可以先觀看影片再做題目，效果加倍 https://youtu.be/R_2pR8tdnBU
問題 1 (中級)
------------------------------
題目: 一家傳統製造業公司欲導入AI進行瑕疵檢測，但在初期評估時發現其各部門數據格式不一、品質標準模糊，且缺乏統一的數據存取規範。作為iPAS AI應用規劃師，您會優先建議該公司強化哪個方面的組織成熟度？
選項:
A) AI專案團隊M LOps能力
B) 數位與資料治理
C) AI模型演算法優化
D) GPU運算資源擴充
答案: B) 數位與資料治理
解析: 在AI專案啟動初期，若遇到數據格式不一、品質模糊、缺乏統一規範等問題，這直接指向了組織在數位與資料治理方面的不足。優先建立健全的數位與資料治理框架，是確保AI專案能獲得高品質數據並順利進行的基礎。M LOps、演算法優化和GPU資源擴充雖然重要，但都是建立在良好數據基礎之上的後續考量。
問題 2 (中級)
------------------------------
題目: 某金融機構計劃開發一個AI自動貸款審核系統。在初期風險識別階段，下列哪一項風險因子最直接關係到「可解釋性AI (XAI)」的需求？
選項:
A) 訓練數據不足導致模型過擬合
B) 系統上線後模型效能衰退
C) 模型拒絕貸款時無法說明具體理由，引發客戶質疑與監管壓力
D) 開發團隊對機器學習框架不熟悉
答案: C) 模型拒絕貸款時無法說明具體理由，引發客戶質疑與監管壓力
解析: 可解釋性AI (XAI) 的核心目的在於讓AI模型的決策過程透明化，能夠被人類理解和解釋。當AI系統做出關鍵決策（如拒絕貸款）卻無法提供理由時，不僅會損害使用者信任，更容易面臨法規遵循與監管審查的壓力，這正是XAI所要解決的核心問題。
問題 3 (中級)
------------------------------
題目: 在評估企業AI專案團隊能力時，除了技術技能（如機器學習、深度學習）之外，還應特別關注哪些「非技術」能力，以確保AI專案的順利推進？
選項:
A) 高效的程式碼編寫速度與單元測試覆蓋率
B) 領域知識理解、專案管理與跨部門溝通能力
C) 熟悉多種主流雲端平台的部署流程
D) 大規模數據儲存與ETL流程設計能力
答案: B) 領域知識理解、專案管理與跨部門溝通能力
解析: AI專案的成功不僅依賴技術，更需要團隊能將AI技術與業務場景結合。領域知識理解確保AI方案能解決實際問題；專案管理能力保障專案按時按預算進行；跨部門溝通能力則能有效協調各方資源與需求，這些都是AI應用規劃師不可或缺的軟實力。
問題 4 (中級)
------------------------------
題目: 一家新創公司欲開發一款生成式AI產品，但目前資金有限，且市場需求仍在探索階段。作為AI應用規劃師，您會建議他們在早期階段採取何種策略以驗證產品概念並降低風險？
選項:
A) 直接投入大量資源進行全功能產品開發與市場推廣
B) 尋求與大型企業合作，共同開發完整解決方案
C) 進行AI專案概念驗證 (POC)，快速迭代核心功能並評估使用者反饋
D) 購買現成AI解決方案，並進行大規模客製化修改
答案: C) 進行AI專案概念驗證 (POC)，快速迭代核心功能並評估使用者反饋
解析: 在資金有限且市場需求不確定的情況下，AI專案概念驗證 (POC) 是最合適的策略。POC以最小的成本和時間，快速驗證核心技術可行性和商業價值，並能根據早期使用者反饋進行迭代，有效降低全面投入的風險。
問題 5 (中級)
------------------------------
題目: 某電商平台計畫利用AI推薦系統提升用戶購物體驗。在進行AI專案資源支持評估時，他們發現現有IT基礎設施的GPU算力不足，且缺乏AI模型訓練所需的資料科學平台。此情況最可能導致何種直接影響？
選項:
A) 業務部門對AI效益的預期過高
B) AI模型部署速度過慢，影響即時推薦效果
C) 無法有效進行大規模模型訓練和迭代，導致開發進度延遲或模型效能受限
D) 資料治理規範不足，影響數據品質
答案: C) 無法有效進行大規模模型訓練和迭代，導致開發進度延遲或模型效能受限
解析: GPU算力與資料科學平台是AI模型開發與訓練的核心資源。缺乏這些資源將直接導致無法進行大規模、高效率的模型訓練，進而影響開發進度，限制模型的迭代優化，最終影響模型效能。選項B更偏向M LOps或部署階段的問題；選項D是資料治理問題，雖會間接影響，但不如C來得直接。
問題 6 (中級)
------------------------------
題目: 在AI專案的POC設計階段，一位AI應用規劃師需要為即將開發的圖像識別系統設定評估標準。除了模型準確度 (Accuracy) 和召回率 (Recall) 等技術指標外，還應考慮哪些非技術性或商業導向的評估指標來衡量POC的成功？
選項:
A) 開發團隊成員的程式碼提交次數
B) 使用者介面的美觀程度
C) 解決方案的商業價值潛力、用戶接受度及整合難易度
D) 模型訓練時的耗電量
答案: C) 解決方案的商業價值潛力、用戶接受度及整合難易度
解析: POC的目標不僅是驗證技術可行性，更重要的是證明其商業價值和潛力。因此，除了技術指標，還需要從商業角度評估：該AI解決方案能帶來多少效益（商業價值潛力）、目標用戶是否願意使用（用戶接受度）、以及未來與現有系統整合的複雜程度（整合難易度）。
問題 7 (中級)
------------------------------
題目: 某醫療AI公司開發了一套輔助診斷系統，其在實驗室數據上的診斷準確度高達98%。但在將系統推向臨床應用前，醫院方與主管機關特別強調其『可解釋性』的重要性。這主要是因為：
選項:
A) 醫院想了解AI模型的複雜演算法細節
B) 可解釋性AI能降低系統開發成本
C) 醫療領域涉及人身健康，需確保AI決策過程透明，便於醫生理解、信任及承擔責任，並符合法規要求
D) 可解釋性AI模型更容易部署到雲端環境
答案: C) 醫療領域涉及人身健康，需確保AI決策過程透明，便於醫生理解、信任及承擔責任，並符合法規要求
解析: 醫療領域是典型的『高風險』AI應用場景。由於AI的決策結果直接影響病患健康與生命，因此要求模型必須具備高度可解釋性，以便醫生能理解診斷依據、評估風險、做出最終判斷，並在必要時承擔責任。同時，這也是符合醫療法規和倫理規範的重要環節。
問題 8 (中級)
------------------------------
題目: 在進行AI專案初期風險識別時，某公司發現其AI模型可能因訓練數據中存在性別偏差，導致在招聘推薦系統中對特定性別的申請者產生不公平的篩選結果。這種風險最屬於下列哪一類AI專案風險？
選項:
A) 技術風險
B) 營運風險
C) 數據與倫理風險
D) 財務風險
答案: C) 數據與倫理風險
解析: 數據偏差（Data Bias）屬於數據風險的範疇，而由此引發的歧視問題則屬於AI倫理風險。這兩者常常緊密相連，共同構成AI專案中必須高度重視的數據與倫理風險。
問題 9 (中級)
------------------------------
題目: 一家零售業公司計畫透過AI預測分析來優化庫存管理。在POC結束後，評估報告顯示AI模型預測準確度達到預期，但業務部門主管對「如何將AI預測結果整合到現有ERP系統」以及「誰來負責維護這個AI系統」表示擔憂。這反映了POC成效評估中哪一方面的不足？
選項:
A) 僅關注技術指標，忽略了營運與部署可行性
B) 預測準確度未達標
C) 訓練數據量不足
D) AI專案團隊缺乏機器學習工程師
答案: A) 僅關注技術指標，忽略了營運與部署可行性
解析: POC成效評估不僅要看技術指標（如預測準確度），更要考慮AI解決方案的端到端實施。業務部門的擔憂，明確指出了在POC階段可能只聚焦於模型本身的性能，而忽略了AI系統在實際生產環境中的整合、維護和營運等可行性問題。一個成功的POC應該是全面的，包含技術、商業和營運等多維度的考量。
問題 10 (中級)
------------------------------
題目: 假設您是一位AI應用規劃師，正在評估一家公司導入AI的「資料治理成熟度」。如果該公司目前資料儲存分散在多個部門系統，缺乏統一標準與品質檢查機制，且資料擁有者與使用者權責不清。您會將其資料治理成熟度判斷為哪個等級？
選項:
A) 優化級 (Optimized)
B) 管理級 (Managed)
C) 定義級 (Defined)
D) 初級 (Initial) 或混亂級 (Ad Hoc)
答案: D) 初級 (Initial) 或混亂級 (Ad Hoc)
解析: 「資料儲存分散、缺乏統一標準與品質檢查機制、權責不清」等描述，明確指向了資料治理處於非常早期或尚未建立的階段。這在大多數成熟度模型中都對應著「初級 (Initial)」或「混亂級 (Ad Hoc)」的最低等級，意味著組織對資料的管理缺乏系統性、規範性和一致性。
