iPAS Sơ cấp AI - Nhập môn trí tuệ nhân tạo (đề thi thử 25 câu)
Chú ý: Bạn phải tiến hành đăng nhập để làm đề thi này.
Tạo đề thi, làm bài thi, theo dõi kết quả ngay trên điện thoại — mọi lúc mọi nơi!
Tải trên Google Play Tải trên App StoreNội dung đề thi: iPAS Sơ cấp AI - Nhập môn trí tuệ nhân tạo (đề thi thử 25 câu)
Xem trước 25/25 câu hỏi trong đề. Bấm Vào thi để làm bài trực tuyến, được chấm điểm và xem đáp án chi tiết.
Câu 1. 某製造工廠計劃導入 AI 預測產線設備的故障風險。維護團隊整理了過去五年的設備運作資料，並由資深工程師逐一完成人工標註，將每筆資料標示為「正常運作」或「發生故障」。若要利用這批已完成標註的歷史資料訓練分類模型，下列哪一種機器學習方法最適合？
- A. 監督式學習（Supervised Learning）
- B. 非監督式學習（Unsupervised Learning）
- C. 強化學習（Reinforcement Learning）
- D. 半監督式學習（Semi-supervised Learning）
Câu 2. 某新創公司開發三款針對特定任務設計的 AI 產品，分別為：可自動生成社群貼文的「智慧行銷助理」、透過人臉辨識進行身分驗證的「辦公室門禁系統」，以及預測客戶流失風險的「資料分析模型」。上述產品依人工智慧的分類，皆屬於下列何者？
- A. 超級人工智慧（ASI）
- B. 弱人工智慧（Weak AI / ANI）
- C. 通用人工智慧（AGI）
- D. 具身人工智慧（Embodied AI）
Câu 3. 某電商平台的資料科學團隊欲建置一套 NLP 模型，用於分析顧客在社群媒體上對商品的評論情緒。在將原始文字資料送入模型訓練前，團隊執行了 HTML 標籤移除、去除「的、了、啊」等無實質語意貢獻的停用詞（Stopwords），並統一英文字母大小寫。請問上述步驟主要屬於機器學習專案流程中的哪一環節？
- A. 模型評估（Model Evaluation）
- B. 特徵萃取（Feature Extraction）
- C. 資料清理與預處理（Data Cleaning and Preprocessing）
- D. 超參數調校（Hyperparameter Tuning）
Câu 4. 某資料科學家利用房屋資料建立 AI 房價預測模型，資料中包含許多彼此高度相關的數值特徵（例如房屋總坪數、主建物坪數、客廳坪數等）。為了降低資料維度並減少特徵間的重複資訊與多重共線性，最適合採用下列何種技術？
- A. 類別編碼（Categorical Encoding）
- B. 主成分分析（PCA）降維
- C. 特徵標準化（Standardization）
- D. 異常值處理（Outlier Processing）
Câu 5. 企業在公開去識別化的消費資料集前，若要避免他人透過郵遞區號、性別等間接識別資訊交叉比對，重新識別出特定個人，以降低資料再識別風險，最適合採用下列哪一種隱私保護技術？
- A. 差分隱私（Differential Privacy）
- B. 隨機抽樣（Random Sampling）
- C. k-匿名化（k-Anonymity）
- D. 密碼雜湊（Hashing）
Câu 6. 某電商平台計劃針對既有會員進行精準行銷。行銷團隊收集了所有會員的平均消費金額、購物頻率及瀏覽商品類別數等無標註特徵資料，希望能透過 AI 自動將特徵相似的會員分組，作為後續規劃客製化行銷方案的依據。下列哪一種機器學習方法最適合此需求？
- A. 監督式分類（Classification）
- B. 迴歸分析（Regression）
- C. 叢集分析 / 分群（Clustering）
- D. 強化學習（Reinforcement Learning）
Câu 7. 某食品加工廠建立水果瑕疵檢測系統，已蒐集 10,000 張影像，其中僅 2,000 張完成人工標註，其餘 8,000 張尚未標註。公司希望在降低人工標註成本的前提下，利用大量未標註影像提升模型的辨識能力，下列何種作法最適合？
- A. 未經微調直接將通用模型用於水果瑕疵分類
- B. 採用半監督式學習（Semi-supervised Learning），先利用標註資料訓練，再結合未標註資料優化模型表現
- C. 將未標註影像進行分群，並直接將各群結果作為病害分類標籤
- D. 將已標註與未標註影像一併納入監督式學習模型訓練，不另外處理未標註資料
Câu 8. 請問下列哪一項 AI 應用專案，最適合採用長短期記憶網路（LSTM）進行模型開發？
- A. 依據顧客本月的累積消費金額，將顧客自動分類為高、中、低三個行銷客群
- B. 分析單一時間點的信用卡交易畫面截圖，判斷是否存在偽卡特徵
- C. 比對顧客貸款申請書上的簽名影像與留存簽名，判斷是否為同一人
- D. 依據顧客過去 24 個月的每月信用卡消費金額序列資料，預測其下個月是否出現異常消費
Câu 9. 某醫院利用 AI 模型進行癌症篩檢，目前模型的精率（Precision）為 96%，但召回率（Recall）僅為 71%。醫師評估後認為，希望讓更多真正患病的病患在初步篩檢時被及早發現，即使此舉可能增加部分後續複檢人數也可以接受。分析團隊應優先採取何種策略？
- A. 調高判定癌症的門檻值，以提高精率（Precision）
- B. 調低判定癌症的門檻值（Threshold），以提高召回率（Recall）
- C. 保持門檻值不變，僅調整模型特徵數
- D. 隨機移除訓練集的陰性樣本
Câu 10. 某資料科學團隊將資料集分成 5 等份，輪流以其中 1 份作為測試集，其餘 4 份作為訓練集，重複進行 5 次訓練與評估，最後將 5 次評估結果取平均。請問此種驗證方法稱為？
- A. 隨機森林（Random Forest）
- B. 留一法（Hold-out Validation）
- C. K 折交叉驗證（K-Fold Cross-Validation）
- D. 自助抽樣（Bootstrapping）
Câu 11. 在訓練深度學習模型時，模型在每一個 Epoch 過程中主要根據下列哪一項資訊來決定模型參數（Weights & Biases）的更新方向？
- A. 計算損失函數（Loss Function）對參數的梯度（Gradient），並朝梯度的反方向更新
- B. 根據激活函數（Activation Function）的輸出值大小直接決定更新方向
- C. 根據模型參數目前的絕對值大小自動調整更新方向
- D. 根據每次 Epoch 的準確率（Accuracy）變化直接決定更新方向
Câu 12. 某連鎖零售商評估廠商甲與廠商乙開發的銷量預測模型，比較發現：廠商甲模型的均方誤差（Mean Squared Error, MSE）為 12.5，廠商乙模型的 MSE 為 42.0。在其他條件相同且採用相同測試集情況下，下列敘述何者最適當？
- A. 應優先選擇廠商甲的模型，因為其 MSE 較低，代表預測值與實際銷量的整體誤差較小
- B. 應優先選擇廠商乙的模型，因為其 MSE 較高，代表模型預測範圍更廣
- C. 兩個模型的 MSE 無法直接比較，因為 MSE 無法反映不同模型的預測表現
- D. 由於兩者的 MSE 皆大於 0，代表模型皆存在嚴重過擬合（Overfitting）現象
Câu 13. 某證券公司欲分析長篇法人說明會逐字稿，系統需有效建立長篇文本前後段落間的長距離語意關聯，且在處理長篇文本時能並行運算以提升分析效率。下列哪一種模型架構最適合？
- A. 長短期記憶網路（LSTM）
- B. 循環神經網路（RNN）
- C. Transformer 架構
- D. 卷積神經網路（CNN）
Câu 14. 某金控集團規劃下列 AI 應用：(甲) 客服部門依歷史案例自動產生對話劇本；(乙) 法務部門分析合約草稿並標示高風險條款；(丙) 投顧部門分析經濟指標判斷大盤漲跌；(丁) 行銷部門依產品說明自動改寫出多種宣傳文案。下列何者正確區分屬於「鑑別式 AI」與「生成式 AI」？
- A. 鑑別式 AI：乙、丙；生成式 AI：甲、丁
- B. 鑑別式 AI：甲、丁；生成式 AI：乙、丙
- C. 鑑別式 AI：乙、丁；生成式 AI：甲、丙
- D. 鑑別式 AI：丙；生成式 AI：甲、乙、丁
Câu 15. 某半導體廠導入 AI 視覺檢測模型，用於自動判斷晶圓表面是否存在瑕疵。品質管理部門希望了解模型在大量檢測影像中的整體判斷規律（例如哪些特徵整體而言對瑕疵判定影響最大）。上述需求屬於可解釋 AI（XAI）中的何種解釋方式？
- A. 局部解釋（Local Explanation）
- B. 反事實解釋（Counterfactual Explanation）
- C. 全局解釋（Global Explanation / 闡述模型整體的決策機制）
- D. 結構簡化（Architecture Simplification）
Câu 16. 某手機 App 提供「舊照片修復」功能，其模型訓練流程為：先將清晰影像逐步加入隨機雜訊，直到完全變成雜訊影像，再訓練模型學習如何逐步去除雜訊以還原出清晰影像。請問此功能主要採用下列哪一種生成式 AI 架構？
- A. 生成對抗網路（GAN）
- B. 卷積神經網路（CNN）
- C. 變分自編碼器（VAE）
- D. 擴散模型（Diffusion Model）
Câu 17. 使用多種品種的貓影像訓練生成對抗網路（GAN），希望生成多樣化的貓影像。訓練過程中，生成器（Generator）逐漸只會反覆產生同一隻橘貓影像來騙過鑑別器（Discriminator），導致生成結果極度缺乏多樣性。此現象稱為？
- A. 過擬合（Overfitting）
- B. 模式崩塌（Mode Collapse）
- C. 梯度爆炸（Exploding Gradient）
- D. 梯度消失（Vanishing Gradient）
Câu 18. 某團隊在對語言模型進行對齊（Alignment）訓練時，引進了「基於人類回饋的強化學習（RLHF）」技術。關於 RLHF 的核心作法，下列敘述何者最正確？
- A. 收集人類對模型回覆偏好的排序，建立獎勵模型（Reward Model）作為模型強化學習優化的依據
- B. 收集大量公開書籍文字重新進行預訓練，以提升模型專業度
- C. 透過系統提示詞（System Prompt）引導模型直接產生符合規範的回覆
- D. 直接進行監督式微調（Supervised Fine-Tuning），不需評估人類偏好
Câu 19. 某團隊預計在智慧手機本機端（邊緣裝置）執行微型大語言模型來提供即時語音翻譯。考量裝置記憶體（RAM）容量與續航力限制，工程師建議部署前對模型進行「量化（Quantization）」處理。請問關於量化處理的預期效益與影響，下列敘述何者最正確？
- A. 經過量化處理後的模型必須即時連回雲端伺服器校正，否則無法獨立運作
- B. 能在完全不影響原本輸出品質的前提下無限壓縮模型體積
- C. 量化後會自動在裝置上動態增加參數數量以彌補精度損失
- D. 能大幅減少模型檔案體積與記憶體佔用，並加速本機推論，但模型品質可能會受輕微影響
Câu 20. 某銀行分析師採用「排列特徵重要性（Permutation Feature Importance）」方法測試信用評分模型，逐一將單一特徵的數值順序隨機打亂後重新測試模型表現。下列敘述何者最符合此方法判斷特徵重要性的原則？
- A. 必須先計算該特徵與信用評分結果的線性相關係數
- B. 打亂後模型的預測誤差完全不變，代表該特徵對模型越重要
- C. 打亂某特徵的數值後，若模型的預測誤差增加越多，代表該特徵對模型越重要
- D. 打亂特徵順序後必須重新訓練模型才能判斷重要性
Câu 21. 某銀行導入 AI 貸款核算系統，發現即使訓練資料中已不包含「職業別」欄位，模型仍可能透過「居住地區」與「消費類別」等高度相關特徵對特定族群產生偏誤。依據 AI 治理精神，銀行應優先採行何種行動？
- A. 增設人工複核關卡，由授信人員針對系統所有的核貸結果重新逐案審查
- B. 提高居住地區與消費類別兩項特徵的資料準確度
- C. 引入公平性評估指標（Fairness Metrics），檢視間接關聯特徵是否造成偏誤並對模型進行調整優化
- D. 於核貸結果中另行加註職業別標籤，以作為日後申訴的佐證依據
Câu 22. 某製造企業欲建置產線 AI 品質檢測系統，利用生產線攝影機即時判斷零件表面是否存在細微刮痕。下列哪種技術最適合用於處理此類圖像特徵提取與缺陷辨識？
- A. 強化學習（Reinforcement Learning）
- B. 決策樹（Decision Tree）
- C. 分群演算法（Clustering Algorithm）
- D. 卷積神經網路（CNN）
Câu 23. 依據數位發展部《公部門人工智慧應用參考手冊》與政府機關使用生成式 AI 規範，下列何者屬於公務機關使用生成式 AI 必須遵守的核心紅線與原則？
- A. 製作國家機密文書及一般公務機密文書，得由生成式 AI 自動產出草稿以增進效率
- B. AI 生成內容僅供參考，業務承辦人仍須進行最終客觀專業判斷並承擔最終責任
- C. 得將未公開的民眾個人申辦資料輸入雲端公用大語言模型進行彙整
- D. 系統產生的所有決策與法律責任均由 AI 模型開發廠商負擔
Câu 24. 某零售企業資料科學團隊在預估會員「年收入」特徵時，發現資料呈現右偏分佈（正偏態，Skewness to the Right，極端高收入少數值拉高平均值）。若在不刪除極端值前提下，選擇合適的缺失值填補方式，下列何者最適當？
- A. 填補該特徵的平均值（Mean）
- B. 填補該特徵的眾數（Mode）
- C. 填補該特徵的中位數（Median）
- D. 將缺失值直接填補為 0
Câu 25. 某保險公司建置理賠風險預測模型，主管要求模型驗證流程需具備可重現性（Reproducibility），以符合模型治理與稽核要求。若模型驗證採用包含隨機資料切分的 K-Fold 交叉驗證，下列何者最能確保每次執行時樣本分割結果一致？
- A. 增加資料集的特徵數量
- B. 固定隨機數種子（Random Seed / Random State）
- C. 將 K 值由 5 折提高至 10 折
- D. 重複執行多次交叉驗證並取平均值
