5. 一家連鎖零售業者使用某封閉式 No-Code 平台多年，將客戶資料、訂單流程與內部作業高度整合於該平台。近期業者進行系統盤點時發現，該平台資料採專有格式儲存，匯出功能有限，且未提供標準 API 支援。在此情境下，長期而言，該企業最可能面臨下列何種風險？
(A)員工需具備撰寫進階程式語法的能力，才能持續使用該平台進行系統操作；
(B)隨著系統使用時間增加，平台運算效能將逐漸下降，影響營運效率；
(C)系統運作過程中較容易發生資安漏洞，導致資料外洩風險提高；
(D)企業在未來更換系統時，將因資料與功能難以轉移而高度依賴原平台

6. 某物流公司評估導入 No-Code／Low-Code 平台，希望能與現有的 ERP 系統、倉 儲管理系統及客戶通知平台進行資料串接。若主要考量系統整合能力，而非介 面美觀度或功能豐富性，下列哪一項平台特性最能滿足此整合需求？ (A)平台是否提供強制將所有應用程式部署於地端伺服器的選項，以確保資料不 外流； (B)平台是否具備豐富的 API 介接能力、Webhooks 機制與開放式架構，能順暢 串接既有系統； (C)平台是否內建將圖形化流程還原為原始程式碼的編譯工具，以便未來自行維 護； (D)平台是否採用封閉式架構設計，以降低外部系統整合所帶來的安全風險

7. 某企業導入 No-Code／Low-Code 平台後，發現各部門可快速開發 AI 應用，但 同時產生大量重複功能之應用程式，且模型使用方式不一致，導致治理困難與 風險上升。若企業希望在維持「AI 民主化」前提下改善此問題，下列何者最適 當之作法？ (A)全面禁止業務單位自行開發 AI 應用，統一由資訊部門負責； (B)建立應用開發與模型使用之治理規範與共用標準； (C)停止使用 No-Code／Low-Code 工具，改採傳統開發模式； (D)限制 AI 應用僅能用於單一部門內部使用

8. 在自動化工作流程中，Webhook 是一種由事件觸發、系統會主動回應的機制， 請問下列何者最符合此運作邏輯？ (A)你在訂位平台設定「開放提醒」，系統每隔 10 分鐘會自動幫你重新查詢各餐廳空位狀況，若有變動再通知你； (B)餐廳將每日訂位與候位資料整理至公開看板，你可以隨時打開查看最新狀態； (C)你在餐廳留下聯絡方式並設定偏好條件，當有符合條件的空位釋出時，餐廳會依照事先約定方式直接將資訊傳送給你； (D)你加入餐廳的會員系統，餐廳會定期寄送電子報，內容包含近期優惠與部分 訂位統計資訊

9. 某紡織品製造公司需建立品質控制流程：當 AI 系統檢測到瑕疵產品時，自動通知品管人員、更新庫存系統，並生成品質報告。公司資訊人力僅兩人，主要負責系統維運，且不具備自行開發能力，若希望在不導入大型企業系統的情況 下，快速完成流程建置，下列何者最適合？ (A)使用 No-Code 工具串接 AI檢測、通知與報表功能，快速建立自動化流程； (B)委託外部專業團隊，依公司需求客製化所有功能模組後再上線使用； (C)導入具流程自動化功能的 SaaS 平台，並進行系統整合與客製化設定； (D)使用試算表與簡易腳本輔助記錄與通知，逐步優化現有人工流程

10. 某家企業希望開發股票交易輔助工具，要求該工具需要在接收到市場報價資料的 50 毫秒內完成訊號判斷與下單指令，且每秒需處理超過一萬筆高併發交易。 若選用 Low-Code 平台開發，最難克服的先天限制為何？ (A)Low-Code 平台無法串接任何金融市場的外部 API，因此無法獲取即時報價資 料； (B)Low-Code 平台無法串接任何券商平台的下單 API，因此無法進行即時交易； (C)Low-Code 底層封裝通用框架，在毫秒級延遲與超高吞吐量(Throughput)的 極限效能場景中，難以進行深度底層優化； (D)Low-Code 平台無法建立即時更新的使用者介面，無法顯示動態報價資訊

11. 某中小企業行銷部門主管希望在不需高度依賴 IT 支援的情況下，快速建立一套 能自動分析顧客問卷回饋並進行情緒分類的系統。他評估了 AutoML 平台與自 行開發機器學習模型兩種方案。下列何者最能說明 AutoML 在此情境下的核心 優勢？ (A)AutoML 仍需使用者熟悉 Python 與深度學習框架，否則無法進行模型訓練； (B)AutoML 可自動完成模型選擇、特徵處理與訓練流程，使非技術背景人員也 能快速建立並上線模型； (C)AutoML 僅適用於文字情緒分析，若應用於其他預測任務需重新開發系統； (D)AutoML 產出的模型無法直接應用於實務場景，仍需完全重寫程式才能使用

12. 某電商平台導入 CLIP(Contrastive Language-Image Pre-training)模型，讓使用 者能直接輸入文字描述來搜尋商品圖片。請問 CLIP 模型是透過哪一種方式來衡量文字描述與圖片之間的相符程度？ (A)餘弦相似度(Cosine Similarity)，計算文字與圖片在向量空間中的方向相似 程度； (B)BLEU 分數，衡量文字描述與圖片標題之間的詞彙重疊程度； (C)交叉熵損失(Cross-Entropy Loss)，用於衡量模型預測機率與實際標籤之間的 差異； (D)F1 分數(F1 Score)，綜合評估搜尋結果的精確率與召回率

13. 某新創公司正在評估開發方式，產品負責人希望讓非技術背景的業務同仁也能 參與功能原型的快速開發。團隊討論採用 Vibe Coding 與 Low-Code 兩種方式。 請問下列哪一項對於 Vibe Coding 與 Low-Code 的敘述最為正確？ (A)兩者本質相同，差異僅在於 Vibe Coding 以對話介面取代視覺化拖拉操作， 最終產出的程式碼品質與可維護性並無顯著差異； (B)Vibe Coding 需要開發者具備一定的程式語言基礎才能有效審閱 AI 產出的程 式碼，因此與 Low-Code 平台相比，不適合非技術人員使用； (C)Low-Code 平台因具備完整的視覺化與流程控制，較適合開發穩定且可維護 的系統；Vibe Coding 則較適用於快速原型開發，難以支援結構複雜的正式應用 系統； (D)Vibe Coding 透過自然語言驅動 AI 生成客製化程式碼，彈性較高但產出品質 高度依賴提示詞的描述精準度；Low-Code 平台則透過預設元件組合快速建構， 上限受限於平台本身支援的功能範疇

14. 某軟體開發公司評估導入 Agentic Coding 工具(如 Claude Code)，並規劃相應的人工審核機制。請問下列何者最能正確敘述此類工具在開發流程中，所支援的核心操作能力？ (A)透過介面提供程式碼建議與修改建議，實際套用仍需由開發者手動確認與操 作，無法直接對專案檔案進行自動變更； (B)可直接在開發環境中讀寫專案檔案、執行終端機指令(如測試與建置)，並在 適當情境下協助完成修改、測試與版本提交(commit)等多步驟開發流程； (C)著重於將需求轉換為系統設計與架構規劃，程式碼撰寫與整合仍主要由開發 者負責，較少直接介入實際開發流程； (D)工具主要負責輔助開發者撰寫與優化程式碼，實際的測試、建置與版本控管 流程仍需由開發者手動執行

15. 某新創公司希望針對特定醫療診斷任務微調語言模型，但受限於資料取得困 難，目前僅收集到少量已標註的診斷病例。在標註資料極為有限的條件下，強 化微調(Reinforcement Fine-Tuning, RFT)相較於監督式微調(Supervised Fine-Tuning, SFT))最主要的優勢為何？ (A)RFT 需仰賴大量高品質標註資料進行訓練，因此在資料有限時仍能維持較佳 穩定性； (B)RFT 透過獎懲回饋機制引導模型優化，對大量標註資料的依賴相對較低，較 適用於資料有限的情境； (C)RFT 與 SFT 在資料需求上本質相同，主要差異僅在訓練效率，資料量不影響 兩者適用性； (D)RFT 可直接從未標註的診斷資料中自動產生正確標註，因此在資料有限時可 完全取代 SFT

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

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

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

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

114年 - iPAS◆AI應用規劃師◆初級-科目1-L1101#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