嗨 我是CCChen
分享iPAS AI應用規劃師中級考試~不同難度模擬題目
目的: 測試提示詞優化設計結果科目一, 難度1~10級, 三種等級題目, 每級10題
📘 科目一 比較題練習題庫（難度 1–3）
難度 1（基礎認知，對比理解）
Q1. 在 AI 技術應用中，若需同時滿足「降低影像檢測誤判」與「減少模型計算量」，最合適的方法是：
A. 增加訓練樣本數
B. 使用池化層（Pooling Layer）
C. 改用生成式 AI
D. 僅使用文字資料訓練
✅ 正確答案：B
📝 解析：池化層可在保持主要特徵的同時降低資料維度，能減少過擬合與運算量，符合「降低誤判 + 減少計算量」雙重條件。
Q2. 若企業同時希望「提升客戶抱怨分析的效率」與「降低人工客服人力成本」，應選擇的 AI 技術是：
A. 電腦視覺 (CV)
B. 自然語言處理 (NLP)
C. 多模態 AI
D. MLOps
✅ 正確答案：B
📝 解析：NLP（如情感分析、聊天機器人）能處理文字訊息，符合「自動化客服分析 + 降低人力成本」雙重條件。
Q3. 若企業同時要求「自動生成 ESG 報告」與「符合歐盟 AI Act 的透明性要求」，最合適的 AI 應用是：
A. 生成式 AI + 人工審核機制
B. 電腦視覺自動檢測
C. 強化學習自動決策
D. 僅用大數據可視化
✅ 正確答案：A
📝 解析：生成式 AI 能產出 ESG 報告，但須結合人工審核，才能符合「自動化生成 + 合規透明」的雙重條件。
難度 2（中階應用，場景比較）
Q4. 若工廠同時需要「即時檢測產品瑕疵」與「減少碳排放數據處理延遲」，最佳方案是：
A. 邊緣運算 + 電腦視覺
B. 雲端運算 + NLP
C. 區塊鏈 + 強化學習
D. 人工標註 + 統計分析
✅ 正確答案：A
📝 解析：邊緣運算能減少數據傳輸延遲，CV 能即時檢測瑕疵，符合「即時檢測 + 降低延遲」雙重需求。
Q5. 若企業同時強調「AI 系統與 ERP 整合」與「模型需能持續更新」，最合適的導入方式是：
A. 單次模型訓練
B. MLOps 流程
C. 傳統 BI 報表
D. 僅使用資料湖
✅ 正確答案：B
📝 解析：MLOps 提供版本管理、持續部署與監控，能確保「系統整合 + 模型持續更新」兩個條件。
Q6. 在 AI 專案中，若同時要「降低偏見風險」與「提升決策的可解釋性」，應優先考慮：
A. 貝氏模型 + 公平性測試
B. 黑箱深度神經網路
C. 隨機森林 + 無監督學習
D. 僅使用強化學習
✅ 正確答案：A
📝 解析：貝氏模型具可解釋性，加上公平性測試，能兼顧「風險降低 + 可解釋」雙重需求。
難度 3（進階比較，專業應用）
Q7. 在 AI 系統規劃中，若同時需要「處理語音客服數據」與「結合文字紀錄做跨模態分析」，最佳解決方案是：
A. NLP + 電腦視覺
B. ASR (自動語音辨識) + NLP
C. 區塊鏈 + 資料湖
D. 僅用 CV 模型
✅ 正確答案：B
📝 解析：ASR 可將語音轉文字，再交由 NLP 分析，符合「語音客服處理 + 文字結合分析」雙重需求。
Q8. 若企業要同時達成「快速生成行銷文案」與「確保生成內容不違反品牌規範」，最合適的技術策略是：
A. 生成式 AI + 規則庫審核
B. 強化學習自動化決策
C. 電腦視覺廣告素材檢測
D. 傳統資料探勘
✅ 正確答案：A
📝 解析：生成式 AI 能自動產生內容，結合規則庫審核才能確保品牌一致性，滿足「快速生成 + 合規」雙重條件。
Q9. 在導入 AI 專案時，若同時要「因應歐盟 CBAM 碳足跡查驗」與「符合 AI Act 合規要求」，企業應採取的策略是：
A. 建立碳足跡數據平台 + AI 治理框架
B. 只導入 CV 模型
C. 外包客服給 NLP 模型
D. 僅強化行銷數據分析
✅ 正確答案：A
📝 解析：同時面對 CBAM 與 AI Act，需在系統層面結合碳足跡數據平台與 AI 治理，滿足「環保合規 + AI 合規」雙重條件。
Q10. 若工廠同時要「降低瓶頸工序的檢測時間」與「減少因 AI 誤判造成的損失」，最佳作法是?
A. CV 模型 + 人工覆核機制
B. 全自動黑箱深度模型
C. 純人工目檢
D. 區塊鏈溯源系統
✅ 正確答案：A
📝 解析：CV 模型能加速檢測，但需人工覆核以降低誤判損失，符合「加快檢測 + 減少誤判」雙重需求。
✅ 總結
- 難度 1 → 注重 AI 基本應用比較（NLP vs CV, Pooling, ESG報告）。
- 難度 2 → 注重 AI 導入與管理比較（MLOps, 邊緣運算, ERP 整合）。
- 難度 3 → 注重 國際合規 + 技術複合應用比較（CBAM + AI Act, 多模態應用, 生成式 AI 規則庫）。
📘 科目一 中高階題庫（難度 4–6）
難度 4（應用層級，偏專業）
Q1. 若企業同時需要「AI 模型能快速更新版本」與「可在 ERP 系統中無縫串接」，最佳技術策略是：
A. 單次模型訓練 + 批次部署
B. MLOps 流程 + API 部署
C. 傳統 BI 系統 + SQL 查詢
D. 僅用本地伺服器部署
✅ 答案：B
📝 解析：MLOps 能確保模型持續訓練與版本管理，API 部署能與 ERP 等業務系統無縫串接，符合「快速更新 + 系統整合」。
Q2. 若專案要求「AI 系統須支援即時決策」與「降低雲端延遲風險」，最合適的方案是：
A. 雲端計算 + 巨量批次處理
B. 邊緣運算 + 輕量化模型
C. 強化學習 + 區塊鏈存證
D. 本地資料庫查詢 + 人工審核
✅ 答案：B
📝 解析：邊緣運算能縮短資料傳輸時間，輕量化模型能在設備端即時推論，符合「即時決策 + 降低延遲」。
Q3. 若 AI 應用需要「確保醫療影像診斷的公平性」與「符合 AI Act 合規性要求」，最適合的做法是：
A. 黑箱 CNN 模型
B. 模型解釋性工具 + 偏見檢測
C. 僅使用歷史數據訓練
D. 外包至第三方標註公司
✅ 答案：B
📝 解析：醫療領域需高透明度與公平性，必須同時導入解釋性工具（如 SHAP、LIME）與偏見檢測流程，符合「公平性 + 合規」。
難度 5（分析層級，高專業）
Q4. 若企業導入 AI 以檢測產品缺陷，同時需要「高準確率」與「可持續監控模型效能」，最佳部署方式是：
A. 單次模型訓練 + 人工抽驗
B. MLOps + 模型效能監控（監測數據飄移）
C. 僅用統計抽樣
D. 全自動黑箱模型，不做監控
✅ 答案：B
📝 解析：MLOps 提供持續監控與 retraining，能同時滿足「準確率維持 + 效能監控」需求。
Q5. 在 AI 技術選型時，若同時需要「影像分類效率高」與「運算資源消耗低」，最佳演算法選擇是：
A. 深層 Transformer
B. 輕量化 CNN (如 MobileNet)
C. RNN
D. GAN
✅ 答案：B
📝 解析：MobileNet 等輕量 CNN 兼具高分類效能與低運算需求，符合「效率 + 資源節省」。
Q6. 若 AI 導入專案必須同時考量「跨部門利害關係人需求」與「AI 技術選型的可行性」，正確的步驟應是：
A. 直接挑選演算法再告知部門
B. 先做需求分析 + 技術可行性評估
C. 由研發部單方面決定
D. 只依照供應商建議
✅ 答案：B
📝 解析：需求分析確保滿足業務痛點，可行性評估能挑選適合技術，符合「跨部門需求 + 技術適配」。
難度 6（綜合層級，跨領域專業）
Q7. 若企業要同時「防止 AI 模型因數據飄移而失效」與「確保合規性審核能即時提供證據」，最佳策略是：
A. 單次部署模型 + 靜態文件存檔
B. 模型監控 + 日誌追蹤與審計 (Audit Trail)
C. 僅依靠人工抽查
D. 移除偏差數據即可
✅ 答案：B
📝 解析：監控能偵測數據飄移，審計追蹤能滿足合規要求，符合「效能維持 + 合規審核」。
Q8. 若工廠導入 AI 系統時，需同時滿足「即時產線瑕疵檢測」與「與 IoT 感測器數據整合」，最佳技術組合是：
A. 區塊鏈 + NLP
B. CV 模型 + 邊緣運算 + IoT 數據整合
C. 雲端批次運算 + 人工抽檢
D. 強化學習 + 客服系統
✅ 答案：B
📝 解析：CV 負責檢測，邊緣運算提升即時性，IoT 整合產線數據，滿足「即時檢測 + 數據整合」。
Q9. 若企業希望「減少模型壓縮造成的精度損失」與「同時降低部署成本」，應選擇：
A. 模型量化 (Quantization) + 知識蒸餾 (Knowledge Distillation)
B. 單純使用黑箱大型模型
C. 只進行剪枝 (Pruning)
D. 僅依賴硬體升級
✅ 答案：A
📝 解析：量化可降低計算成本，知識蒸餾能保持精度，符合「精度維持 + 成本降低」。
Q10. 若 AI 系統需同時「確保輸出內容合乎倫理規範」與「避免提示攻擊（Prompt Injection）」風險，最適合的方案是：
A. 僅依靠黑箱大型語言模型
B. 建立 AI 治理框架 + 安全防護機制 (輸入/輸出過濾)
C. 完全關閉生成式 AI
D. 將審核外包給第三方
✅ 答案：B
📝 解析：AI 治理框架能規範倫理標準，輸入/輸出過濾能抵禦提示攻擊，符合「倫理合規 + 安全防護」。
✅ 總結
- 難度 4 → 偏應用，重點在 MLOps + API + 邊緣運算。
- 難度 5 → 偏分析，強調 演算法選型 + 部門需求對齊。
- 難度 6 → 偏綜合，融合 治理、安全、模型壓縮、IoT 整合。
📘 科目一 高階/專家級題庫（難度 7–10）
難度 7（跨國合規，國際要求）
Q1. 若台灣製造商同時需要「符合歐盟 AI Act 的高風險系統規範」與「滿足 CBAM 的碳排放追蹤要求」，最佳策略是：
A. 建立 AI 模型壓縮方案
B. 建立 AI 治理框架 + 碳足跡數據平台
C. 導入純雲端運算
D. 僅使用 ESG 手冊報告
✅ 答案：B
📝 解析：AI Act 需要治理框架（透明、解釋、公平），CBAM 需要碳足跡平台，結合兩者才能滿足「AI 合規 + 碳規範」。
Q2. 若企業同時出口到 歐盟 與 美國，需符合「GDPR 個資保護」與「NIST AI 風險管理架構」的要求，最佳做法是：
A. 僅導入 GDPR 合規
B. 導入數據匿名化 + 模型風險評估流程
C. 完全不收集數據
D. 僅採購外部演算法
✅ 答案：B
📝 解析：GDPR 重在數據保護（匿名化），NIST AI RMF 重在風險評估，需雙軌並行才能符合兩地要求。
難度 8（責任AI，倫理與風險治理）
Q3. 若醫療 AI 系統同時需要「確保演算法公平性」與「避免黑箱問題影響臨床信任」，最佳方案是：
A. 黑箱深度學習模型
B. 模型解釋工具 (SHAP/LIME) + 公平性測試
C. 僅依靠人工醫師判斷
D. 將數據外包給第三方
✅ 答案：B
📝 解析：醫療高風險領域必須兼顧「公平性 + 可解釋性」，否則不符責任 AI 要求。
Q4. 在金融 AI 專案中，若同時要「降低模型對弱勢群體的歧視」與「符合責任 AI 原則的透明度」，正確策略是：
A. 使用生成式 AI 自動決策
B. 偏見偵測工具 + 模型透明化報告
C. 僅用歷史資料不調整
D. 強化模型複雜度以提升效能
✅ 答案：B
📝 解析：偏見偵測能降低歧視，透明化報告能符合法規要求，符合「公平 + 透明」雙重條件。
難度 9（模型最佳化）
Q5. 若工廠 AI 模型需同時「降低部署成本」與「保持準確度不下降」，最佳技術組合是：
A. 剪枝 (Pruning) + 知識蒸餾
B. 僅使用更大模型
C. 移除所有非關鍵特徵
D. 區塊鏈數據存證
✅ 答案：A
📝 解析：剪枝降低參數，知識蒸餾讓小模型學習大模型知識，能兼顧「降低成本 + 保持準確」。
Q6. 在 AI 部署時，若需同時「防止模型因數據飄移而退化」與「維持系統效能可監管」，最佳方法是：
A. 單次訓練後不更新
B. 數據監控 + 自動化模型重訓 (Auto-Retraining)
C. 僅靠人工驗證
D. 直接購買外部 API
✅ 答案：B
📝 解析：持續監控數據飄移並自動 retraining，能滿足「持續效能 + 可監管」雙重條件。
難度 10（產業應用案例，專家級）
Q7. 若台灣物流業要同時「降低即時配送延遲」與「減少車隊的碳排放」，最佳 AI 導入方式是：
A. 路徑規劃 AI + 邊緣運算 + 碳排數據監控
B. 純人工調度
C. 使用生成式 AI 撰寫報告
D. 黑箱模型不解釋路徑選擇
✅ 答案：A
📝 解析：智慧物流必須同時解決「時效 + 碳排」，結合路徑優化與碳數據管理最合適。
Q8. 在製造業中，若同時要「透過電腦視覺降低產品瑕疵」與「符合歐盟 AI Act 的高風險監管要求」，最佳方案是：
A. CV 檢測 + 人工覆核 + 模型可解釋性工具
B. 單純自動化 CV 模型
C. 只依靠人工檢測
D. 純粹用統計抽樣
✅ 答案：A
📝 解析：AI Act 規範高風險應用需可解釋與人工監督，符合「瑕疵檢測 + 合規」。
Q9. 若一家電商平台同時要「利用 NLP 提升客服效率」與「確保用戶隱私符合 GDPR」，最佳策略是：
A. NLP 模型 + 數據匿名化處理
B. 單純導入聊天機器人
C. 僅依賴人工客服
D. 開放原始數據不做隱私保護
✅ 答案：A
📝 解析：NLP 解決效率問題，匿名化確保個資合規，符合「效率 + GDPR」雙重條件。
Q10. 若台灣政府推動「AI＋淨零」政策，要求同時「培養跨領域 AI 人才」與「推動產業低碳轉型」，最合適的策略是：
A. AI 教育學程 + 產學合作 + 碳數據平台
B. 僅提升大模型效能
C. 全部交給外資企業
D. 忽略教育專注硬體
✅ 答案：A
📝 解析：AI 人才培育需跨領域教育，產業低碳轉型需碳數據平台支持，符合「人才 + 低碳」雙重條件。
✅ 總結
- 難度 7–8：偏向跨國合規 & 責任 AI。
- 難度 9：偏向模型最佳化與 MLOps。
- 難度 10：偏向產業應用案例（物流、製造、電商、政策）。
