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

答案：登入後查看
統計： 尚無統計資料

相關試題

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

30. 某資料科學家正在處理一份包含 200 個感測器特徵的工廠設備監測資料集，為了降低模型複雜度並保留主要變異資訊，他先對資料進行標準化(Standardization)，再使用主成分分析(PCA)進行降維。在 PCA 過程中，為了找出能最大化資料變異量的主成分方向，演算法主要依賴哪一項數學操作？ (A)透過對目標函數進行梯度下降(Gradient Descent)最佳化，迭代求得主成分方向； (B)根據特徵與目標變數之間的相關性(Correlation)進行排序，選擇重要特徵； (C) 對資料的協方差矩陣 ( Covariance Matrix ) 進行特徵值分解 ( Eigen Decomposition)，取得對應主要變異方向的特徵向量； (D)對資料矩陣進行卷積運算(Convolution)，擷取特徵之間的局部關係

31. 某資料工程師嘗試對包含 300 個特徵的使用者行為資料集使用 DBSCAN 進行群集分析，但發現幾乎所有資料點都被判定為雜訊點(Noise Points)，難以形成有意義的群集，即使不斷調整ε(Epsilon)與 MinPts 參數也無濟於事。請問下列何者為此問題最可能的根本原因？ (A)在高維空間中，維度詛咒(Curse of Dimensionality)使得資料點之間的距離趨於相近，導致 DBSCAN 的密度估計失效； (B)DBSCAN 演算法僅適用於低維資料，無法處理高維資料； (C)300 個特徵的資料必然不具備群集結構，因此無法進行有效的分群； (D)高維空間中核心點的數量會受到數學限制，導致無法形成群集

32. 某工程師正在實作一個 CNN 影像分類模型，在 PyTorch 中定義模型架構時，需要在卷積擷取特徵後接上全連結層(Fully Connected Layer)進行分類。在模型程式碼中，需要在卷積輸出與全連結層之間插入什麼操作？ (A)使用全域平均池化(Global Average Pooling)將特徵圖壓縮後再接全連結層； (B)使用 Flatten 將特徵圖展平成一維向量； (C)直接將卷積輸出接到全連結層，系統會自動轉換維度； (D)先對特徵圖做 Softmax，再輸入全連結層

33. 某自駕車公司的 AI 訓練團隊面臨標註成本高的問題，無法取得足夠的真實惡劣天氣(大雨、濃霧)駕駛場景資料，工程師提議使用合成資料(Synthetic Data) 來補充訓練集。請問下列何者最能正確敘述合成資料在 AI 訓練中的角色？ (A)合成資料主要用於文字任務的資料擴增，影像任務仍需依賴真實資料； (B)合成資料可完全取代真實資料，直接用於模型訓練； (C)合成資料主要用於降低模型推論時的計算成本； (D)合成資料可在控制條件下產生多樣化場景，用於擴充訓練資料並提升模型的

34. 某廣告技術公司的點擊率(CTR)預測系統每天新增數百個用戶行為特徵(如新廣告位、新設備類型)，特徵空間持續動態擴展。若採用傳統靜態模型每週批次重訓一次，會導致嚴重的模型過期問題。為在特徵空間頻繁變化的情況下維持模型即時準確度，最適合的模型架構方向為何？ (A)採用傳統靜態羅吉斯迴歸(Logistic Regression)，縮短批次重訓週期從每週改為每日； (B)採用支援增量學習(Incremental Learning)的模型，使模型能隨新資料即時更新並適應新增特徵，而不需重新訓練整個模型； (C)採用固定架構的深度神經網路(DNN)，每次有新特徵時重新定義輸入層後全量重訓； (D)改用預訓練圖神經網路(GNN)，透過圖結構建立特徵間的關聯，自動應對新增特徵

35. 某生物醫學研究機構正在建構一個整合「基因序列特徵」與「電子病歷文本特徵」的疾病風險預測模型。由於高維數值特徵和語意文本特徵的性質差異顯著，請問下列哪一種特徵處理與選擇策略最為合適？ (A)將所有特徵合併為單一特徵矩陣後，使用主成分分析(PCA)進行降維，作為模型輸入； (B)採分層策略，先對基因序列特徵進行特徵選擇，再對文本特徵進行語意表示，最後將兩類特徵融合(Feature Fusion)後輸入模型； (C)將所有特徵合併後，使用隨機森林(Random Forest)的特徵重要性進行一次性排序與篩選； (D)將文本特徵轉換為簡單統計特徵(如詞頻)後與基因特徵一併建模，以降低特徵處理複雜度

36. 某公司希望開發一個工業零件瑕疵辨識分類模型，共有 10 個類別，但每類僅約 50 張人工標註影像(總計約 500 張)。由於標註成本高昂，短期內無法擴充資料集。在此情境下，工程師需要在有限標註資料下建構高效能模型。請問下列哪一種策略最為適合？ (A)使用在大型資料集預訓練完成的卷積神經網路(CNN)，並進行遷移學習微調； (B)從頭訓練大型 Vision Transformer(ViT)，完全使用現有 500 張影像； (C)使用 K-means 對影像進行分群，並直接將群集結果作為分類模型輸出； (D)複製既有的資料以增加標註影像數量，並從頭訓練深度 CNN 模型

相關試卷

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

2026 年 · #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

2026 年 · #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

2026 年 · #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

2025 年 · #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

2025 年 · #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

2025 年 · #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

2025 年 · #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

2025 年 · #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

2025 年 · #136294

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

2025 年 · #126106