監控與維護

某電商平台建置機器學習模型，用於預測用戶在瀏覽特定商品後的購買機率。 模型上線初期表現穩定，但維運團隊在定期審查中發現兩種不同情形： 情形甲：模型上線半年後恰逢消費趨勢轉變，過去高購買意願的用戶行為模式 （如長時間停留商品頁）不再是強烈的購買訊號，即便輸入特徵分布與訓練期相近，模型預測準確率仍明顯下降。 情形乙：平台新增了行動裝置端的入口，新用戶的年齡分布、裝置類型與使用時段特徵與原訓練資料差異顯著，導致模型對這批用戶的預測偏差增大。 下列哪一項最能正確對應兩種情形所屬的模型劣化類型？

1. A甲為資料漂移（Data Drift）、乙為概念漂移（Concept Drift）；
2. B甲為概念漂移（Concept Drift）、乙為資料漂移（Data Drift）；
3. C甲為模型過擬合（Overfitting）、乙為資料漂移（Data Drift）；
4. D甲與乙均屬概念漂移（Concept Drift），因為兩者都導致模型預測準確率下降

某企業已將 AI模型部署於生產環境，為確保系統持續穩定運作，並能提前偵測模型效能可能衰退，技術團隊希望透過監控指標進行預警。下列哪一項監控指標最具預測效力，能提早發現模型效能下滑風險？

1. A系統CPU 與記憶體使用率波動幅度
2. B模型推論結果的置信度（Confidence）分佈變化趨勢
3. CAPI平均回應時間與延遲百分位數變化
4. D輸入特徵與訓練資料分布差異的 PSI（Population Stability Index）指數

某企業的AI 模型已部署於線上服務環境中，用於即時預測顧客流失機率。近期團隊注意到模型預測準確率逐漸下降，但系統運作正常且未出現錯誤訊息。經分析發現，近期輸入資料的分布與模型訓練資料相比出現顯著偏移。若要在 MLOps流程中主動偵測並預警此類問題，最應採用下列哪項措施？

1. A建立即時的資料漂移（Data Drift）與概念漂移（Concept Drift）監測機制
2. B將模型轉換為量化版本以降低延遲
3. C增加模型超參數調整次數以強化適應性
4. D使用固定隨機種子（Random Seed）確保訓練穩定

某保險公司將理賠金額預測模型正式部署上線，MLOps 團隊設計監控機制。三個月後模型整體均方根誤差（RMSE）無明顯變化，但業務單位反映高額理賠案件的預測誤差明顯增加。經分析，高額理賠案件僅佔約 5%的樣本比例，且未被監控機制及時發現。請問最可能的設計缺陷為何？

1. A監控頻率不足，應由每日批次監控改為即時串流監控
2. B高額理賠案件屬於長尾分布，難以透過監控指標偵測，因此無法透過監控機制發現問題
3. CRMSE 無法有效反映高額誤差，應改以平均絕對誤差（MAE）作為主要監控指標
4. D僅監控整體 RMSE，未針對不同理賠金額區間進行分群監控

某銀行的信用卡風控模型已穩定上線一年，主要用於偵測盜刷交易提醒。近期在未對模型或特徵工程進行調整的情況下，系統觀察到深夜電商交易的核准率明顯上升，盜刷攔截率下降，但模型 AUC 幾乎維持不變，且交易金額、地區與裝置等特徵分布未出現明顯變化。進一步分析發現，疫情後使用者行為改變，使原本被視為高風險的交易型態逐漸轉為一般消費。下列何者最能敘述此現象的原因？

1. A資料漂移（Data Drift），因輸入特徵分布發生變化
2. B訓練與服務偏差（Training-Serving Skew），因線上與離線特徵處理不一致
3. C概念漂移（Concept Drift），因特徵與目標標籤之間的關聯性改變
4. D決策閾值偏移（Threshold Shift），因分類門檻設定不當導致預測偏差

某零售電商平台已建立模型監控儀表板，用於追蹤線上推薦模型的運作狀態與效能表現。維運工程師需判斷哪些指標屬於「線上持續監控（Continuous Monitoring）」的範疇。下列指標中，哪一項最不適合在即時監控系統中追蹤，而應改由離線實驗追蹤系統管理？

1. A訓練實驗中每個 Epoch 的學習率（Learning Rate）變化曲線與超參數（Hyperparameter）設定軌跡
2. B線上推論 API的P50/P95/P99 回應延遲與每日請求量（RPS）趨勢
3. C輸入特徵分佈的族群穩定性指數（Population Stability Index, PSI），偵測資料漂移
4. D模型預測結果分佈（如 CTR）與定期回收的人工標註結果之對比