115年第一次初級AI應用規劃師
生成式AI應用與規劃

某零售企業導入生成式AI 商品推薦系統。測試結果顯示,在購物行為、偏好設定與價格區間相同的情況下,不同客戶族群收到的推薦商品類型仍出現明顯差異,且差異方向不易以既有行銷策略解釋。若在模型架構與推論設定皆未調整情形下,專案目標是優先降低可能的模型偏差風險,下列何者最合理?

1. A重新檢視訓練資料的樣本分布與代表性
2. B限制推薦結果僅顯示高銷量商品
3. C降低模型參數規模以簡化決策邏輯
4. D提高推薦結果的隨機性以增加多樣性

在進行大型語言模型 (LLM) 企業專屬知識的Fine-tuning時,若內部 GPU 運算資源與記憶體嚴重受限,下列哪一種參數高效微調(PEFT, Parameter Efficient Fine-Tuning)技術最能在維持模型效能的前提下,顯著降低需更新的參數數量?

1. A知識蒸餾(Knowledge Distillation)
2. B提示詞工程(Prompt Engineering)
3. C梯度凍結(Gradient Freezing)
4. D低秩適配(Low-Rank Adaptation)

某企業規劃透過Low-Code 平台建置可視化儀表板,以支援營運數據的即時監控與分析判讀。若企業特別關注儀表板顯示結果的穩定性與分析可信度,下列何者最應優先確認?

1. A是否具備穩定的資料串接能力與即時更新機制
2. B是否提供自動化決策建議與預測分析模組
3. C是否支援彈性介面設計與多角色權限管理
4. D是否整合流程觸發與跨系統通知功能

某企業導入生成式 AI 客服系統後發現,系統整體運作穩定,且在單位時間內可處理大量對話請求。部分使用者仍反映在互動過程中回覆出現卡頓感,經初步排除網路連線與前端介面效能問題後,若專案團隊希望針對此現象進行效能測試,下列何者最符合測試重點?

1. A評估系統長時間運作的穩定程度
2. B測量系統單位時間的總處理量
3. C比較不同回覆內容的語言品質
4. D分析單次互動回覆的反應速度表現

某企業導入生成式AI系統,希望自動產出客服回覆與內部文件摘要。系統需能理解使用者輸入的完整語句內容,並在回覆中維持語意連貫,即使對話內容較長仍能保持上下文一致性。基於上述需求,下列何種模型架構最為適合?

1. A卷積神經網路(Convolutional Neural Network, CNN)
2. B遞迴神經網路(Recurrent Neural Network, RNN)
3. C基於 Transformer 架構的自迴歸模型(Autoregressive Model)
4. D生成對抗網路(Generative Adversarial Network, GAN)

OpenAI 已為 Sora 生成的影片提供多種出處證明機制,以降低誤導性或欺騙性內容帶來的風險。下列何者不屬於目前 OpenAI 官方為 Sora 內容提供的出處證明工具?

1. A所有資產上內嵌的 C2PA (Content Credentials)元數據
2. B預設可見的動態浮水印
3. C用於追蹤生成內容的內部反向影像與音訊搜尋工具
4. D平台對外開放的實時來源驗證介面

某企業導入 No-Code/Low-Code 平台,讓各部門能自行建立資料分析與流程應用。隨著使用範圍擴大,管理層開始關注資料權限、存取紀錄與合規要求。依資料治理觀點,下列何者最合理描述此類平台對企業治理機制的典型影響?

1. A平台內建角色權限與資料存取控管機制,有助治理制度落實
2. B平台強化部門自主性,通常使既有治理流程難以延續
3. C平台主要支援應用快速開發,資料治理仍需完全仰賴外部系統
4. D平台透過自動化設定機制,可顯著降低治理與合規管理需求

某製造企業規劃於設備端建置邊緣運算(Edge Computing)架構,並以 No-Code/Low-Code 平台開發即時監控應用。測試顯示,系統在雲端環境執行順暢,但在部署至邊緣裝置後出現回應延遲與效能下降。依此情境判斷,下列何者最合理解釋該現象?

1. A邊緣運算架構可降低系統對效能的需求
2. BNo-Code/Low-Code 平台僅能在雲端環境執行
3. C雲端部署通常比邊緣部署更容易出現延遲
4. D邊緣裝置通常受限於運算能力與可用資源

某企業使用生成式 AI 進行文字分類,初期僅根據既有業務資料設計少量樣本提示(Few-shot Prompting)。當模型應用至新市場資料時,團隊發現分類結果明顯不穩定,且原先提供的範例並未涵蓋新市場常見的表達方式。依此情境判斷,下列何者最可能為主要原因?

1. A模型容易對單一範例產生過度記憶
2. B少量範例難以涵蓋新情境的資料差異
3. CPrompt 設計無法引導模型擷取共通特徵
4. D模型推理能力不足以完成分類任務

某企業建置檢索增強生成(Retrieval-augmented generation, RAG)系統支援內部知識查詢。隨著使用量提升,團隊發現模型回覆品質穩定,但推論延遲與運算成本逐漸增加。專案規劃在維持回覆品質前提下進行效能優化。在此情境下,若採用知識蒸餾(Knowledge Distillation),下列敘述何者最為合理?

1. A將檢索資料轉換為結構化規則以取代模型
2. B僅透過增加檢索文件數量改善效能
3. C停用生成模型以避免延遲問題
4. D使小型模型學習大型模型行為,以降低推論成本

某零售企業規劃提升門市數據應用能力,目標包括:門市主管可自行調整分析畫面與檢視指標呈現,以及由行銷部門建立銷售預測模型,以支援補貨與促銷規劃。企業在選型時以工具的主要功能定位與典型用途作為評估依據。依此需求判斷,下列哪一項 AI 工具使用規劃最合理?

1. A以 AutoML 作為分析介面調整平台,No-Code 平台用於模型訓練
2. B以 No-Code 平台支援分析與介面調整,AutoML 負責模型建立
3. C僅導入 No-Code平台,同時滿足高階模型建立與分析需求
4. D僅導入 AutoML,以兼顧介面調整與模型訓練

下列何者最能正確說明 Model Context Protocol (MCP)與檢索增強生成(Retrieval-Augmented Generation, RAG)在功能定位上的主要差異?

1. AMCP 主要用於降低模型訓練成本;RAG 主要用於提升推論速度
2. BMCP 著重模型與外部工具或系統互動;RAG 著重補充模型知識來源
3. CRAG 必須依賴向量資料庫;MCP 不需任何外部整合
4. DRAG 屬標準化通訊協議;MCP 屬資料檢索技術

某企業建置文件型知識查詢系統,將大量長篇內部文件轉換為可供生成式 AI使用的知識來源。在測試過程中,團隊發現若直接以整份文件進行檢索,模型回覆常包含無關內容,且引用段落不夠精準。團隊評估後,決定導入 Chunking 機制的主要目的為何?

1. A透過縮短輸入長度,加速模型推理流程
2. B提升檢索結果的語意對齊程度,並降低長文件帶來的干擾
3. C減少模型執行時的記憶體使用量,以提升系統穩定性
4. D讓模型在生成回覆時具備更高的創意發揮空間

某企業導入大型語言模型(LLM)分析內部報表,使用者經常提供 Excel 匯出的表格資料(如銷售數據與統計表)。測試時發現,模型對原始表格解析效果不穩定。為提升模型理解與回應品質,下列哪一種上下文工程(Context Engineering)作法較為適當?

1. A將表格內容轉換為結構化 JSON 或 Markdown table
2. B在維持原始表格呈現方式下,補充欄位與數據說明
3. C將表格資料隨機切割後分段輸入
4. D直接提供原始表格內容以保留完整資訊

在生成式 AI 應用設計中,情境感知代理(Context-aware Agent)的核心特性為何?

1. A能依任務需求即時重新訓練模型參數以優化結果
2. B僅依使用者當前輸入指令執行任務,不保留歷程資訊
3. C具備跨模態處理能力,可同時理解文字與影像內容
4. D能利用對話歷史、任務狀態調整行為與決策

某企業建置 Agentic AI 系統處理跨部門複雜任務,團隊以解決方案圖譜(Solution Graph)作為規劃框架。下列何者為 Solution Graph 的主要功能?

1. A取代語言模型推理機制,改以圖形搜尋完成決策
2. B作為任務知識庫,用於儲存 AI 已完成案例以供檢索
3. C限制代理(Agent)僅能依固定流程執行,以降低行為不確定性
4. D定義代理(Agent)可參考的任務分解與決策路徑結構

某企業提供大型語言模型(LLM)API 服務,需支援高併發請求與流量波動,同時要求服務不中斷並具備故障容忍能力。若以高可用性與可擴展性為主要設計原則,下列哪一種部署方式較為適當?

1. A採用單一高效能虛擬機(VM)集中部署,以提升資源使用效率
2. B建立多個模型服務實例並透過負載分散機制提供服務
3. C將推論任務改由用戶端設備分擔,以降低伺服器負載壓力
4. D使用 FTP 協議傳輸請求與回應,以減少服務通訊負擔

關於 ChatGPT、Anthropic Claude、GitHub Copilot 等 AI 程式碼輔助工具的運作原理,下列敘述何者正確?

1. A這些工具基於大型語言模型,經由大量程式碼與文本訓練,透過預測下一個符號來生成程式碼,但不保證產生程式碼的正確性
2. BGitHub Copilot 會在提供程式碼建議前執行並驗證該程式碼,確保其執行結果正確無誤
3. CAnthropic Claude 的程式碼建議並非即時生成,而是從事先整理的已知解答資料庫中檢索而得
4. DChatGPT 內建完整的編譯器,可在輸出程式碼前自動編譯並更正所有語法與邏輯錯誤

某新創公司採用 MVP (Minimum Viable Product)策略,導入 Vibe Coding 以加速開發,雖然初期能快速產出可運作功能,但技術主管提醒,在正式上線前仍可能存在程式碼品質與安全風險。下列哪一項措施最合理,以降低品質與安全問題?

1. A直接沿用 AI 生成程式碼至正式環境,以降低開發成本
2. B持續優化提示詞,即可避免大部分品質問題
3. C將生成程式碼納入審查、重構與安全測試流程
4. D限制開發者修改 AI 生成之程式碼架構,以維持一致性

在規劃生成式 AI 解決方案時,下列何種應用場景最適合採用 GPT-Realtime 類型模型?

1. A需長時間批次處理的大規模報表生成任務
2. B即時資料查詢與結構化資訊檢索系統
3. C即時語音客服與互動式 AI 代理
4. D以高一致性為優先的法規文件自動摘要

關於 2025 年 OpenAI 提供的 AgentKit,下列何者最能描述其主要用途?

1. A建立強化式學習(Reinforcement Learning)訓練所需的互動式模擬環境
2. B提供代理(Agent)模型的大規模預訓練與權重優化機制
3. C「Agent-to-Agent」的代理通訊協議
4. D支援 Agents 的建構、工具整合與任務流程開發

所有在 Gemini 應用程式透過 Veo 生成的影片,皆採用何種技術措施來協助企業用戶應對 AI 生成內容可能帶來的不實資訊風險?

1. A嚴格限制所有用戶每日的影片生成次數與使用時間
2. B在所有生成影片的開頭與結尾處強制加入明顯的 AI 標示警語
3. C要求所有影片輸出時必須附帶至少 10秒的免責聲明片段
4. D使用 SynthID 技術在每一幀(frame)影片中嵌入不可見的數位浮水印

某保險公司想建立智慧理賠系統,包含兩個功能:(1)自動判斷理賠案件是否為詐欺案件(2)自動生成理賠調查報告。請問這兩個功能分別屬於哪種 AI 技術類型?

1. A(1)鑑別式 AI (2)生成式 AI
2. B(1)生成式 AI (2)鑑別式 AI
3. C兩者都是鑑別式 AI
4. D兩者都是生成式 AI

某大型製造工廠導入生成式 AI 系統來優化能源消耗,每日需處理約 10 萬筆設備數據並生成能源優化建議。系統每月 API 調用成本約 15 萬元,內部維護人力成本8萬元,基礎設施成本5萬元。該工廠評估導入效益時,下列哪一項總體擁有成本(Total Cost of Ownership, TCO)分析最完整?

1. A主要以 API 調用成本15 萬元作為 TCO 評估基礎
2. B以 API 調用成本15 萬元及維護人力成本8萬元進行整體估算
3. C綜合 API 調用、維護人力與基礎設施等直接成本進行評估,共約28 萬元
4. D除直接成本外,並考量訓練、系統整合與資安合規等相關支出

某機構計畫導入生成式 AI 旅遊資訊服務對話系統自動生成多語言對話。目前每月需人工翻譯 600 則訊息,每則成本50元;若改用 ChatGPTAPI,每則訊息需 2000 Tokens,而 Token 成本0.8元/1000 Tokens,但需額外投入系統整合費用20萬元。關於投資報酬率(Return on Investment, ROI) 評估,下列何者最為正確?

1. A每月節省成本29,040元,系統整合成本約7個月回收
2. B每月節省成本30,000元,系統整合成本約7個月回收
3. C每月節省成本28,040元,系統整合成本約8個月回收
4. D每月節省成本 25,000 元,系統整合成本約8個月回收

某支付平台為了強化洗錢行為檢測,計劃導入生成式 AI 技術來輔助分析可疑交易模式。該平台擁有大量歷史交易記錄和已知洗錢案例資料,希望 AI 能自動生成可疑交易的特徵描述報告。下列哪一種生成式 AI 技術最適合此需求?

1. A使用 Midjourney 生成交易流程圖像
2. B採用 Few-shot Learning 訓練圖像識別模型
3. C運用 RAG 檢索增強生成技術結合歷史案例資料庫
4. D直接使用 ChatGPT 的基礎模型進行分析

某紡織公司希望建立自動化品質檢測流程,既有的 AI 系統檢測到布料瑕疵時,需自動拍照存檔、發送通知給品管人員。該公司具有一定開發人力,希望快速建置此工作流程,並保有彈性調整空間,下列哪一種解決方案最適合?

1. A使用 n8n建立工作流(Workflow),整合 AI 檢測 API、檔案系統、通訊軟體
2. B委外開發客製化程式,完全符合公司需求規格
3. C採購現成的品質管理軟體,直接導入使用
4. D使用 Excel 巨集搭配人工作業處理檢測結果

某市政府交通局計劃導入生成式 AI 技術來自動生成公車到站時間預測的文字報告,每日需處理約50萬筆交通資料並生成 1000 份報告。在評估導入成本時,團隊希望進行 Token Economics 分析(指模型推理與生成過程中,Token 使用量及其費用)。下列何者不屬於 Token Economics 的考量範圍?

1. A每次 API 呼叫所需的輸入 Token 數量
2. B生成報告內容所消耗的輸出 Token 費用
3. CAI 模型訓練階段使用 Token 數量所需的 GPU 記憶體成本
4. D模型推理過程中的 Token 使用量統計

某農業合作社希望建立一套自動化工作流程,當農民透過手機 APP 回報田間病蟲害照片時,系統能自動通知相關專家、建立案件紀錄並排程現場訪查。該合作社IT 資訊人力有限,僅有一位具備基礎程式概念的人員。下列哪一種開發方式最適合此需求?

1. A採用傳統程式開發,從零開始撰寫完整系統
2. B使用純粹的No-Code平台,完全不需要任何程式技能
3. C使用 Low-Code平台,結合視覺化拖拉與少量程式碼
4. D直接購買現成的農業管理軟體,不進行客製化

某市政府環保局想建立一個垃圾分類查詢系統,讓民眾輸入物品名稱後自動判斷分類。由於垃圾種類繁多,但每種分類的訓練範例有限,工程師決定採用少樣本學習(Few-shot Learning)技術。下列何者為少樣本學習(Few-shot Learning)的主要特徵?

1. A需重新蒐集大規模標註資料,以確保模型具備穩定表現
2. B透過少量任務示例,引導模型適應新情境或新分類需求
3. C不需任何範例輸入,即可完成新任務推論
4. D僅適用於自然語言處理任務,對其他模態效果有限

某有機農場累積了十年的病蟲害防治紀錄文件,包含不同作物的病害症狀描述、防治方法和效果評估。農場主人希望建立一個 AI 助手,能根據農民描述的作物症狀,快速提供相關的防治建議和歷史案例。下列哪一種技術最適合解決這個需求?

1. A直接使用 ChatGPT 的預訓練知識回答農業問題
2. B將所有文件內容加入 ChatGPT 的系統提示詞中
3. C採用 RAG 技術,將農場文件建立向量資料庫,結合大語言模型生成回答
4. D使用少樣本學習(Few-shot Learning),在提示詞中提供 3-5 個病害案例

隨著企業加速導入 AI,No-Code/Low-Code 平台逐漸成為模型開發與產品化的常見工具。相較於傳統自行撰寫程式的建模流程,下列何者最能正確描述此類平台在模型訓練機制上的典型特性?

1. A透過視覺化介面與標準化流程,協助完成模型訓練與調校
2. B主要提供既有模型推論能力,通常不支援重新訓練
3. C著重資料處理與轉換,模型訓練仍需外部工具完成
4. D多數僅適用於特定大數據框架(如 Spark)的訓練流程

某醫療院所希望改善行政效率,規劃讓各科室人員可自行建立行政回報與內部申請表單,並導入 AI 功能以自動判讀與分類填寫內容(如問題類型或需求性質),同時需兼顧流程調整彈性與降低系統開發維運負擔。下列哪一種技術組合最適合?

1. ALow-Code 平台 × 預訓練語言模型 API
2. BNo-Code 平台 × 規則式自動化(Rule-based Automation)
3. C傳統程式開發 × 自建深度學習模型
4. D試算表工具 × 手動資料標記分析

某企業導入 No-Code/Low-Code 平台開放各部門自行開發應用。半年後發現:出現多個功能相近系統、資料欄位定義不一致,且部分應用未經審核即上線,並伴隨權限與維運管理混亂。下列何者最可能為根本問題?

1. A缺乏統一的開發與上線管理機制
2. B平台提供過高的應用設計自主性
3. C部門未建立共用的資料分析呈現標準
4. D系統整合與自動化能力尚未完善

在生成式 AI文字生成模型設計中,Encoder–Decoder 與 Decoder-only 為常見架構。下列何者最能正確說明兩者在資訊處理與生成機制上的核心差異?

1. AEncoder-Decoder 透過編碼與解碼階段處理序列,Decoder-only 則以單一模型完成處理
2. BEncoder-Decoder 區分輸入理解與內容生成階段,Decoder-only 以單一模型同時處理上下文與生成
3. CDecoder-only 架構主要依賴外部知識檢索,Encoder-Decoder 則不需要
4. DEncoder-Decoder 架構僅適用於翻譯任務,Decoder-only 架構較適合對話任務

某連鎖零售企業使用生成式 AI 協助規劃門市補貨策略。決策時需同時考量多項彼此相關的因素,例如:庫存水位、促銷活動、區域銷售差異與物流限制。專案團隊發現,AI雖能逐步說明推論過程,但對於多條件之間的相互影響掌握不足,導致建議結果偶有偏差。若希望透過提示工程(Prompt Engineering)改善此問題,下列哪一種策略最為適合?

1. AChain of Thought,要求模型逐步展開推論
2. BTree of Thoughts,增加多種推論路徑探索
3. CGraph Prompting,以結構化方式呈現條件與關聯
4. DZero-shot Prompting,避免範例影響模型判斷

某電商平台導入生成式 AI 客服助理,用於自動回覆顧客詢問。營運需求包含:需即時反映每日更新的促銷活動與商品資訊,同時維持品牌一致的回覆語氣,且企業希望避免因模型重新訓練所造成的成本增加與系統不穩定。在此情境下,下列哪一種技術策略最合理?

1. A僅進行 Fine-tuning,使模型同時學習品牌語氣與即時促銷內容
2. B僅導入 RAG 更新促銷資訊,期望模型直接從檢索內容學習品牌語氣
3. C透過 Prompt Engineering 控制回覆風格,並以 RAG 引入最新商品與活動資訊
4. D持續進行增量 Fine-tuning,以確保活動資訊同步更新

某企業規劃導入生成式 AI 助理,在正式全面部署前進行概念驗證(PoC),下列何者最不適合作為此階段的主要工作?

1. A驗證模型在實際使用情境下的回覆品質與穩定性
2. B測試 AI 功能與業務需求的匹配程度
3. C制定跨部門使用規範,與長期治理框架
4. D評估系統整合可行性與技術限制

某企業規劃導入生成式 AI 客服系統,需處理顧客查詢並引用歷史交易資料。法遵部門在風險評估中指出,系統若不當處理顧客個人資料,可能引發合規與法律責任。若專案初期希望從資料層面降低敏感資訊暴露風險,下列敘述何者最為合理?

1. A強化模型輸出審查與遮罩機制,以過濾可能出現的敏感資訊
2. B設定 AI 回覆範圍與角色權限,限制其存取特定類型資料
3. C將資料集中於加密儲存環境,並加強系統存取控管
4. D僅提供必要資料或數據欄位與去識別化策略,減少模型接觸可識別個資

某企業導入大型語言模型(LLM)進行客服自動化,並已透過 Fine-Tuning 學習企業標準問答範例,但在實務運作中仍出現回應策略未符合服務優先順序及語氣與品牌風格不一致的情況,因此技術團隊建議再導入 Reinforcement Fine-tuning(RFT)機制進行優化,其主要目的為何?

1. A擴展模型的知識涵蓋範圍與資料記憶能力
2. B透過 reward 訊號調整模型回應策略與行為偏好
3. C提升模型推論速度與降低回應延遲
4. D降低 prompt 設計複雜度並取代訓練流程

企業在評估 AI 決策模型是否存在資料分布偏差時,下列何者最屬於偏見檢測(Bias Detection)而非偏見緩解(Bias Mitigation)措施?

1. A比較不同資料分布的模型預測結果分布與錯誤率
2. B重新加權訓練樣本以平衡資料分布代表性
3. C在推論階段加入輸出過濾規則
4. D調整模型決策閾值(Decision Threshold)以降低預測差異

某企業希望利用含敏感資訊的資料進行 AI 模型訓練,但政策要求原始資料不得外洩,且資料可集中於安全環境中處理。同時,企業希望在資料使用過程中,即使資料處於加密狀態,仍能完成模型計算。在此需求下,下列哪一種技術最為適合?

1. A聯邦學習(Federated Learning)
2. B同態加密(Homomorphic Encryption)
3. C零知識證明(Zero-knowledge Proof)
4. D資料匿名化(Data Anonymization)

某金融服務公司規劃導入生成式 AI,在評估模型部署方式時,基於內部控制與治理要求,企業考慮將大型語言模型建置於公司可管理環境,而非直接採用外部雲端服務。下列何者最能合理說明此部署決策的潛在優勢?

1. A有助提升模型回覆穩定性並降低隨機性影響
2. B可降低敏感資料需傳輸至外部服務的風險
3. C可直接減少模型訓練與維運所需資源投入
4. D可避免模型輸出偏差與幻覺(Hallucination)問題

某智慧製造廠導入語音互動 AI 助理,作業人員可透過語音查詢設備狀態與操作指引。系統流程包含語音轉文字、語言模型生成回覆,以及即時查詢內部系統資料。測試結果顯示:語音轉文字在專業設備術語上錯誤率偏高;語言模型回覆偶有內容不夠精準;系統整體回應速度略慢但仍在可接受範圍。若專案目標為優先確保正確執行指令,下列改進措施的執行順序何者最合理?

1. A優化語言模型 → 強化語音模型 → 優化系統效能 → 調整生成參數
2. B強化語音模型 → 優化語言模型與知識補充 → 調整生成參數 → 優化系統效能
3. C優化系統效能 → 強化語音模型 → 優化語言模型與知識補充 → 調整生成參數
4. D強化語音模型 → 優化系統效能 → 優化語言模型與知識補充 → 調整生成參數

某企業導入生成式 AI 助理,協助內部人員撰寫專案建議與分析報告。團隊希望透過思維鏈(Chain of Thought, CoT) 提示設計提升模型輸出的邏輯性與推理透明度,下列何者最符合該提示策略?

1. A「請直接給出最終建議,不需顯示分析過程。」
2. B「以下提供兩份分析報告範例,請依相同格式產出新報告。」
3. C「請將任務拆為三個步驟:資料整理 → 重點摘要 → 建議產出。」
4. D「請逐步說明你的判斷依據與推理過程,最後再給出結論。」

某金融監理機構規劃導入生成式 AI 以協助內部人員分析申報文件與監理報告,系統需處理大量涉及企業敏感資料與未公開資訊。主管機關明確要求「資料安全與法規遵循必須優先於導入速度與成本考量」。在此條件下,下列哪一種策略最為適當?

1. A採用雲端大型語言模型 API,並透過資料遮罩與加密機制降低外洩風險
2. B導入開源模型進行私有化部署,以兼顧成本彈性與模型可控性
3. C自行訓練並私有化部署模型,同時建立存取控管與稽核機制
4. D先驗證模型效益,再逐步補強合規與資安架構

某製造企業規劃導入生成式AI 協助產線異常紀錄分析,系統將根據設備回報與維修紀錄自動產出問題摘要與建議處置說明。在試行測試階段,為降低營運與決策風險,下列何者最應優先驗證?

1. AAI 生成建議與實際工程判斷的一致性與正確性
2. B系統在高資料量輸入下的處理速度與延遲表現
3. C模型對不同設備品牌資料格式的轉換能力
4. D異常分析報告的視覺化呈現與介面易讀性

某企業將機器學習模型部署於線上推薦系統。模型在測試階段表現良好,但上線數月後,點擊率與預測準確度逐漸下降。經分析發現,近期使用者行為模式與模型訓練期間的資料特徵出現顯著變化。此現象最可能屬於下列何者?

1. A模型過度擬合訓練資料,無法泛化至未知樣本
2. B特徵工程設計不佳,導致輸入資訊不足
3. C資料統計特徵隨時間改變,影響模型推論效果
4. D系統資料結構調整,造成特徵欄位錯置

某企業使用 Low-Code平台建置內部營運系統,系統需整合財務、庫存與第三方物流服務。團隊希望確保系統在跨部門流程與外部服務整合下,具高可靠性與可測試性。下列哪一項作法最能達成目標?

1. A只透過平台提供的流程模擬與即時預覽,檢查常用操作路徑
2. B建立自動化測試流程,結合模擬外部服務與可重複執行的整合測試
3. C將測試重點放在使用者介面操作,確認操作流程是否順暢
4. D上線後再透過使用者回饋與報表監控系統行為,進行修正

某招聘公司使用生成式AI生成面試問題與候選人評估建議。團隊發現模型可能對性別或年齡產生的資料分布偏差。下列哪一種策略最能有效降低生成偏差輸出的風險?

1. A調整模型架構與參數,使生成更靈活與多樣化
2. B大幅增加訓練資料量,但不清理或平衡資料中的性別與年齡分布
3. C在生成後對模型輸出進行人工審查,並依偏差情況修正結果
4. D僅允許高階主管操作系統,透過人員篩選控制生成結果