可以先觀看影片再做題目，效果加倍https://youtu.be/ruoqlVy3_rk
問題 1 (中級)
------------------------------
題目: 某企業希望導入AI來加速產品研發流程，但經常面臨跨部門溝通不暢、需求變更頻繁的問題。一位AI應用規劃師在鑑別業務痛點時，下列哪項提問最能幫助釐清真正的問題根源？
選項:
A) 「你們預期AI能將研發週期縮短多少比例？」
B) 「目前跨部門溝通不暢導致的延遲，其核心原因是什麼？是缺乏統一平台還是權責不清？」
C) 「過去你們嘗試過哪些方式來加速研發流程，效果如何？」
D) 「你們對導入AI的預算上限是多少？」
答案: B) 「目前跨部門溝通不暢導致的延遲，其核心原因是什麼？是缺乏統一平台還是權責不清？」
解析: 中級題目強調深挖問題根源。A、C、D選項都偏向表面效果、歷史經驗或資源限制，而B選項直接探討跨部門溝通不暢的「核心原因」，這正是鑑別真正業務痛點的關鍵，符合核心提問法的精神。
問題 2 (中級)
------------------------------
題目: 一家製造工廠在考慮導入AI視覺檢測系統。技術團隊認為應採用最先進的卷積神經網絡(CNN)模型，以達到最高的檢測精準度。然而，資深AI應用規劃師建議應先進行「價值導向分析」。下列哪項說明最符合「價值導向分析」在此情境下的考量？
選項:
A) 僅評估CNN模型在學術論文中的精準度表現。
B) 比較不同AI模型技術複雜度與開發所需的時間。
C) 評估導入該系統後，預計能減少多少不良品、節省多少人力成本，並與系統建置成本進行權衡。
D) 調查市場上其他競爭對手採用的AI視覺檢測技術類型。
答案: C) 評估導入該系統後，預計能減少多少不良品、節省多少人力成本，並與系統建置成本進行權衡。
解析: 價值導向分析的核心是衡量AI專案能帶來的實際商業效益並與成本對比。A選項偏向技術指標本身；B選項是技術評估的一部分但非價值導向的核心；D選項是市場分析。C選項直接連結了AI投資與具體量化的商業價值，是中級考試中對應用與評估層次的考量。
問題 3 (中級)
------------------------------
題目: 某金融機構欲利用歷史交易數據訓練AI模型來偵測詐欺行為。在進行「資料可行性評估」時，規劃師發現數據庫中存在大量缺失值、異常值，且不同系統的客戶資料格式不一致。下列哪項措施是解決這些資料問題，提升AI專案可行性的最優先考量？
選項:
A) 立即採購更高性能的GPU伺服器，以加速模型訓練。
B) 聘請資深機器學習工程師來設計更複雜的模型結構。
C) 規劃資料清洗、填補缺失值、統一資料格式的流程，並建立資料治理規範。
D) 縮小模型訓練的資料集範圍，以避開有問題的數據。
答案: C) 規劃資料清洗、填補缺失值、統一資料格式的流程，並建立資料治理規範。
解析: 資料品質是AI專案的基石。在數據存在大量問題的情況下，無論多麼強大的硬體(A)或多麼複雜的模型(B)都難以發揮作用，甚至會產生錯誤結果。縮小資料集(D)是權宜之計而非根本解決之道。C選項直接解決了資料品質的核心問題，是提升AI專案可行性的最優先且基礎的步驟。
問題 4 (中級)
------------------------------
題目: 一家零售業計畫在全國門市部署數百個AI邊緣裝置，用於即時顧客行為分析。在評估「IT基礎設施可行性」時，下列哪項因素是規劃師必須重點考量，以確保部署成功的關鍵？
選項:
A) 門市人員對AI應用的接受程度。
B) 核心資料庫的備份頻率。
C) 門市現場網路頻寬穩定性與邊緣裝置的運算能力。
D) 總部數據中心的電力消耗。
答案: C) 門市現場網路頻寬穩定性與邊緣裝置的運算能力。
解析: 題目明確指出是「數百個AI邊緣裝置，用於即時顧客行為分析」。這意味著運算將主要發生在門市現場（邊緣），因此門市現場的網路穩定性（數據傳輸）和邊緣裝置本身的運算能力（即時分析）是直接影響專案成功的關鍵IT基礎設施因素。A是人員管理，B是資料庫維運，D是總部電力，這些雖相關，但C直接針對邊緣AI部署的核心。
問題 5 (中級)
------------------------------
題目: 某電商公司希望建構一個推薦系統，在使用者瀏覽商品時即時推薦相關產品。由於使用者行為變化快速，且系統反應時間要求極高。下列哪種AI模型選擇策略在考慮「情境適配性」時，是最為關鍵的考量？
選項:
A) 選擇具備最高理論精準度的Transformer模型。
B) 優先考量模型輕量化、推論速度快且能持續學習更新的演算法。
C) 選擇開源社群最活躍、文件最豐富的模型框架。
D) 採用需要大量標註數據才能訓練的監督式學習模型。
答案: B) 優先考量模型輕量化、推論速度快且能持續學習更新的演算法。
解析: 題目強調「即時推薦」和「使用者行為變化快速」的特性。這意味著模型需要快速響應（推論速度快）和適應新數據（持續學習）。高理論精準度(A)的複雜模型可能推論速度慢；開源活躍度(C)是次要考量；大量標註數據(D)在快速變化場景下取得困難且更新不易。因此，輕量化、高速度、可持續學習是此情境下最適合的模型選擇策略。
問題 6 (中級)
------------------------------
題目: 一家物流公司導入AI路徑最佳化系統，總投資成本為新台幣500萬元。該系統預計在第一年節省燃油與人力成本共新台幣200萬元，並增加運送效率帶來新台幣100萬元的額外營收。請問此AI專案第一年的效益成本比 (Benefit-Cost Ratio) 大約是多少？
選項:
A) 20%
B) 40%
C) 60%
D) 100%
答案: C) 60%
解析: 效益成本比 (Benefit-Cost Ratio) 的計算公式為 (總效益 / 總成本)。專案帶來的總效益為節省的燃油與人力成本200萬元加上額外營收100萬元，共計300萬元。專案總投資成本為500萬元。因此，效益成本比為 300萬元 / 500萬元 = 0.6，換算為百分比為60%。(註：此題若考投資報酬率ROI，答案會是負值，題目選項引導至效益成本比計算。)
問題 7 (中級)
------------------------------
題目: 某企業正在評估導入一個AI語音辨識系統的「總體擁有成本 (TCO)」。下列哪項成本不屬於在TCO評估中必須考量的範疇？
選項:
A) 系統開發與部署的初期費用。
B) 模型訓練所需的雲端GPU資源費用。
C) 系統上線後，維護、更新與技術支援的人力成本。
D) 競爭對手即將推出的類似產品的市場佔有率預測。
答案: D) 競爭對手即將推出的類似產品的市場佔有率預測。
解析: TCO涵蓋了系統整個生命週期中的所有直接和間接成本。A、B、C都直接與AI系統的生命週期成本相關。D選項是市場分析的一部分，與該系統本身的「擁有」成本無直接關係，而是外部競爭環境的考量。
問題 8 (中級)
------------------------------
題目: 在AI專案中，即使擁有了最先進的AI模型架構與強大的運算資源，如果「資料品質」不佳，仍可能導致模型表現不如預期。下列哪個現象最能說明資料品質對模型訓練的影響？
選項:
A) 模型訓練速度變慢，因為需要更多時間處理資料。
B) 模型過度擬合 (Overfitting)，對未見過的新數據表現差。
C) 模型的精準度、召回率等指標大幅下降，甚至產生錯誤的判斷。
D) 模型的複雜度自動降低，以適應不良的資料。
答案: C) 模型的精準度、召回率等指標大幅下降，甚至產生錯誤的判斷。
解析: 資料品質不佳，如包含大量錯誤、缺失或不一致的數據，會直接誤導模型學習，導致模型無法從中提取正確的模式和規律。這會直接體現在模型評估指標（如精準度、召回率、F1分數）的大幅下降，使其在實際應用中做出錯誤判斷，無法達到預期效果。A和D不是直接的結果，B是過度擬合，可能發生在良好資料上，或資料不足，但C直接指出了模型學習錯誤導致的指標下降。
問題 9 (中級)
------------------------------
題目: 某醫療機構計畫利用AI分析病患病歷資料以提升診斷效率。在進行「IT基礎設施可行性評估」時，除了運算資源與儲存容量外，下列哪項因素是此情境下必須優先考量的關鍵點？
選項:
A) 導入AI後，醫師的平均工作時長變化。
B) 資料加密、存取控制與匿名化等數據安全與隱私保護機制。
C) 培訓護理人員使用AI系統所需的時間。
D) 選擇與AI系統相容的電子病歷系統供應商。
答案: B) 資料加密、存取控制與匿名化等數據安全與隱私保護機制。
解析: 醫療數據屬於高度敏感的個人資料。在IT基礎設施層面，確保數據的安全與隱私是任何醫療AI專案的生命線，不僅關乎法規遵循，也直接影響專案的倫理與社會接受度。運算資源和儲存容量是基礎，但數據安全和隱私更是此特定情境下不可或缺的「基礎設施」考量。A和C是人員管理和培訓，D是系統整合，B是核心的資安與隱私防護。
問題 10 (中級)
------------------------------
題目: 一間媒體公司希望導入AI來生成新聞稿，目標是快速產出具有一定專業性且符合最新時事的文章。在「AI模型與情境適配性」分析中，下列哪種模型類型會是規劃師最可能推薦，並說明其理由？
選項:
A) 傳統的基於規則的專家系統，因為其輸出可控且錯誤率低。
B) 基於大量文本數據預訓練的生成式AI模型 (如大型語言模型)，並搭配RAG機制以獲取最新資訊。
C) 專注於分類任務的監督式學習模型，例如支持向量機 (SVM)。
D) 用於圖像識別的卷積神經網絡 (CNN)，因為其在模式識別上表現出色。
答案: B) 基於大量文本數據預訓練的生成式AI模型 (如大型語言模型)，並搭配RAG機制以獲取最新資訊。
解析: 題目要求「生成新聞稿」，這明顯是生成式AI的任務。傳統規則系統(A)缺乏彈性和創造性；分類模型(C)和圖像識別模型(D)不適用於文本生成。生成式AI模型（如LLM）擅長文本生成，而搭配RAG機制則能有效解決LLM資訊時效性的問題，確保生成的文章符合「最新時事」，完美契合情境需求。
