114年第二梯次中級AI應用規劃師第一科人工智慧技術應用與規劃 (當次試題公告114.11.20)

114年第二梯次中級AI應用規劃師第一科人工智慧技術應用與規劃(當次試題公告114.11.20)，採智能選題，無限次反覆練習。

下列哪一項最正確地描述了 VAE（Variational Autoencoder）、GAN （Generative Adversarial Network）與擴散模型（Diffusion Model）在多模態潛在空間對齊（Latent Alignment）與生成策略上的根本差異？

三者在多模態應用中皆依賴同一潛在表徵空間（Shared Latent Space），僅在解碼器結構不同而已

VAE 透過顯式潛在變數建模實現跨模態對齊，適合捕捉整體語意結構但生成解析度有限；GAN 透過對抗損失（Adversarial Loss）在不同模態間學習分佈映射，生成品質高但穩定性差；擴散模型則以條件化噪聲反推（Conditional Denoising）方式實現高保真跨模態生成，兼具穩定性與多樣性；

VAE 與 GAN 均使用馬爾可夫鏈（Markov Chain）進行跨模態轉換； Diffusion Model 則透過 KL 散度最小化學習語意對應。；

VAE 與 Diffusion Ｍodel 均屬隱式生成架構，主要依賴對抗式訓練實現跨模態對齊；GAN 則以顯式後驗估計方式提升樣本一致性；

None

某媒體公司計畫導入CLIP(Contrastive Language - Image Pre-training)模型,以協助大量影像自動標註與搜尋,並希望在無需新增標訓資料的情況下,僅透過文字提示(Text Prompt)即可識別影像內容。請問此應用情境中,CLIP能夠達成的關鍵技術特性為何?

以監督式學習結合多層感知器(Multilayer Perceptron, MLP)進行影像特徵分類;

以自迴歸生成模型(Autoregressive Model)逐步生成文字標籤描述影像內容

透過影像增強與特徵擴散降低標訓資料需求;

透過圖文對比式學習(Contrastive Learning)將影像與文字映射至共同嵌入空間(Shared Embedding Space),可直接以語意相似度進行零樣本分類;

None

某金融科技公司建立房價預測模型,使用多項特徵(如建坪、房齡樓層、總價等)進行線性迴歸分析(Linear Regression Analysis)。資料分析師發現多個特徵之間存在高度相關性,導致模型係數不穩定、預測誤差上升。為解決此問題,下列哪一種方法最適合?

繼續保留所有特徵,不進行任何處理;

使用主成分分析(PCA)將相關特徵轉換為彼此獨立的主成分;

新增更多原始變數以提升模型表現;

改用分類模型進行預測

None

某公司正在訓練一個大型語音合成模型,開發團隊使用多台GPU進行訓練,但經常出現 GPU 記憶體不足問題。由於模型架構已固定且無法更換硬體,團隊希望在維持模型效能與收斂品質的前提下,下列哪一種方法最有效降低單張 GPU的記憶體壓力?

減少訓練資料量以降低記憶體使用;

改用測試資料集(Test Set)進行部分訓練以節省空間

增加學習率(Learning Rate)以加快收斂速度;

採用較小的批次大小(Batch Size)並搭配資料分片(Data Sharding)分散訓練負載;

None

某研究團隊正在訓練一個針對低資源語言(如少數民族語言)的語言模型,但該語言僅有約1萬筆語料可用。在訓練過程中出現明顯的過擬合現象,若希望在不新增真實語料的前提下提升模型的泛化能力,採用下列哪一種方法最為適合?

將多語言BERT (mBERT)中所有 Transformer層全部凍結以保留預訓練知識

對詞嵌入矩陣(Embedding Matrix),施加L1正則化以壓縮模型參數;

將 Transformer的隱藏層維度擴增至1024,以提升表徵能力;

採用反向翻譯(Back-Translation)技術,以生成額外目標語句的偽平行語料(Pseudo-Parallel Corpus);

None

某企業需分析半結構化的系統日誌(JSON格式),以提取關鍵的時序特徵供故障預測模型使用。考量日誌結構複雜且包含巢狀欄位(Nested Fields),下列哪一種策略最有效且實務可行?

只保留時間戳記欄位,忽略其他巢狀內容以簡化特徵工程

先將JSON資料扁平化轉成CSV,再對欄位計算統計量(如均值、次數)作為特徵;

使用遞歸神經網路(RNN)直接輸入原始JSON字串進行時序特徵抽取;

設計遞迴函式展開巢狀欄位,並基於時間窗口(Time Window)進行聚合與特徵萃取;

None

在企業導入的智慧監控系統中,模型以物件偵測(Object Detection)方式自動辨識影像中的人物與車輛。若評估指標採用平均精確率(Mean Average Precision, mAP),其中 IoU (Intersection over Union) 值設定較高時,代表下列哪一項意義?

預測邊界框與真實邊界框的重疊程度越高,模型偵測結果越精準;

預測邊界框與真實邊界框的誤差越大,導致mAP數值上升;

預測邊界框的評估結果不受真實框大小影響

模型整體精確率(Precision)降低,但召回率(Recall)上升;

None

某企業計畫應用 (Bidirectional Encoder Representations from Transformers)模型分析大量顧客意見,以強化客服自動回覆系統。在BERT的預訓練過程中,「遮罩語言模型(Masked Language Model, MLM)」的主要訓練策略為何?

隨機遮罩部分詞語,並讓模型根據雙向上下文(Bidirectional Context)預測被遮罩的詞;

透過對抗訓練(Adversarial Training)生成語意相似的擾動樣本以提升泛化性;

以未遮罩的詞為條件,使用解碼器(Decoder)結構重建整句內容

依序遮罩句尾詞語,讓模型從左到右逐步生成完整句子;

None

在企業導入的MLOps (Machine Learning Operations)流程中, Model Registry最常用於哪一個階段?

用於集中管理模型版本、訓練紀錄與部署狀態;

用於追蹤模型上線後的表現與漂移情況

用於設定運算資源與執行環境以確保訓練穩定;

用於建立可重複使用的資料與特徵版本;

None

10.

企業團隊在使用Word2Vec模型訓練客服文本語料時,若訓練資料量龐大且希望模型能更有效捕捉罕見詞的語意關聯,下列哪一種訓練策略最為適合?

採用 Skip-gram模型,利用中心詞預測周圍詞語,能更有效學習低頻詞關係;

採用CBOW模型(Continuous Bag of Words Model)並結合TF-IDF 權重以強化低頻詞表示;

採用CBOW模型(Continuous Bag of Words Model),利用周圍詞預測中心詞,能提升罕見詞的語意穩定度

採用 Skip-gram模型,但以隨機初始化權重加快高頻詞的訓練收斂;

None

11.

若部署一個深度學習模型至金融風控系統，該模型採用鑑別式架構（如 Transformer Classifier）。然而上線後，模型對新樣本的分類錯誤率顯著上升，經檢查發現，輸入資料分佈已與原訓練集明顯不同。針對此情形，下列哪一種應對策略最為適合？

改用邏輯迴歸模型（Logistic Regression）以提升穩定性；

使用變分自編碼器（VAE）監控潛在空間分佈，偵測輸入資料偏移

改用生成對抗網路（GAN）生成新樣本並混入訓練集；

增加模型容量（Model Capacity），以學習更多樣本差異；

None

12.

在多模態 AI 模型訓練或推論過程中,遇到某一模態資料缺失(例如僅有影像資料但缺少文本說明),下列哪一種策略最有效維持模型效能?

利用生成模型(如GAN或自迴歸模型)預測並補全缺失模態資料;

以零向量或固定向量填充缺失模態輸入;

訓練具備模態缺失感知能力的模型,使其適應缺失狀況;

直接捨棄缺少模態的樣本,避免干擾訓練或推論

None

13.

某AI服務系統每次推論請求需約1秒完成,且必須支撐高達10,000次請求每秒(RPS)的流量。為確保系統具備高可用性且能穩定應付流量峰值,下列哪一種架構方案最為合適?

限制最大併發連線數,以避免系統過載;

採用容器化部署並水平擴展服務實例,結合自動彈性伸縮機制(Auto Scaling);

依賴單台超高效能伺服器進行垂直擴展,提升硬體規格;

增加批次處理大小,一次同時處理上千筆請求

None

14.

某銀行計劃將AI詐欺偵測模組整合至核心交易系統,主管機關要求全流程必須符合金融監管對「不可否認性(Non-repudiation)」的資訊安全規範,以確保日後能進行法務追蹤與稽核。下列哪一項措施最能確保此要求的落實?

為每筆AI模型推論記錄其輸入與輸出結果的加密雜湊值(Hash),並簽署數位簽章以確保不可竄改性;

將模型推論請求導入負載平衡器,避免單點壅塞導致服務延遲

優化模型效能以降低平均推論延遲至100ms以下,提升使用者體驗;

增加主機備援數量,以確保系統在故障時持續可用;

None

15.

某電商平台導入 AI 情感分析模型，用以自動偵測顧客評論中的負面情緒並觸發客服機制。然而，上線後發現模型在面對不同語言或族群書寫風格的評論時表現不一致，例如部分語氣強烈的正面評論被誤判為負面，而禮貌但含批評意圖的評論卻被判為中性。若從技術與資料治理的角度分析，下列哪一項描述不正確？

Transformer 架構能捕捉上下文語意，但若訓練資料偏差仍存在，模型仍可能學習到偏誤判斷

模型未啟用詞嵌入正規化（Embedding Normalization）可能造成語意距離不穩定，導致預測誤差；

訓練語料若偏向特定文化或語氣特徵，可能使模型產生內隱偏誤（Implicit Bias）；

模型若訓練資料來源不平衡，容易導致對不同語言或族群風格的情緒判斷不準確；

None

16.

在一個同時包含連續型特徵與類別型特徵的資料集中,若希望透過適當的特徵工程流程來提升模型整體表現,下列哪一種作法最為合適?

將類別型特徵使用標籤編碼(Label Encoding)轉換後,與連續特徵直接合併進行模型訓練;

對連續特徵做標準化(Standardization),類別特徵採用目標編碼(Target Encoding),並生成交互特徵提升模型表現;

將連續特徵進行離散化(Discretization)或分桶(Binning)轉為類別型特徵,統一以類別方式處理;

只保留連續特徵,忽略類別型變量以簡化模型

None

17.

某企業在訓練生成式AI模型時,導入資料增強(Data Augmentation)技術以擴充訓練資料,但觀察到模型效能反而下降。下列哪一項最可能的原因與對應改善策略最為正確?

增強樣本未經隨機初始化,導致模型梯度更新不穩定,應重新設計訓練啟動流程;

增強後資料的特徵分佈與原始資料不一致,影響模型的泛化能力,應檢查並調整增強策略以維持語意一致性;

增強後資料的標註可信度下降,導致訓練訊號偏差,應以半監督學習方式重新校正資料

增強樣本的比例過高,造成模型對特定資料產生偏好,應適度提高增強比例並調整學習率;

None

18.

關於 Softmax 與Max-Pooling,下列敘述何者正確?

Softmax 會保留所有輸入資訊,但以比例表示;Max-Pooling 只保留區域最大值;

Max-Pooling會對輸入進行機率分佈的轉換;

Softmax 與Max-Pooling 都會將特徵張量壓縮為單一最大值;

Softmax 主要用於特徵降維,而Max-Pooling 用於分類輸出

None

19.

某電商企業希望利用自然語言處理(NLP)技術,分析顧客在社群平台上與商品評論中的文字內容,以即時掌握顧客對產品的滿意度變化。若採用情感分析(Sentiment Analysis)模型,其主要目的為何?

將顧客留言自動翻譯成企業內部指定語言;

預測顧客使用的語言風格與語氣;

產生顧客評論的自動化摘要內容

判斷文本中所表達的情感傾向;

None

20.

某大型醫院即將部署一套輔助診斷的AI系統,為降低對臨床流程的衝擊,同時確保風險可控與回饋可收斂,應採取何種『漸進式部署』(Phased Rollout) 策略最為合適?

僅在夜班或離峰時段啟用,避免影響主要臨床工作負載;

從單一專科(如放射科)或特定病房開始啟用,逐步擴展至全院;

在使用者界面啟用提示模式,讓全院同步體驗但不影響診斷流程

先部署於病例量較高的急診單位,加速收集高頻使用回饋;

None

如有問題可留言，謝謝您的寶貴意見！

暱稱

電郵（提交獲得正確答案，可換題測驗完整題庫，新增題庫電郵通知）

Time's up