)增加模型的參數量,依賴更大的模型自動消除原始資料中的偏見; (C)調整或擴充訓練語料,使不同群體或類型資料的比例更加平衡,避 免模型過度偏向出現頻率高的類別; (D)對訓練資料施加額外正則化或噪音,使模型在學習過程中對偏見敏感度降低
#3869568
26. 在深度學習模型的微調(Fine-tuning)過程中,可能出現所謂的「災難性遺忘(Catastrophic Forgetting)」。此現象最可能造成哪種情況? (A)由於計算資源或訓練步驟不足,模型在微調過程中無法完整收斂, 導致學習效果受限; (B)微調後模型的表現變得隨機,無法有效記憶新學到的模式與知識; (C)微調後模型的部分權重產生偏移,導致模型無法針對較長的文字進 行回應; (D)模型過度適應微調的資料分佈,逐漸遺忘先前預訓練所獲得的廣泛 知識,在原有任務或廣泛領域上表現變差
#3869569
27. 在大型 Transformer 模型的效能優化過程中,常見的方法之一是「剪枝(Pruning)」。下列哪一項最符合該方法的核心概念? (A)將模型中所有權重按比例縮小,使其值更接近零,以降低計算量; (B)移除模型中影響較小或冗餘的部分權重參數,以減少模型大小並提 升推理效率; (C)在訓練時僅更新部分權重而將其他權重凍結,從而減少需要調整的 參數數量; (D)根據注意力分數動態跳過處理部分輸入 Token,以減少每次前向傳 播的計算
#3869570
28. 對非常長的輸入序列進行推理(Inference),Transformer 模型推理的主要計算瓶頸通常是什麼? (A)模型輸出層產生文本的過程,因為每生成一個詞都必須重新訓練整個模型一次; (B)詞嵌入 (Embedding) 查找操作,因為其時間複雜度隨詞彙表大小 指數級增長; (C)Softmax 函數的計算,因為對每個 Token 都需要執行繁重的運算; (D)自注意力層的計算和其記憶體使用,因為注意力矩陣的大小隨序列 長度呈平方級增長
#3869571
29. 在「可解釋人工智慧(Explainable AI, XAI)」領域中,LIME(Local Interpretable Model-agnostic Explanations)方法最核心的應用目 的是什麼? (A)解釋單一樣本(局部預測)的黑箱模型決策過程; (B)全面提升黑箱模型整體的預測準確度; (C)將黑箱模型轉換成完全可解釋的模型作為替代; (D)用於生成大量擬真數據來替代訓練集
#3869572
30. 在醫療診斷決策支援系統等高風險領域中,「可解釋人工智慧 (Explainable AI, XAI)」的核心價值最主要呈現在哪個面向? (A)透過提供可理解的決策依據,促進患者與醫療專業人員對系統診斷 結果的信任與接受度; (B)以可解釋性方法優化臨床資料蒐集與管理流程,從而降低整體醫療作業成本; (C)利用解釋機制增強模型預測的統計顯著性與準確度,使其在研究及 實務應用中更具科學性; (D)透過提供透明化的運作過程,進而減輕臨床人員負擔,並提升醫療 服務的整體效率
#3869573
31. 在金融科技公司的信貸決策系統中,導入反事實解釋(Counterfactual Explanation)時,實際部署往往伴隨技術與監管挑戰。下列哪一項最符合該情境下的核心挑戰? (A)需要建立完整的客戶行為預測模型來估算建議改變的實施成本,並整合到現有的風險管理系統架構中; (B)必須使用聯邦學習技術保護客戶隱私,同時在分散式環境中計算跨 機構的反事實解釋結果; (C)需要建構時間序列因果圖來處理客戶信用狀況的動態變化,並預測未來可能的信用評分軌跡; (D)生成的反事實樣本必須滿足特徵間的因果約束和業務邏輯約束,同時確保建議的改變在現實中具有可操作性且符合公平放貸法規
#3869574
32. 在統計推論中,若樣本來自母體但呈現明顯偏態分布,且樣本數有限,下列哪一項策略最能減少推估母體參數的偏誤? (A)直接使用樣本平均數與變異數估計母體參數,不做任何調整; (B)增加樣本數並考慮使用分位數或中位數作為中心趨勢估計; (C)將樣本隨機重新排列後,多次計算平均值以消除偏態影響; (D)完全依賴樣本標準差來估計母體參數,忽略分布形態
#3869575
33. 在工業物聯網架構中,進行設備預測性維護(Predictive Maintenance) 時,若面對異常事件發生頻率極低、樣本高度不平衡的時間序列資料, 下列哪一種方法最能兼顧模型穩定性與異常偵測效能? (A)將每筆異常事件資料複製多次以提升模型對異常的辨識敏感度,搭 配全序列訓練模型(如 LSTM); (B)對時間序列進行差分與標準化後,使用傳統監督式學習模型(如 SVM)進行分類訓練; (C)使用經過時間序列特化的 SMOTE 技術生成異常樣本,以平衡異常與 正常資料比例; (D) 採用基於重建誤差的自編碼器模型( Sequence-to-Sequence Autoencoder)進行異常偵測,並僅使用正常資料進行訓練
#3869576
相關試卷
115年 - 115-2 AI 應用規劃師-初級能力鑑定公告試題_第二科:生成式 AI 應用與規劃#140595
2026 年 · #140595
115年 - 115-2 AI 應用規劃師-初級能力鑑定公告試題_第一科:人工智慧基礎概論#140586
2026 年 · #140586
115年 - 115-1 AI 應用規劃師-初級能力鑑定公告試題_第二科:生成式 AI 應用與規劃#139147
2026 年 · #139147
115年 - 115-1 AI 應用規劃師-初級能力鑑定公告試題_第一科:人工智慧基礎概論#139146
2026 年 · #139146
114年 - 114-4 AI 應用規劃師-初級能力鑑定公告試題_第二科:生成式 AI 應用與規劃#139148
2025 年 · #139148
114年 - 114-4 AI 應用規劃師-初級能力鑑定公告試題_第一科:人工智慧基礎概論#139118
2025 年 · #139118
114年 - IPAS AI應用規劃師初級能力鑑定-考試樣題(114/09)_科目二:生成式 AI 應用與規劃#132596
2025 年 · #132596
114年 - IPAS AI應用規劃師初級能力鑑定-考試樣題(114/09)_科目一:人工智慧基礎概論#132595
2025 年 · #132595
114年 - iPAS◆AI應用規劃師◆初級-科目1-L1101#130994
2025 年 · #130994
114年 - iPAS AI應用規劃師初級能力鑑定_科目二:生成式 AI 應用與規劃#128027
2025 年 · #128027