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三, 難度1~10級, 三種等級題目, 每級10題
📘 科目三：機器學習技術與應用 – 難度 1–3 題庫（情境應用題）
難度 1（基礎應用）
Q1. 某公司想要建立一個垃圾郵件分類系統，他們希望「能辨識郵件是否為垃圾信」並且「能隨著新郵件持續改進」，最合適的方法是：
A. 使用監督式學習（分類模型），並定期更新訓練數據
B. 使用非監督式學習（聚類模型），一次性建立分群
C. 僅用關鍵字規則過濾，不需更新模型
D. 使用生成式模型，自動產生郵件內容進行分類
✅ 答案：A
📝 解析：垃圾郵件屬於 二元分類問題，需監督式學習（如邏輯迴歸、SVM）；且必須持續 retraining，才能適應新型垃圾郵件。
Q2. 某醫院要利用 AI 協助醫生「從 X 光片中判斷是否有肺炎」並「需快速輸出診斷結果」，最適合的模型是：
A. CNN 模型，因為能擷取影像特徵並即時分類
B. RNN 模型，因為擅長處理序列數據
C. 決策樹，因為解釋性高但影像特徵處理有限
D. GAN 模型，因為能產生新影像資料
✅ 答案：A
📝 解析：X 光片為影像資料，**CNN（卷積神經網路）**最適合處理圖像辨識，能滿足快速診斷的需求。
Q3. 某電商平台希望「分析顧客評論情緒」並「即時回覆顧客」，最合適的技術組合是：
A. NLP 情感分析模型 + 聊天機器人
B. CV 模型 + 圖像檢測
C. 聚類模型 + 批次匯出報告
D. PCA 降維 + 手動標記
✅ 答案：A
📝 解析：顧客評論為文字資料，需 NLP 情感分析，搭配聊天機器人可即時回覆，符合雙重條件。
難度 2（進階應用）
Q4. 某金融機構需要建立「信用卡異常交易偵測」系統，要求能「即時標示異常」並「降低誤報率」，最佳做法是：
A. 使用監督式學習，並加入不平衡數據處理
B. 僅依靠無監督式聚類分析
C. 隨機人工檢查部分交易
D. 使用生成式 AI 模型模擬交易
✅ 答案：A
📝 解析：異常偵測需分類模型，但金融交易屬 不平衡數據，需 SMOTE 等技術處理，才能降低誤報。
Q5. 某製造工廠希望「預測設備故障」並「在故障前主動維護」，最佳解決方案是：
A. 使用時間序列模型（如 LSTM）分析感測器數據
B. 僅用靜態規則檢查機台狀態
C. 依靠人工定期檢修，不用數據
D. 使用電腦視覺模型辨識生產線影像
✅ 答案：A
📝 解析：設備感測器數據是 時間序列，LSTM 能捕捉長期依賴關係，適合做預測性維護。
Q6. 某零售業希望「針對顧客過去購買記錄推薦商品」並「同時應對冷啟動問題」，最合適的方法是：
A. 混合式推薦系統（協同過濾 + 內容過濾）
B. 單純協同過濾，僅靠相似用戶資料
C. 僅依靠內容標籤推薦
D. 使用 GAN 生成商品圖片做推薦
✅ 答案：A
📝 解析：協同過濾適合大量數據，但冷啟動需內容過濾補強，因此 混合式推薦系統最符合需求。
難度 3（初階專業）
Q7. 某城市交通局希望「即時預測交通流量」並「依此調整紅綠燈控制」，最佳解決方案是：
A. 使用時間序列模型 (RNN/LSTM) 搭配即時流式數據處理
B. 使用靜態迴歸模型分析歷史資料
C. 僅靠人工監看 CCTV 影像
D. 利用 GAN 模型生成交通影像
✅ 答案：A
📝 解析：交通流量屬 時間序列，需即時流式數據，RNN/LSTM 能處理序列動態，滿足雙重需求。
Q8. 某電信公司希望「偵測客戶流失」並「提出挽留方案」，最佳模型與方法是：
A. 監督式分類模型 + 特徵工程找出流失因子
B. 僅做無監督分群，不做後續分析
C. 依靠人工客服逐一訪談
D. 僅建立文字生成模型自動回覆
✅ 答案：A
📝 解析：流失屬 二元分類，搭配特徵工程可找出重要因子，協助挽留方案設計。
Q9. 某醫療研究團隊希望「使用 AI 輔助癌症早期檢測」並「需要結果能被醫師理解與解釋」，最適合的技術是：
A. 可解釋性模型（如決策樹/貝氏模型）
B. 黑箱深度神經網路，僅追求準確率
C. 僅靠人工經驗判斷
D. 使用隨機生成模型產生病歷
✅ 答案：A
📝 解析：醫療高風險領域需 可解釋性 AI (XAI)，如決策樹或貝氏模型，才能被醫師信任並應用。
Q10. 某企業想要「分析產品銷售趨勢」並「同時預測下一季銷售量」，最佳方法是：
A. 使用迴歸模型 + 時間序列預測
B. 僅用聚類模型做顧客分群
C. 使用電腦視覺模型處理商品圖片
D. 完全依賴人工經驗
✅ 答案：A
📝 解析：銷售趨勢可用迴歸分析，未來銷售量需時間序列模型（ARIMA/LSTM），符合雙重條件。
✅ 總結
- 難度 1：基礎應用（垃圾郵件、醫療影像、情感分析）。
- 難度 2：進階應用（異常交易、設備維護、推薦系統）。
- 難度 3：初階專業（交通預測、流失偵測、醫療 XAI、銷售預測）。
- 題目設計：選項相似、含陷阱，強調「邏輯推理 + 應用場景對應」。
📘 科目三：難度 4–6 題庫
難度 4（模型調校）
Q1. 某電商公司在建立「顧客流失預測模型」時，發現準確率高達 95%，但實際應用時卻錯誤率很高。他們同時需要「避免模型只偏向多數類別」與「提升少數類別偵測能力」，最佳方法是：
A. 使用 SMOTE 等過採樣技術 + F1-score 評估
B. 僅依靠 Accuracy 當指標
C. 減少特徵數量並重新訓練
D. 完全刪除少數類別樣本
✅ 答案：A
📝 解析：流失預測是 不平衡分類問題，Accuracy 會誤導。SMOTE 可強化少數類別樣本，F1-score 能平衡 Precision/Recall，符合雙重條件。
Q2. 某醫療 AI 系統需要「最佳化超參數」與「避免過度耗費運算資源」，最佳做法是：
A. 隨機搜尋 (Random Search) + 早停 (Early Stopping)
B. 全面網格搜尋 (Grid Search)
C. 不調整任何超參數
D. 使用暴力窮舉法測試所有組合
✅ 答案：A
📝 解析：隨機搜尋比網格搜尋效率高，早停可避免過度訓練，符合「調參 + 資源控制」雙重條件。
Q3. 某工廠的瑕疵檢測模型過擬合，要求「提升泛化能力」與「避免長時間 retraining」，最佳方案是：
A. 使用 Dropout + 正則化 (L2 Regularization)
B. 增加模型層數與參數
C. 僅依靠更多訓練次數
D. 完全移除驗證集
✅ 答案：A
📝 解析：Dropout 與 L2 可有效降低過擬合，並保持訓練穩定，不會增加 retraining 負擔。
難度 5（效能比較）
Q4. 某銀行想比較不同模型的效能，要求同時「評估模型在不同閾值下的表現」與「避免只看單一指標」，最合適的方式是：
A. 繪製 ROC 曲線 + 計算 AUC
B. 只看 Accuracy
C. 只看 Precision
D. 只看 Recall
✅ 答案：A
📝 解析：ROC 曲線可觀察不同閾值下的 TPR/FPR，AUC 提供綜合效能指標，符合雙重條件。
Q5. 某公司同時訓練了 CNN 與 RNN，用於影像與序列數據分析。若需求是「影像辨識速度快」與「序列建模準確」，最佳分工是：
A. CNN 用於影像，RNN 用於序列
B. RNN 用於影像，CNN 用於序列
C. 兩者隨機選用
D. 全部交由人工標註
✅ 答案：A
📝 解析：CNN 擅長影像特徵擷取，RNN 適合處理序列，分工明確符合雙重需求。
Q6. 某金融風控模型需要「提升異常交易偵測率」與「降低誤報率」，最合適的模型選擇是：
A. 隨機森林 (Random Forest) + 特徵工程
B. 單一決策樹
C. 僅用線性迴歸
D. GAN 生成數據直接分類
✅ 答案：A
📝 解析：隨機森林能降低單一樹的偏差與過擬合，特徵工程可提升偵測力，符合「高偵測 + 低誤報」。
難度 6（MLOps 部署與風險控制）
Q7. 某製造業導入 AI 時，要求「模型能持續更新」與「可與 ERP 系統串接」，最佳技術方案是：
A. MLOps 流程 + API 部署
B. 單次模型訓練後人工手動更新
C. 將模型封裝在 Excel 巨集
D. 僅用統計分析，不做串接
✅ 答案：A
📝 解析：MLOps 確保持續更新，API 部署能與 ERP 串接，符合「更新 + 整合」需求。
Q8. 某醫療 AI 系統需要「符合責任 AI 原則」與「降低模型偏見風險」，最佳解決方案是：
A. 使用公平性檢測工具 + 可解釋性模型 (XAI)
B. 僅追求準確率最大化
C. 將少數族群數據完全刪除
D. 全部交由人工判斷，不用 AI
✅ 答案：A
📝 解析：公平性檢測可降低偏見，XAI 提供可解釋性，符合責任 AI 的雙重要求。
Q9. 某物流公司導入 AI 預測配送延遲，要求「即時分析 IoT 感測器數據」與「降低雲端延遲風險」，最佳技術是：
A. 邊緣運算 + 輕量化模型
B. 全部數據上傳雲端批次處理
C. 純人工監控車隊
D. 僅依靠歷史平均值計算
✅ 答案：A
📝 解析：邊緣運算能降低雲端延遲，輕量化模型適合 IoT 即時推論，符合雙重條件。
Q10. 某金融機構導入 AI 模型，要求「避免黑箱決策風險」與「確保模型可被監管單位審查」，最佳策略是：
A. 可解釋性 AI (如 SHAP/LIME) + 模型審計報告
B. 完全使用黑箱深度模型，不解釋
C. 直接刪除所有高風險客戶
D. 僅依靠人工手動報告
✅ 答案：A
📝 解析：XAI 工具提供透明度，審計報告能滿足監管要求，符合「可解釋 + 可審核」雙重條件。
✅ 總結
- 難度 4：模型調校（SMOTE、不平衡處理、Dropout、超參數）。
- 難度 5：效能比較（ROC/AUC、CNN vs RNN、隨機森林）。
- 難度 6：MLOps 與風險控制（API 部署、責任 AI、公平性、XAI、邊緣運算）。
📘 科目三：難度 7–10 題庫
難度 7（跨產業應用）
Q1. 某物流公司導入 AI，要求「降低配送延遲」與「同時滿足政府碳排監管」，最佳解決方案是：
A. 使用路徑最佳化模型 + IoT 感測器數據串流監控
B. 僅依靠歷史平均路徑分析
C. 使用生成式 AI 模擬配送日誌
D. 完全由人工司機調整路線
✅ 答案：A
📝 解析：路徑最佳化能減少延遲，IoT 串流監控能即時提供碳排數據，滿足「效率 + 環保監管」。
Q2. 在零售產業中，若同時需要「精準商品推薦」與「避免冷啟動問題」，最佳策略是：
A. 混合式推薦系統（協同過濾 + 內容過濾）
B. 單純協同過濾，依靠用戶相似度
C. 只依賴商品標籤分類
D. 完全依靠人工推薦
✅ 答案：A
📝 解析：冷啟動時，協同過濾不足，需要內容過濾輔助，混合式系統能兼顧「精準推薦 + 問題解決」。
難度 8（專家級最佳化）
Q3. 某醫療 AI 模型需同時「減少運算成本」與「保持診斷精度」，最佳方法是：
A. 模型剪枝 (Pruning) + 知識蒸餾 (Knowledge Distillation)
B. 單純使用更大模型以增加準確率
C. 移除所有少數族群數據以簡化訓練
D. 僅依靠硬體升級提升 GPU 數量
✅ 答案：A
📝 解析：剪枝減少冗餘參數，蒸餾讓小模型學習大模型精華，符合「低成本 + 高精度」。
Q4. 某製造業的 AI 預測系統需「快速 retraining」與「避免資料飄移造成退化」，最佳技術組合是：
A. MLOps + 數據飄移監控 + 自動化 retraining
B. 單次訓練後永久使用
C. 僅依靠人工抽樣檢查
D. 完全忽略新資料
✅ 答案：A
📝 解析：MLOps 提供 retraining 自動化，數據飄移監控能及時偵測，滿足「快速更新 + 避免退化」。
難度 9（國際合規）
Q5. 某跨國金融公司導入 AI，需要同時符合「歐盟 GDPR」與「美國 CCPA」要求，最佳解決方案是：
A. 數據匿名化 + 使用隱私保護技術 (差分隱私)
B. 僅加密資料，不考慮分析可用性
C. 全部刪除個資欄位，僅保留交易編號
D. 不處理隱私，僅強調模型效能
✅ 答案：A
📝 解析：GDPR 與 CCPA 都要求隱私保護，匿名化與差分隱私能兼顧「合規 + 分析可用性」。
Q6. 某 AI 平台需同時「符合歐盟 AI Act 高風險系統規範」與「提供模型決策的可解釋性」，最佳方案是：
A. 導入 XAI 工具 (SHAP/LIME) + 人工審查流程
B. 僅用黑箱深度模型追求準確率
C. 外包決策流程給第三方
D. 移除人工監督，完全自動化
✅ 答案：A
📝 解析：AI Act 要求高風險系統必須可解釋且有人類監督，XAI + 人工審查能同時滿足。
難度 10（AI 治理）
Q7. 某政府導入 AI 辦理社會福利審核，需同時「確保決策公平性」與「降低模型偏見風險」，最佳做法是：
A. 偏見偵測工具 + 公平性調整演算法
B. 僅依靠歷史數據建模
C. 全部交由人工決策，不使用 AI
D. 移除敏感特徵後不做驗證
✅ 答案：A
📝 解析：責任 AI 要求公平性，需偏見偵測並透過調整演算法處理，符合「公平 + 降低偏見」。
Q8. 某國際 AI 專案需同時「確保跨部門透明決策」與「避免提示注入 (Prompt Injection) 攻擊」，最佳解決方案是：
A. 建立 AI 治理框架 + 輸入輸出安全過濾機制
B. 只依靠生成式 AI 黑箱模型
C. 完全忽視安全檢查以提升效率
D. 僅依賴人工檢查所有輸入
✅ 答案：A
📝 解析：治理框架確保透明度，輸入/輸出過濾能防止提示攻擊，符合「透明 + 安全」。
Q9. 某跨國製造企業需同時「利用 AI 提升生產效率」與「符合 ESG 碳足跡揭露規範」，最佳策略是：
A. AI 優化生產流程 + 即時碳排數據平台
B. 僅依靠人工紀錄碳排數據
C. 完全忽視 ESG 要求
D. 只強調演算法效能，不顧產業規範
✅ 答案：A
📝 解析：AI 優化能提升效率，碳足跡平台能滿足合規揭露，符合「效率 + ESG 合規」。
Q10. 某 AI 公司需同時「降低法律風險」與「確保系統能通過國際審計」，最佳解決方案是：
A. 建立責任 AI 政策 + 模型審計追蹤系統
B. 只追求短期效能最大化
C. 不記錄任何模型決策過程
D. 僅依靠外部顧問，不做內部治理
✅ 答案：A
📝 解析：責任 AI 政策可降低法律風險，審計追蹤系統能確保合規性，符合「法律合規 + 國際審計」。
✅ 總結
- 難度 7：跨產業應用（物流、零售）。
- 難度 8：專家級最佳化（剪枝、蒸餾、MLOps、飄移監控）。
- 難度 9：國際合規（GDPR、CCPA、AI Act）。
- 難度 10：AI 治理（公平性、安全、ESG、審計）。
