可以先觀看影片再做題目，效果加倍 https://youtu.be/88xb9Y4_BX0
問題 1 (中級)
------------------------------
題目: 某科技公司欲開發一款結合大語言模型 (LLM) 的智能客服系統。在專案初期進行人力資源盤點時，下列何者最不可能是該專案核心團隊的「領域專家」？
選項:
A) 熟悉公司產品知識的資深客服經理
B) 具備自然語言處理技術背景的機器學習工程師
C) 了解客戶問題模式的業務分析師
D) 負責法務合規審查的法律顧問
答案: B) 具備自然語言處理技術背景的機器學習工程師
解析: 機器學習工程師屬於技術開發角色，而非提供業務或產業知識的領域專家。領域專家應是熟悉特定業務流程、產品或客戶行為的人。
問題 2 (中級)
------------------------------
題目: 在規劃一個 AI 影像辨識專案時，若專案團隊面臨處理大量高解析度圖像數據的深度學習訓練任務，且預算有限，同時希望兼顧訓練效率，下列哪種硬體資源配置的權衡考量最為合理？
選項:
A) 優先選擇 CPU，因其成本較低且通用性高。
B) 租用雲端服務商提供的高階 GPU 資源進行訓練。
C) 購買多台配備 Edge AI 晶片的低功耗設備進行分散式訓練。
D) 投入大量資金購置最頂級的 TPU 晶片。
答案: B) 租用雲端服務商提供的高階 GPU 資源進行訓練。
解析: 深度學習訓練需要強大的平行運算能力，GPU 是首選。預算有限且希望兼顧效率時，租用雲端 GPU 服務能有效降低前期成本並按需擴展，比購買昂貴的 TPU 或效能不足的 CPU 更合理。Edge AI 設備主要用於推論而非大量訓練。
問題 3 (中級)
------------------------------
題目: 某製造業導入預測性維護 AI 系統，在專案的「可行性研究」階段，專案經理發現公司雖然有大量的機台感測器數據，但數據品質不佳且缺乏標準化。此一發現主要影響了可行性研究的哪個面向？
選項:
A) 經濟可行性
B) 營運可行性
C) 技術可行性
D) 法律可行性
答案: C) 技術可行性
解析: 數據品質不佳和缺乏標準化直接影響了 AI 模型能否有效建立和運行，這屬於技術層面能否實現的問題。
問題 4 (中級)
------------------------------
題目: 在一個大型 AI 專案中，專案經理決定採用工作分解結構 (WBS)。關於 WBS 的特性及其在 AI 專案中的應用，下列敘述何者錯誤？
選項:
A) WBS 應以交付物為導向，而非以活動為導向。
B) WBS 的最底層稱為「工作包」，其應細緻到足以被單獨估算成本和時間。
C) 不同的 AI 模型開發階段（如數據探索、模型訓練、模型評估）可在 WBS 中作為獨立的二級或三級交付物。
D) WBS 應在專案執行過程中持續動態調整其頂層結構，以應對 AI 專案的迭代特性。
答案: D) WBS 應在專案執行過程中持續動態調整其頂層結構，以應對 AI 專案的迭代特性。
解析: WBS 的頂層結構（如主要交付物）一旦確立，應保持相對穩定，以確保專案範疇的穩定性。WBS 的細節層次（工作包）可以調整，但頂層結構的頻繁變動會導致專案範疇蔓延和混亂。AI 專案的迭代特性應體現在工作包內的活動規劃和執行上，而非頻繁變更整體 WBS 骨架。
問題 5 (中級)
------------------------------
題目: 某零售業 AI 專案欲建立顧客推薦系統。專案經理在規劃時，將「數據收集」、「數據清洗與前處理」、「特徵工程」、「模型選擇與訓練」、「模型評估」和「系統整合與部署」列為主要的專案任務。若要使用甘特圖進行時程管理，下列哪組任務之間的依賴關係是典型的「完成-開始 (Finish-to-Start, FS)」關係？
選項:
A) 數據收集與系統整合
B) 模型選擇與訓練與模型評估
C) 特徵工程與數據清洗
D) 模型訓練與部署後的監控
答案: B) 模型選擇與訓練與模型評估
解析: 模型評估通常必須在模型訓練完成後才能進行，這是一個典型的完成-開始 (FS) 依賴關係。數據收集與系統整合沒有直接的 FS 關係；特徵工程通常在數據清洗之後；部署後的監控是部署後的獨立活動，而非 FS 關係。
問題 6 (中級)
------------------------------
題目: 在一個 AI 語音辨識專案中，專案團隊正在評估使用不同開發工具的效率。若資料科學家需要一個互動性高、便於快速實驗和可視化數據的環境，而機器學習工程師需要一個功能強大、便於版本控制和協同開發的程式碼編輯器，下列哪組工具的選擇組合最符合這些需求？
選項:
A) 資料科學家使用 PyCharm；機器學習工程師使用 Google Colab。
B) 資料科學家使用 RStudio；機器學習工程師使用 Sublime Text。
C) 資料科學家使用 Jupyter Notebook；機器學習工程師使用 VS Code。
D) 資料科學家使用 Atom；機器學習工程師使用 MATLAB。
答案: C) 資料科學家使用 Jupyter Notebook；機器學習工程師使用 VS Code。
解析: Jupyter Notebook/Lab 提供強大的互動性、可視化和逐步執行的能力，非常適合數據科學家進行探索性分析和模型原型開發。VS Code 則是一個功能豐富、支援 Git 版本控制、擴展性強的程式碼編輯器，適合機器學習工程師進行模型工程化、部署腳本撰寫和團隊協作。
問題 7 (中級)
------------------------------
題目: 某公司計劃使用機器學習模型來預測未來一季的產品需求。在專案規劃階段，若採用敏捷 (Agile) 方法論，下列哪一項敘述最能體現敏捷在 AI 專案時程管理中的優勢？
選項:
A) 透過詳細的甘特圖，一次性規劃並鎖定整個專案的精確時程。
B) 允許在每個短週期 (Sprint) 結束時，根據最新的數據和業務反饋調整模型開發方向。
C) 強調在專案開始前完成所有硬體和軟體工具的採購與部署，避免後期變動。
D) 專注於開發一個完美的最終模型，並在專案結束時才進行大規模測試。
答案: B) 允許在每個短週期 (Sprint) 結束時，根據最新的數據和業務反饋調整模型開發方向。
解析: 敏捷方法論強調迭代開發、靈活應對變化和持續交付價值。在 AI 專案中，數據和業務需求的不確定性較高，敏捷的短週期 (Sprint) 特性允許團隊根據每次迭代的結果和反饋，快速調整方向，比傳統的瀑布模型更具彈性。
問題 8 (中級)
------------------------------
題目: 在一個 AI 推薦系統的建置專案中，專案經理使用關鍵路徑法 (CPM) 識別專案中最長的任務序列。如果關鍵路徑上的一個任務意外延遲了三天，下列哪種情況是使用 CPM 後最可能的結果？
選項:
A) 只有該任務的後續任務會延遲三天。
B) 整個專案的完成時間會延遲三天。
C) 專案總成本會立即增加，因為需要額外資源。
D) 專案品質會受損，因為團隊會為了趕時間而犧牲品質。
答案: B) 整個專案的完成時間會延遲三天。
解析: 關鍵路徑上的任何任務延遲都會直接導致整個專案完成時間的延遲，因為它代表了專案中最長的路徑，沒有任何時間上的浮動空間 (slack)。
問題 9 (中級)
------------------------------
題目: 某公司計劃利用雲端 AI 平台（如 AWS Sagemaker）開發一個機器學習模型。相較於自建機房進行模型開發，使用雲端 AI 平台在資源規劃上的主要「權衡 (trade-off)」考量為何？
選項:
A) 雲端平台提供更高的數據安全性和隱私保護，但缺乏客製化彈性。
B) 雲端平台初期建置成本較低且可彈性擴展，但長期營運成本可能較高且數據傳輸有潛在延遲。
C) 平台模型訓練速度更快，但通常僅支援特定類型的機器學習算法。
D) 雲端平台能有效避免硬體故障風險，但對團隊的技術要求更高。
答案: B) 雲端平台初期建置成本較低且可彈性擴展，但長期營運成本可能較高且數據傳輸有潛在延遲。
解析: 雲端 AI 平台的一大優勢是按需付費和彈性擴展，降低了初期投入，但也可能導致長期累積的費用高於自建。此外，數據需在本地和雲端之間傳輸，可能引入延遲和網絡成本。其他選項的描述與實際權衡考量不符。
問題 10 (中級)
------------------------------
題目: 在進行 AI 專案的團隊建構時，如果一個團隊中缺乏能夠將業務問題轉化為機器學習問題，並選擇合適模型與評估指標的關鍵角色，則該團隊最可能缺乏哪種類型的專才？
選項:
A) 機器學習工程師
B) 領域專家
C) 資料科學家
D) AI 專案經理
答案: C) 資料科學家
解析: 資料科學家的核心職責包括理解業務問題、進行數據分析、選擇合適的機器學習模型、設計實驗並評估模型效能，以橋接業務與技術。機器學習工程師更側重於模型的工程化和部署，領域專家提供業務知識，而專案經理負責整體協調。
