43. 某企業導入大型語言模型處理超長合約文件(數萬字)，發現輸入越長，運算時間與資源消耗增加得越快，遠超過文件長度增加的比例。下列何者最能解釋此現象發生的主要原因？
(A)長文本包含較多生僻字，系統偵測到新詞時會自動暫停並即時重建底層詞彙表；
(B)模型為了確保長文本的生成品質，會隨輸入長度自動動態增加模型的參數數量；
(C)自注意力機制在處理文本時，時間複雜度會隨輸入長度呈二次方(平方)快速上升；
(D)隨著合約內容變長，模型內部會自動切換為檢索增強生成(RAG)架構，以提升長文本處理效率

44. 某軟體公司計劃開發一款手機 App，需要在沒有網路的環境下，也能在手機本機端(邊緣裝置)執行微型大語言模型來提供即時語音翻譯服務。考量到行動裝置的記 憶體(RAM)容量限制以及電池續航力，工程師建議在部署前先對模型進行模型量化(Quantization)處理。請問關於此作法所帶來的預期效益與影響，下列敘述何者最正確？ (A)經過量化處理後的模型，在執行時必須即時連回雲端伺服器進行校正，否則手機端將無法獨立運作； (B)能在完全不影響模型原本輸出品質的前提下壓縮模型體積，並降低記憶體需求； (C)模型量化後會自動在邊緣裝置上動態增加參數數量，藉此彌補因為精度降低所帶來的能力損失； (D)能大幅減少模型檔案體積與記憶體佔用量，並加速本機推論回應，但模型輸出品質可能會受到輕微影響

45. 某銀行導入 AI 模型進行貸款核准判斷，主管要求必須具備可解釋人工智慧(XAI)機制，以便在客戶被拒貸時，能向審查人員說明該客戶被判定拒貸的主要原因。下列何者最符合 LIME 的運作方式，以用於提供單一客戶預測結果解釋？ (A)找出與該客戶特徵相近的歷史案例，直接以相同案例的核准結果作為拒貸原因說明； (B)分析所有貸款案件的特徵重要性，建立整體模型的全局解釋，並套用至該客戶； (C)直接分析模型內部參數與運算流程，推導該客戶被拒貸的原因； (D)在該客戶資料附近建立模擬樣本，分析各項特徵對此次預測結果的影響程度

46. 某醫院導入 AI 輔助判讀胸部 X 光片，為了讓醫師了解模型依據影像哪些區域做出診斷，工程師規劃於判讀畫面中加入顯著性圖(Saliency Map)作為視覺化說明。關於此項規劃在實務應用上，下列敘述何者最正確？ (A)顯著性圖可提升模型預測結果的可靠性，因此能有效降低 AI 模型誤判的機率； (B)顯著性圖所呈現的熱點區域，可直接作為病灶實際範圍與大小的判定依據，協助醫師進行病灶量測； (C)顯著性圖可呈現模型對預測結果具有較大影響的影像區域，協助醫師理解模型判斷依據並進行視覺化複核； (D)顯著性圖可自動標示病灶邊界，作為醫師進行病灶分割(Segmentation)與面積量測的依據

47. 某跨國企業計劃導入「多語言智慧客服系統」，希望系統既能精準捕捉各國語言的在地化文化與特性，又能共享核心的跨語言語意理解能力，以降低維護多套模型的營運成本。下列哪一種模型方案最適當？ (A)採用具備跨語言參數共享機制的大型多語言模型，必要時搭配多專家混合(MoE)等架構提升不同語言的處理能力； (B)針對每一種目標語言，各自訓練與部署獨立的單語言模型； (C)採用標準、未經調整的通用輕量化模型，在不區分語言差異的情況下統一回應； (D)將所有非主要語言內容先翻譯成單一語言，再交由單語言模型處理，不保留原始語言資訊

48. 某法律事務所導入生成式 AI 協助律師查詢法規與合約內容。系統需要根據使用者提問，即時查詢時常動態更新的外部法規資料及數百頁合約中的相關條文。為了避免每次提問都將數百頁文件全部輸入模型而導致極高的 Token 運算成本與回應延遲，下列何種架構最適合此需求？ (A)將整份文件反覆摘要壓縮，再以摘要內容作為模型回答問題的依據； (B)依文件章節建立固定摘要，每次查詢皆由模型搜尋摘要內容回答問題； (C)每次新增法規或更新合約內容時，重新微調(Fine-tuning)地端模型，使模型學習最新內容； (D)採用檢索增強生成(RAG)架構，將完整文件向量化存於外部資料庫，依查詢內容即時檢索相關片段供模型參考

49. 某金融機構計劃開發一套智慧理賠防詐欺與自動化審查系統。該系統的運作流程為：先由模型 A 分析客戶上傳的診斷書與收據影像，評估並輸出該案件屬於「正常理賠」或「疑似詐欺(高風險)」的機率值；確認為正常案件後，再由模型 B 根據診斷書內容進行上下文語意推理，自動撰寫客製化的理賠通知信函與案件摘要報告。下列關於兩個模型的敘述，何者最正確？ (A)模型 A 負責判斷案件風險，屬於鑑別式 AI；模型 B 負責產生通知信與摘要內容，屬於生成式 AI； (B)模型 A 會產生風險分數，因此屬於生成式 AI；模型 B 負責解讀與鑑定內容，因此屬於鑑別式 AI； (C)兩個模型皆採用深度學習技術，因此皆屬於生成式 AI； (D)兩個模型皆以分析資料內容為主，因此皆屬於鑑別式 AI

50. 某金控公司計劃導入「美股即時分析 AI 助理」，該助理須同時滿足兩項需求：第一，回覆內容須遵循固定的合規格式與專業口吻；第二，能提供當日最新股價及財報等即時更新資訊。關於技術團隊對上述需求所提出的技術建議，下列何者最為正確？ (A)對第二項需求，採用 Fine-tuning 比 RAG 更合適，因為可持續將最新資料微調至模型權重，以避免模型產生事實幻覺； (B)針對第一項需求，採用 RAG 比 Fine-tuning 更合適，因為 RAG 可將合規規範文件檢索後提供模型參考，使模型自然維持固定格式；(C)針對第二項需求，採用 RAG 較為合適，因為每日更新的股價與財報若持續透過 Fine-tuning 維護，難以兼顧時效性與維護成本； (D)針對第一項需求，採用 Fine-tuning 較為合適，因為微調能改變模型對特定知識的記憶，無法影響模型的輸出格式與口吻

1. 某跨國零售企業原採用單一雲端服務供應商建置庫存管理系統。為滿足部分歐盟客戶要求將資料部署於歐洲地區資料中心的需求，以及降低單一供應商依賴，企業決定調整為多雲(Multi-Cloud)架構，將部分服務與資料部署至不同的雲端平台。IT 部門評估使用 No-Code／Low-Code 平台建置或重構部分應用系統。請問下列何者最符合此類平台在多雲環境中的應用與限制？ (A)Multi-Cloud 架構僅影響基礎設施配置，不會影響 No-Code／Low-Code 平台的部署能力，因此評選平台時無須將多雲架構納入考量； (B)採用 Multi-Cloud 架構時，No-Code／Low-Code 平台可能面臨部署與整合限制，因此企業應改採傳統程式開發(Pro-Code)； (C)只要平台支援跨雲資料連線(Cross-cloud Connectivity)，即可滿足多數 Multi-Cloud 架構需求，不需再評估應用程式部署限制； (D)導入 No-Code／Low-Code 平台前，應確認其是否支援企業規劃的多雲部署需求，並符合資安及法規遵循要求，而非僅比較開發效率

2. 某製造業工廠希望將紙本巡檢表單數位化，並建立巡檢紀錄、異常通報及簽核流程，以縮短系統導入時程。然而，資訊部門人力有限，無法投入大量客製化系統開發，因此評估導入 Low-Code 平台。請問導入 Low-Code 平台最主要的優勢為何？ (A)平台提供內建 AI 與光學字元辨識(OCR)等服務，能直接將所有紙本表單轉換為全自動運作的系統，完全省去後續的軟體維護工作； (B)平台提供大量現成元件及系統連接器，因此可直接串接廠區內所有舊型機台設備，不需再進行任何資料格式轉換或設定； (C)平台內建權限管理等防護功能，非專業人員開發的應用程式皆會自動符合企業所有的資安與個資保護要求，不需再進行任何安全稽核與審查； (D)平台提供視覺化設計介面及可重複使用元件，降低開發門檻，使業務人員能參與應用建置，並提升資訊部門開發與維護效率

3. 某保險公司客服中心每日需處理約八千通線上客服對話，且累積了三年份、經主管審核通過的優質應答紀錄。技術團隊希望 AI 在所有對話中都能穩定維持相同的語氣與回覆格式，同時盡量壓低單次對話的處理成本與回應延遲。在此條件下，下列何種做法最為合理？ (A)少樣本提示(Few-Shot Prompting)； (B)檢索增強生成(RAG)； (C)微調(Fine-Tuning)； (D)思維鏈提示(Chain-of-Thought Prompting)

115年 - 115-3 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#144821

115年 - 115-3 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#144820

115年 - 115 iPAS AI應用規劃師初級能力鑑定︰資料處理與分析概念#143293

115年 - 115 iPAS AI應用規劃師初級能力鑑定︰鑑別式 AI 與生成式 AI 的基本原理#143290

115年 - 115 iPAS AI應用規劃師初級能力鑑定︰機器學習基本原理、常見的機器學習模型#143288

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

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

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

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

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