第四步 模擬測驗

https://exam888.streamlit.app/    線上測驗系統 

當然，這就為您整理出您提供的 AI 相關知識測驗題，並附上解答。

AI 應用規劃師與人工智慧概念測驗

核心概念與定義測驗

1. 人工智慧 (AI) 的主要目標是什麼？
   A. 模仿人類情感
   B. 模仿人類智慧的技術
   C. 僅限於數據分析
   D. 僅用於遊戲開發

2. 生成式AI (Generative AI, GAI) 專注於什麼？
   A. 數據分類與預測
   B. 生成新內容
   C. 模仿人類智慧
   D. 降低AI技術門檻

3. 鑑別式AI (Discriminative AI, DAI) 的主要功能是什麼？
   A. 生成新數據樣本
   B. 模仿人類智慧
   C. 專注於數據分類與預測
   D. 透過獎勵懲罰學習

4. AI民主化 的目的是什麼？
   A. 增加AI技術的複雜性
   B. 降低AI技術門檻，讓更多人參與
   C. 限制AI技術的應用範圍
   D. 僅供專業人士使用AI

5. 在AI領域中，模型 (Model) 的作用是什麼？
   A. 收集原始數據
   B. 簡化並模擬真實世界的工具，用於預測或決策
   C. 撰寫程式碼的工具
   D. 進行數據清洗

6. 提示詞 (Prompt) 在生成式AI中的作用是什麼？
   A. 儲存數據
   B. 評估模型性能
   C. 使用者輸入，引導生成式AI生成內容
   D. 訓練機器學習模型

7. 深度學習 (Deep Learning) 是機器學習的哪個子集？
   A. 使用決策樹
   B. 使用單層神經網路
   C. 使用多層神經網路
   D. 透過獎勵懲罰學習

8. 機器學習 (Machine Learning, ML) 是AI的什麼？
   A. 模仿人類情感的方法
   B. 僅限於圖像生成
   C. AI主要方法，允許系統從數據中學習
   D. 專注於數據加密

9. 神經網路 (Neural Networks) 在生成式AI中扮演什麼角色？
   A. 數據收集器
   B. 數據儲存庫
   C. 生成式AI的基石
   D. 測試模型性能的工具

機器學習類型測驗

10. 監督式學習 (Supervised Learning) 需要什麼數據來訓練模型？
    A. 無標籤數據
    B. 混合數據
    C. 需標籤化數據
    D. 僅需少量數據

11. 非監督式學習 (Unsupervised Learning) 主要處理哪種類型的數據？
    A. 需標籤化數據
    B. 結構化數據
    C. 無標籤數據，推斷結構
    D. 僅處理圖像數據

12. 半監督式學習 (Semi-supervised Learning) 的特點是什麼？
    A. 僅使用標記數據
    B. 僅使用未標記數據
    C. 結合標記與未標記數據
    D. 透過獎勵懲罰學習

13. 強化學習 (Reinforcement Learning) 透過什麼方式學習最佳行為？
    A. 標籤化數據
    B. 無標籤數據
    C. 透過獎勵懲罰學習
    D. 數據分類

生成式AI技術與工具測驗

14. 生成對抗網路 (GAN) 的主要功能是什麼？
    A. 數據分類
    B. 生成逼真圖像和數據
    C. 預測性維護
    D. 語音辨識

15. 變分自編碼器 (VAE) 用於什麼？
    A. 圖像分類
    B. 生成新數據樣本
    C. 文本情感分析
    D. 數據清洗

16. 擴散模型 (Diffusion Models) 主要用於哪個領域？
    A. 詐欺檢測
    B. 文本翻譯
    C. 圖像生成
    D. 風險評估

17. Transformer架構 是什麼的常用模型架構？
    A. 鑑別式AI
    B. 機器學習
    C. 生成式AI
    D. 數據庫管理

18. 大型語言模型 (LLM) 的例子有哪些？
    A. GAN, VAE
    B. ChatGPT, TAIDE
    C. Photoshop, Excel
    D. MySQL, PostgreSQL

19. No Code平台 的特點是什麼？
    A. 需要撰寫大量程式碼
    B. 透過視覺化介面開發，無需撰寫程式碼
    C. 僅限於數據分析
    D. 需要專業程式設計師使用

20. Low Code平台 允許什麼樣的客製化？
    A. 完全無程式碼
    B. 允許少量程式碼客製化
    C. 只能進行數據分類
    D. 僅適用於大型企業

21. OpenAI API 提供什麼服務？
    A. 硬體設備
    B. 透過API接取AI服務
    C. 數據儲存
    D. 網路安全防護

22. Hugging Face 提供什麼資源？
    A. 專有AI模型
    B. 開源AI資源平台
    C. 雲端儲存服務
    D. 傳統軟體開發工具

23. Suno AI 是一個生成什麼的AI平台？
    A. 圖像
    B. 影片
    C. 音樂
    D. 文本

24. NotebookLM 的主要功能是什麼？
    A. 生成圖像
    B. 生成音樂
    C. 生成重點摘要與模擬對話式知識整理
    D. 執行機器人控制

25. 模型微調 (Fine-tuning) 的目的是什麼？
    A. 降低模型計算成本
    B. 根據特定需求調整模型
    C. 加快模型預測速度
    D. 標示AI生成內容

26. 提示工程 (Prompt Engineering) 涉及什麼？
    A. 建立新的AI模型
    B. 優化提示詞以獲得期望結果
    C. 壓縮模型大小
    D. 檢測數據偏見

27. 模型壓縮 (Model Compression) 的目的是什麼？
    A. 提升模型準確度
    B. 降低硬體資源需求
    C. 增加模型複雜度
    D. 提高模型解釋性

28. 量化 (Quantization) 有助於提升模型的什麼？
    A. 準確度
    B. 效率
    C. 複雜度
    D. 安全性

29. 推理加速 (Inference Acceleration) 的目的是什麼？
    A. 增加模型訓練時間
    B. 加快模型預測速度
    C. 減少數據量
    D. 降低數據安全風險

30. AI浮水印 的作用是什麼？
    A. 提升圖像品質
    B. 標示AI生成內容
    C. 壓縮圖像文件
    D. 檢測數據投毒

31. 檢索增強生成 (RAG) 如何提高AI的準確性並解決幻覺問題？
    A. 僅依賴生成模型的內部知識
    B. 透過獎勵懲罰機制
    C. 結合外部知識庫檢索資訊
    D. 縮小模型規模

AI應用領域 (跨產業) 測驗

32. 在醫療保健領域，AI的應用包括哪些？
    A. 房價預測、自動交易
    B. 疾病診斷、藥物研發、個人化醫療
    C. 自動化生產、品質控制
    D. 交通流量預測、自動駕駛

33. 在金融領域，AI的應用不包括下列哪一項？
    A. 風險評估
    B. 詐欺檢測
    C. 藥物研發
    D. 自動交易

34. 在製造業中，AI的應用有哪些？
    A. 內容推薦、遊戲開發
    B. 自動化生產、品質控制、預測性維護
    C. 法律文件自動化、風險評估
    D. 個人化行銷、顧客體驗優化

35. 在交通領域，AI的應用是什麼？
    A. 藥物研發
    B. 疾病診斷
    C. 自動駕駛、交通流量預測
    D. 股票交易

36. 在娛樂領域，AI的應用包括什麼？
    A. 風險評估
    B. 自動化生產
    C. 遊戲開發、虛擬現實、內容推薦
    D. 庫存與供應鏈管理

37. 在零售業中，AI的應用有哪些？
    A. 自動駕駛、交通流量預測
    B. 法律文件自動化
    C. 個人化行銷、庫存與供應鏈管理、顧客體驗優化
    D. 疾病診斷

38. 在教育領域，AI的應用包括哪些？
    A. 詐欺檢測、自動交易
    B. 自動化教材生成、個人化學習路徑、智慧評量與回饋
    C. 預測性維護、產品設計
    D. 數位藝術與插畫、音樂創作

39. 客戶服務領域中，AI的應用是什麼？
    A. 藥物研發
    B. 自動化生產
    C. 虛擬智慧客服、自動化回應生成、客訴分析
    D. 股票交易

40. 在法律領域，AI的應用包括什麼？
    A. 遊戲開發、虛擬現實
    B. 疾病診斷、個人化醫療
    C. 法律文件自動化撰寫與審閱、風險評估與法規檢索
    D. 預測性維護

41. 產品設計領域中，AI的應用是什麼？
    A. 自動化教材生成
    B. 創新產品設計、快速原型製作、模擬與測試
    C. 虛擬智慧客服
    D. 風險評估

AI應用規劃流程測驗

42. 需求與現狀評估 階段的主要任務是什麼？
    A. 訓練AI模型
    B. 識別業務痛點、應用場景分析、技術對接性
    C. 部署模型
    D. 監控模型性能

43. 資源與基礎設施評估 階段應考量哪些因素？
    A. 市場行銷策略
    B. 技術人才、數據品質、硬體與系統架構、系統可擴展性
    C. 法律法規制定
    D. 競爭對手分析

44. 分階段策略 的目的是什麼？
    A. 一次性完成所有開發
    B. 試點應用、階段性擴展、長期目標設定
    C. 立即部署到所有系統
    D. 完全避免風險

45. 員工技能與文化導入 涉及哪些方面？
    A. 僅限於技術培訓
    B. 技術培訓、實務操作、數位轉型文化
    C. 僅限於招募新員工
    D. 降低員工薪資

46. 風險評估與管理 應考量哪些方面？
    A. 僅考慮技術風險
    B. 資料安全、倫理與法規遵循、技術風險
    C. 僅考慮財務風險
    D. 忽略所有潛在風險

47. 概念驗證 (POC) 的目的是什麼？
    A. 大規模部署應用
    B. 小規模實驗驗證可行性
    C. 最終產品發布
    D. 招募新員工

48. 投資回報率 (ROI) 的評估目的是什麼？
    A. 評估技術複雜度
    B. 評估財務可行性與效益
    C. 評估員工滿意度
    D. 評估市場佔有率

49. 數據處理 階段包括哪些步驟？
    A. 演算法選擇、模型評估
    B. 數據清洗、數據標準化、特徵選擇、降維
    C. 模型部署、持續監測
    D. 制定法律法規

50. 模型訓練與迭代 階段的主要活動是什麼？
    A. 數據收集
    B. 演算法選擇、模型評估與優化
    C. 撰寫報告
    D. 市場推廣

51. 模型部署與監控 階段的重點是什麼？
    A. 停止所有開發活動
    B. 持續監測模型性能、定期更新
    C. 僅進行一次性部署
    D. 忽略用戶回饋

挑戰與風險管理測驗

52. AI幻覺 (Hallucination) 是指什麼？
    A. 模型訓練數據不足
    B. 模型產生錯誤或誤導性內容
    C. 模型過度學習訓練數據
    D. 模型計算成本過高

53. 數據偏見 (Data Bias) 會導致什麼問題？
    A. 模型效率提高
    B. 訓練數據導致模型歧視
    C. 模型部署速度變慢
    D. 降低模型計算成本

54. 過擬合 (Overfitting) 描述了模型什麼情況？
    A. 模型訓練數據不足
    B. 模型過度學習訓練數據
    C. 模型生成虛假內容
    D. 模型無法預測未來

55. 內容真實性 問題在生成式AI中指的是什麼？
    A. 模型能否快速運行
    B. 生成內容的準確性問題
    C. 模型的訓練時間
    D. 模型的程式碼量

56. 可控性 在AI中指的是什麼？
    A. 模型的計算速度
    B. 模型輸出內容的控制難度
    C. 模型的硬體需求
    D. 模型的數據儲存能力

57. 計算成本 對生成式AI而言有什麼影響？
    A. 降低硬體需求
    B. 對計算資源的高需求
    C. 提高模型效率
    D. 減少數據隱私風險

58. 資料安全與隱私 問題在AI中涉及什麼？
    A. 模型的訓練速度
    B. 敏感資訊洩露風險
    C. 模型的解釋性
    D. 模型的可擴展性

59. 倫理議題 在AI中包括哪些方面？
    A. 模型硬體需求
    B. 演算法公平性、透明度、責任歸屬
    C. 模型訓練數據量
    D. 模型部署時間

60. 法律合規 在AI中涉及哪些法規？
    A. 僅限於國內法律
    B. 資料保護法規（GDPR、CCPA）、智慧財產權
    C. 僅限於公司內部規定
    D. 國際貿易協定

61. 提示注入威脅 (Prompt Injection Threats) 是什麼？
    A. 提升模型性能的方法
    B. 操縱模型行為
    C. 增加數據量的方法
    D. 提高模型解釋性

62. 數據漂移 (Data Drift) 會導致什麼？
    A. 模型效能隨數據變化下降
    B. 模型計算成本降低
    C. 模型訓練速度加快
    D. 模型數據量增加

63. 風險溯源 的目的是什麼？
    A. 預測未來風險
    B. 追溯數據來源和生成過程
    C. 降低風險發生機率
    D. 將風險轉移給第三方

64. 風險緩解 (Risk Mitigation) 的目的是什麼？
    A. 增加風險
    B. 降低風險措施
    C. 將風險轉移
    D. 避免所有風險

65. 風險轉移 (Risk Transfer) 的意思是？
    A. 降低風險
    B. 增加風險
    C. 將風險責任轉移給第三方
    D. 暫緩高風險應用

66. 風險迴避 (Risk Avoidance) 的策略是什麼？
    A. 積極面對所有風險
    B. 暫緩高風險應用
    C. 將風險轉移給保險公司
    D. 增加風險投資

關鍵職能與團隊測驗

67. AI應用規劃師 的主要職責是什麼？
    A. 編寫底層程式碼
    B. 規劃與推動AI技術導入
    C. 分析數據並建立模型
    D. 負責硬體維護

68. 提示工程師 (Prompt Engineer) 專注於什麼？
    A. 設計硬體架構
    B. 專注於設計優化提示詞
    C. 數據庫管理
    D. 產品市場推廣

69. AI訓練師 (AI Trainer) 的職責是什麼？
    A. 設計UI/UX
    B. 訓練和調優AI模型
    C. 銷售AI產品
    D. 法律諮詢

70. 專案經理 在AI專案中扮演什麼角色？
    A. 負責數據清洗
    B. 負責AI專案的進度監控與風險管理
    C. 開發AI演算法
    D. 撰寫使用者手冊

71. 資料科學家 的主要工作是什麼？
    A. 部署AI模型
    B. 分析資料、建立解讀AI模型
    C. 負責網路安全
    D. 銷售數據產品

72. 機器學習工程師 的主要職責是什麼？
    A. 收集原始數據
    B. 開發、部署AI模型
    C. 撰寫法律文件
    D. 設計市場行銷策略

73. 資料工程師 負責什麼？
    A. 訓練AI模型
    B. 負責數據架構、收集與處理
    C. 撰寫應用程式介面 (API)
    D. 產品設計

74. 商業智慧分析師 的職責是什麼？
    A. 開發深度學習模型
    B. 建構BI解決方案，監控關鍵業務指標
    C. 進行模型壓縮
    D. 實施安全攻擊防禦

75. 測試工程師 的主要職責是什麼？
    A. 規劃AI應用
    B. 確保系統功能性與可靠性
    C. 撰寫提示詞
    D. 分析市場趨勢

76. 領域專家 提供什麼樣的幫助？
    A. 撰寫程式碼
    B. 提供專業知識，確保AI符合業務需求
    C. 訓練機器學習模型
    D. 進行硬體維護

綜合概念測驗 (進階)

77. 關於AI、機器學習和深度學習的關係，下列敘述何者正確？
    A. 深度學習是機器學習的一個子集，機器學習是AI的一個子集。
    B. 機器學習是深度學習的一個子集，深度學習是AI的一個子集。
    C. AI是機器學習的一個子集，機器學習是深度學習的一個子集。
    D. 三者是完全獨立的技術。

78. 鑑別式AI與生成式AI在核心目標上的主要區別是什麼？
    A. 鑑別式AI旨在生成新內容，生成式AI旨在數據分類。
    B. 鑑別式AI專注於區分和預測，生成式AI專注於生成新數據樣本。
    C. 兩者核心目標完全相同。
    D. 鑑別式AI只處理文本，生成式AI只處理圖像。

79. 提示工程 (Prompt Engineering) 對於使用大型語言模型 (LLM) 有何重要性？
    A. 提示工程僅用於調整模型內部參數，與LLM應用無關。
    B. 良好的提示工程可以優化提示詞，使LLM生成更符合期望的內容。
    C. 提示工程只影響模型的運行速度。
    D. LLM 不需要提示工程。

80. 檢索增強生成 (RAG) 如何解決AI幻覺的問題？
    A. 透過壓縮模型來減少幻覺。
    B. 透過增加訓練數據量來消除幻覺。
    C. 結合外部知識庫檢索準確資訊，以減少模型生成虛構內容。
    D. RAG 主要用於加速模型推理，與幻覺無關。

81. 在數據清洗過程中，處理離群值 (Outlier Value) 的正確態度是什麼？
    A. 離群值一律刪除。
    B. 離群值一律填補平均值。
    C. 需根據業務需求判斷處理，因為它們可能是異常或重要資訊。
    D. 離群值在任何情況下都不需處理。

82. 為什麼企業導入AI時需要考慮AI治理？
    A. 僅為滿足法律規定。
    B. 為確保AI技術的設計、開發、部署和使用能最大化效益、最小化風險，並確保可信賴、可解釋、公平與透明。
    C. 僅為降低計算成本。
    D. AI治理只適用於大型科技公司。

83. No Code/Low Code平台 的供應商鎖定（Vendor Lock-in） 風險指的是什麼？
    A. 平台的功能受限，無法滿足客製化需求。
    B. 使用者過度依賴特定平台，導致資料遷移和應用重構困難。
    C. 平台的性能無法擴展。
    D. 平台費用過高。

84. 強化學習 (Reinforcement Learning) 在哪些應用場景中特別有效？
    A. 簡單的數據分類任務。
    B. 需要透過與環境互動來學習最佳決策的場景，例如遊戲AI或機器人控制。
    C. 僅限於文本生成。
    D. 僅限於圖像識別。

85. 當我們談論AI應用規劃流程中的分階段策略時，其好處是什麼？
    A. 讓專案能夠一次性快速完成。
    B. 降低初期投入風險，允許在小規模試點後逐步擴展，便於調整。
    C. 避免任何形式的風險。
    D. 僅適用於資源不足的企業。

86. 數據偏見 (Data Bias) 對於AI模型的影響是什麼？
    A. 提升模型的準確性。
    B. 導致模型在預測或決策時產生歧視性或不公平的輸出。
    C. 降低模型的訓練時間。
    D. 使模型更容易被理解。

87. 在AI實現架構中，深度學習相較於傳統機器學習的主要優勢是什麼？
    A. 處理結構化數據的能力更強。
    B. 能夠自動從大量非結構化數據中學習複雜特徵，無需人工設計特徵。
    C. 計算成本更低。
    D. 更容易解釋其決策過程。

88. AI浮水印 在處理AI生成內容的真實性問題上有何作用？
    A. 提升生成內容的視覺效果。
    B. 作為一種標示，幫助識別內容是否由AI生成，以應對假新聞和濫用。
    C. 保護生成內容的版權。
    D. 用於優化模型的訓練過程。

89. 為什麼AI應用規劃師需要了解 No Code/Low Code 平台？
    A. 因為這些平台只能用於簡單的AI應用。
    B. 這些平台可以幫助非技術人員或有限程式能力的人快速開發和部署AI應用，加速AI導入。
    C. 因為No Code/Low Code平台是未來AI開發的唯一選擇。
    D. 了解這些平台可以降低AI的計算成本。

90. 在數據轉換中進行數據正規化/標準化的主要目的是什麼？
    A. 減少數據量。
    B. 將數據縮放到特定範圍，以改善模型訓練的穩定性和性能。
    C. 將連續型數據轉化為離散區間。
    D. 僅用於圖像數據。

91. 法律合規在AI導入中為何重要？
    A. 僅為增加企業成本。
    B. 確保AI的開發和應用符合國家和國際的資料保護、隱私和智慧財產權等法規，避免法律風險。
    C. 法律合規只影響模型的性能。
    D. 法律合規與AI應用無關。

92. 針對提示注入威脅 (Prompt Injection Threats)，如何進行防範？
    A. 增加模型訓練數據量。
    B. 實施嚴格的輸入驗證、過濾機制，並設計強健的模型以抵抗惡意輸入。
    C. 提高模型的計算能力。
    D. 僅依賴用戶自律。

93. AI訓練師和機器學習工程師在AI團隊中的主要分工是什麼？
    A. AI訓練師負責硬體維護，機器學習工程師負責市場推廣。
    B. AI訓練師專注於訓練和調優模型，機器學習工程師負責開發和部署模型。
    C. 兩者職責完全相同。
    D. AI訓練師負責數據收集，機器學習工程師負責數據分析。

94. 在AI應用規劃流程中，概念驗證 (POC) 失敗了，這意味著什麼？
    A. 整個AI專案應該立即取消。
    B. 專案團隊應該解散。
    C. POC的失敗提供了寶貴的學習機會，可以幫助團隊理解問題、調整方向或重新評估可行性。
    D. POC失敗代表AI技術完全不可行。

95. AI幻覺和數據偏見之間可能存在的關聯性是什麼？
    A. 兩者無關。
    B. 數據偏見可能導致模型學習到錯誤或不準確的模式，進而產生幻覺。
    C. 幻覺是數據偏見的直接原因。
    D. 只有數據偏見會導致幻覺，反之則不然。

96. 在深度學習中，CNN與RNN主要擅長處理的數據類型有何不同？
    A. CNN擅長處理序列數據，RNN擅長處理圖像數據。
    B. CNN擅長處理圖像數據，RNN擅長處理序列數據。
    C. 兩者都擅長處理數值數據。
    D. 兩者都擅長處理非結構化數據，但無特定擅長類型。

97. AI民主化的實踐，對於AI應用規劃師的工作有何正面影響？
    A. 增加AI應用的複雜性。
    B. 讓更多非專業人士也能參與AI應用開發，擴大AI應用範疇，降低規劃師的溝通成本。
    C. 減少AI規劃師的職位需求。
    D. 僅對技術開發者有益。

98. 為什麼需要對AI系統進行持續監測和定期更新？
    A. 僅為滿足法律規定。
    B. 確保模型性能不會因數據漂移或其他外部變化而下降，並及時發現和修正問題。
    C. 增加系統的計算成本。
    D. 只有在模型出現嚴重錯誤時才需要。

99. 在強化學習中，獎勵 (Reward) 的作用是什麼？
    A. 告訴模型什麼是錯誤的行為。
    B. 引導模型學習產生最大化效益的最佳行為。
    C. 數據收集的指標。
    D. 用於評估模型複雜度。

100. 生成式AI在產品設計領域的潛在價值是什麼？
     A. 僅能分析現有產品的銷售數據。
     B. 透過生成式能力，可創新產品設計、加速快速原型製作並進行模擬與測試。
     C. 只能用於產品的市場推廣。
     D. 僅能進行產品的品質控制。

101. 為什麼說 大型語言模型 (LLM) 是 生成式AI 的一個重要例子？
     A. LLM 只能進行數據分類。
     B. LLM 能夠根據輸入生成新的、連貫的文本內容。
     C. LLM 只能處理數字數據。
     D. LLM 僅用於圖像識別。

102. 模型微調 (Fine-tuning) 相較於從零開始訓練一個新模型，其主要優勢是什麼？
     A. 需要更多的數據。
     B. 可以利用預訓練模型的強大能力，僅需少量特定數據即可快速適應新任務。
     C. 計算成本更高。
     D. 適用範圍更窄。

103. 數據投毒 (Data Poisoning) 是一種針對AI的什麼威脅？
     A. 降低模型訓練速度。
     B. 惡意行為者在訓練數據中注入錯誤或惡意資訊，以操縱模型行為。
     C. 提高模型的計算成本。
     D. 僅影響模型的可解釋性。

104. AI治理中的「透明度」和「可解釋性」為何重要？
     A. 僅為滿足技術要求。
     B. 確保AI的決策過程能夠被理解和審查，尤其是在高風險應用中，以建立信任並追究責任。
     C. 降低模型的部署難度。
     D. 提高模型的訓練速度。

105. 描述一下監督式學習中分類 (Classification) 與迴歸 (Regression) 的主要區別。
     A. 分類處理連續數值輸出，迴歸處理離散類別輸出。
     B. 分類將數據分配至不同類別，迴歸學習輸入與連續數值間的映射關係。
     C. 兩者沒有區別。
     D. 分類不需要標籤數據，迴歸需要。

106. 在深度學習中，GAN (生成對抗網路) 是如何生成新數據的？
     A. 透過單一網路進行預測。
     B. 由一個「生成器」和一個「判別器」透過對抗性訓練共同學習和生成逼真數據。
     C. 僅通過複製現有數據。
     D. 透過強化學習。

107. AI浮水印在當前AI發展中扮演著越來越重要的角色，其主要原因是？
     A. 提高AI生成內容的藝術價值。
     B. 應對AI生成內容的真實性問題，特別是假新聞和深度偽造的風險。
     C. 降低模型的計算成本。
     D. 用於優化模型的訓練算法。

108. 在AI應用規劃流程中，為什麼需要進行投資回報率 (ROI) 評估？
     A. 僅為評估技術團隊的績效。
     B. 確保AI專案在財務上是可行且具有商業價值的。
     C. 評估模型訓練時間。
     D. ROI與AI專案無關。

109. Hugging Face作為一個開源AI資源平台，對AI社群有何貢獻？
     A. 僅提供專有AI模型。
     B. 促進AI模型的共享、協作和可重用性，加速AI研究和應用開發。
     C. 只提供硬體設備。
     D. 僅提供收費服務。

110. 數據漂移 (Data Drift) 可能在AI模型部署後產生，如何有效監測和應對？
     A. 忽略數據變化。
     B. 僅在模型性能顯著下降時才處理。
     C. 建立持續監測機制，定期重新訓練或微調模型。
     D. 增加初始訓練數據量以預防。

111. 說明AI民主化如何影響AI應用規劃師的角色職能。
     A. AI民主化使規劃師不再需要技術知識。
     B. 規劃師需要更關注業務需求和非技術人員的協作，利用No Code/Low Code工具加速應用落地。
     C. AI民主化會減少AI應用規劃師的需求。
     D. 規劃師的工作變得更偏向純技術開發。

112. 在數據處理中，特徵選擇 (Feature Selection) 和降維 (Dimensionality Reduction) 的目的是什麼？
     A. 增加數據的複雜度。
     B. 減少數據中的冗餘和噪音，提高模型的訓練效率和性能。
     C. 僅用於數據可視化。
     D. 使數據更加混亂。

113. 鑑別式AI和生成式AI的整合應用在自動駕駛領域可能有哪些應用？
     A. 僅用於圖像識別。
     B. 生成式AI可模擬多樣化駕駛情境用於訓練，鑑別式AI則進行即時路況識別和決策。
     C. 僅用於音訊生成。
     D. 兩者無法在自動駕駛中整合。

114. AI對就業的衝擊是一個重要的倫理議題。作為AI應用規劃師，應如何考量？
     A. 完全忽視此問題。
     B. 在規劃時應考量AI與人類協作的機會，並為員工提供再培訓機會。
     C. 應加速AI取代人類工作的進程。
     D. 這是政府的責任，與企業無關。

115. 模型壓縮 (Model Compression) 和量化 (Quantization) 對於AI模型的實際部署有何重要性？
     A. 增加模型的運行時間。
     B. 降低模型對硬體資源的需求，提高推理效率，使其能部署在邊緣設備或資源受限的環境。
     C. 提高模型的準確度。
     D. 增加模型的複雜性。

116. NotebookLM如何幫助使用者進行知識管理和整理？
     A. 僅用於生成圖像。
     B. 透過生成重點摘要和模擬對話式知識整理，幫助使用者高效學習和理解資料。
     C. 只能用於程式碼撰寫。
     D. 僅用於音樂創作。

117. 比較分析型AI和預測型AI在商業決策中的不同作用。
     A. 分析型AI預測未來，預測型AI分析歷史。
     B. 分析型AI洞悉數據模式，解釋「發生了什麼」，預測型AI基於歷史預測「未來會發生什麼」。
     C. 兩者作用相同。
     D. 分析型AI只處理文本，預測型AI只處理數字。

118. 客戶服務領域引入AI，除了虛擬智慧客服，還能如何優化顧客體驗？
     A. 僅能降低客服成本。
     B. 透過自動化回應生成、客訴分析，提供更快速、個人化且高效的服務。
     C. 增加顧客等待時間。
     D. 僅用於內部管理。

119. 強化學習中的「代理（Agent）」、「環境（Environment）」、「獎勵（Reward）」三要素是如何協同運作的？
     A. 代理提供環境，環境提供獎勵。
     B. 代理在環境中執行行動，環境根據行動給予獎勵或懲罰，代理根據回饋調整策略以最大化獎勵。
     C. 獎勵直接控制代理的行動。
     D. 環境獨立於代理和獎勵。

120. 為什麼說AI的「黑箱」特性是其倫理挑戰之一？
     A. 因為它使得AI模型難以被複製。
     B. 決策過程不透明，難以理解模型為何做出特定判斷，這在高風險應用中會引發信任和問責問題。
     C. 因為它限制了模型的功能。
     D. 黑箱特性導致模型運行速度緩慢。

121. 在AI應用規劃時，數據品質為何是首要考量之一？
     A. 數據品質僅影響模型的訓練時間。
     B. 低品質的數據會導致模型表現不佳，甚至產生錯誤或有偏見的結果。
     C. 數據品質與最終應用效果無關。
     D. 數據品質只影響模型的儲存空間。

122. 法律領域中AI應用自動化法律文件撰寫與審閱有何優勢？
     A. 增加律師的工作負擔。
     B. 提高效率，減少人工錯誤，加速文件處理速度。
     C. 降低文件準確性。
     D. 僅用於法律研究。

123. 如何理解生成對抗網路 (GAN) 中生成器和判別器之間的「對抗學習」？
     A. 生成器和判別器獨立運作。
     B. 生成器嘗試生成逼真數據以欺騙判別器，判別器則嘗試區分真實數據和生成數據，兩者透過競爭共同進步。
     C. 判別器生成數據，生成器進行判斷。
     D. 兩者合作完成任務，沒有對抗關係。

124. OpenAI API對AI的民主化有何貢獻？
     A. 限制了AI技術的使用。
     B. 透過提供易於使用的API接口，讓非專業開發者也能方便地集成和使用先進的AI模型。
     C. 僅供大型企業使用。
     D. 要求高昂的軟硬體投資。

125. 風險緩解 (Risk Mitigation)、風險轉移 (Risk Transfer) 和風險迴避 (Risk Avoidance) 三者在風險管理策略中如何應用？
     A. 任意選擇其中一種策略即可。
     B. 緩解是降低風險影響，轉移是將責任轉給第三方，迴避是暫緩或不進行高風險活動。
     C. 三者都意味著完全消除風險。
     D. 這些策略與AI專案管理無關。

126. 教育領域中，AI如何實現個人化學習路徑？
     A. 統一所有學生的學習進度。
     B. 根據學生的學習習慣、能力和進度，自動調整教學內容和方式。
     C. 僅用於自動批改作業。
     D. 只提供通用教材。

127. AI應用規劃師在與資料科學家和機器學習工程師協作時，扮演什麼角色？
     A. 僅提出需求，不參與技術細節。
     B. 橋接業務需求與技術實現，將業務痛點轉化為AI專案，並協調團隊共同推進。
     C. 負責所有程式碼撰寫。
     D. 僅負責數據收集。

128. 為什麼說AI幻覺是一個特別需要關注的問題，尤其對於生成式AI？
     A. 它會導致模型運行緩慢。
     B. 生成的內容看似合理但實為虛構，可能誤導使用者並產生嚴重後果，例如在醫療或法律領域。
     C. 幻覺僅影響模型的視覺效果。
     D. 幻覺有利於模型的創造性。

129. 在AI浮水印之外，還有哪些方法可以識別AI生成內容的真實性？
     A. 僅依賴人工判斷。
     B. 數位簽名、區塊鏈技術、元數據分析、以及透過模型本身的辨識能力。
     C. 增加模型複雜度。
     D. 僅用於圖片內容。

130. Low Code平台如何在提供客製化能力的同時，仍能保持較快的開發速度？
     A. 完全放棄視覺化介面。
     B. 透過提供預建組件和模塊，並允許開發者在需要時插入少量自定義代碼，以平衡速度和靈活性。
     C. 只能通過大量人工編碼。
     D. 僅通過提高硬體性能。

131. 在數據蒐集時，非結構化數據（如圖片、音訊）與結構化數據（如數據庫）在處理上最大的不同是什麼？
     A. 非結構化數據更容易直接分析。
     B. 結構化數據有預定義格式，可直接查詢；非結構化數據需進行額外解析、特徵提取才能分析。
     C. 兩者處理方式完全相同。
     D. 非結構化數據量較小。

132. 倫理議題中提到的「責任歸屬」在AI應用中為何複雜？
     A. 因為AI模型的開發者很難追蹤。
     B. 當AI系統做出錯誤或有害決策時，難以明確界定是開發者、使用者還是AI本身的責任。
     C. 因為AI不會犯錯。
     D. 責任歸屬僅適用於人類。

133. AI民主化如何促進AI技術在中小企業的普及？
     A. 增加中小企業的技術門檻。
     B. 透過提供易於使用的工具和服務（如No Code/Low Code平台），降低中小企業導入AI的成本和技術要求。
     C. 僅限於大型企業的技術交流。
     D. 阻礙AI技術的發展。

134. **機器學習的「自適應能力」**是什麼意思？
     A. 模型只能在訓練時學習。
     B. 模型能夠從新的數據中不斷學習和調整，以改進其性能和預測能力。
     C. 模型只能適應特定的硬體。
     D. 模型只能在人工干預下進行調整。

135. 模型部署與監控為何需要「持續監測」？
     A. 僅為節省能源。
     B. 確保模型在真實世界數據上的性能持續穩定，及時發現並處理模型漂移、性能下降或異常行為。
     C. 增加模型的維護成本。
     D. 僅為滿足一次性驗收。

136. 在強化學習中，為什麼說遊戲AI是一個經典應用場景？
     A. 遊戲AI不需要學習。
     B. 遊戲環境提供了明確的獎勵和懲罰機制，模型可以透過不斷嘗試和學習來找到最佳策略。
     C. 遊戲AI是唯一不需要數據的AI。
     D. 遊戲AI只用於娛樂，無實際價值。

137. 風險溯源在生成式AI內容生成中面臨哪些挑戰？
     A. 生成內容來源單一。
     B. 生成模型的「創造性」和複雜的訓練過程使得追溯內容的原始數據來源和生成路徑變得困難。
     C. 風險溯源很容易實現。
     D. 生成式AI內容不需要溯源。

138. 生成式AI在藥物發現與分子設計中的潛在應用是什麼？
     A. 僅用於藥物銷售。
     B. 能夠快速生成大量新型化合物，加速藥物研發過程，減少實驗成本。
     C. 僅用於疾病診斷。
     D. 無法應用於科學研究。

139. 為什麼說倫理與法規遵循是AI應用規劃中不可或缺的一環？
     A. 它們會限制AI的創新。
     B. 確保AI技術負責任地發展和應用，避免潛在的社會危害、法律糾紛和公眾信任危機。
     C. 倫理和法規只是理論概念。
     D. 它們與AI的技術實現無關。

140. AI應用規劃師在進行需求與現狀評估時，如果業務痛點不明確，應該怎麼辦？
     A. 直接跳過此步驟。
     B. 與業務部門深入溝通，進行痛點挖掘和梳理，並分析現有流程以識別潛在的AI應用機會。
     C. 假設業務痛點存在。
     D. 僅根據市場趨勢決定。

141. OpenAI API 與 Hugging Face 在提供AI模型服務上有何不同？
     A. OpenAI API 僅提供開源模型，Hugging Face 僅提供閉源模型。
     B. OpenAI API 主要提供商業化 API 服務，Hugging Face 則是一個開源平台，提供大量預訓練模型、數據集和工具。
     C. 兩者提供完全相同的服務。
     D. OpenAI API 僅用於圖像，Hugging Face 僅用於文本。

142. 數據隱私洩露是生成式AI面臨的風險之一，如何降低這種風險？
     A. 完全公開所有訓練數據。
     B. 實施差分隱私、同態加密等技術，並對訓練數據進行嚴格的匿名化和去識別化處理。
     C. 增加模型的複雜度。
     D. 忽略隱私問題。

143. 在預測性分析中，時間序列模型主要用於預測什麼？
     A. 圖像分類。
     B. 具有時間依賴性的數據點序列，如股票價格、天氣變化。
     C. 文本情感。
     D. 離散類別。

144. AI訓練師除了訓練模型，還需要具備哪些重要技能？
     A. 程式碼編寫。
     B. 數據分析、模型評估、對領域知識的理解以及與資料科學家和工程師溝通的能力。
     C. 銷售技能。
     D. 法律諮詢。

145. 製造業中，預測性維護是如何應用AI的？
     A. 僅在設備故障後進行維修。
     B. 透過監測設備數據，AI模型能預測設備何時可能發生故障，從而提前進行維護，減少停機時間。
     C. 增加設備故障率。
     D. 僅用於產品設計。

146. 什麼是AI的「廣義AI (AGI)」，它與當前的狹義AI有何根本區別？
     A. AGI 已經實現，狹義AI是未來的技術。
     B. 狹義AI專注於特定任務，而AGI是一種理論上的AI，目標是擁有與人類同等全面的智慧，能處理任何智力任務。
     C. AGI 僅用於遊戲，狹義AI用於所有領域。
     D. 兩者沒有區別。

147. Suno AI等音樂生成平台對音樂產業可能產生哪些影響？
     A. 僅能複製現有音樂。
     B. 降低音樂創作門檻，提供新的創作工具，同時也引發版權和藝術原創性等討論。
     C. 提高音樂製作成本。
     D. 使音樂產業停滯不前。

148. 在AI應用規劃流程中，為什麼需要分階段策略？
     A. 為了一次性快速實現所有目標。
     B. 降低初期投資風險，允許在每個階段進行評估和調整，確保資源的有效利用和風險控制。
     C. 增加專案的複雜性。
     D. 僅適用於小型專案。

149. 倫理議題中提到的**「演算法公平性」**是什麼意思？
     A. 演算法必須是完全隨機的。
     B. 演算法在決策過程中不應對特定群體產生歧視或不公平的結果。
     C. 演算法的運行速度必須公平。
     D. 演算法只能處理公平的數據。

150. 資料工程師在AI團隊中扮演著「橋樑」的角色，連接了哪些環節？
     A. 僅連接模型訓練和部署。
     B. 連接原始數據源、數據處理管線和資料科學家/機器學習工程師的需求。
     C. 僅連接銷售與行銷。
     D. 僅連接硬體與軟體。

151. 強化學習在自動駕駛中如何應用以實現路徑規劃？
     A. 僅透過GPS。
     B. AI代理在模擬環境中學習如何根據交通狀況、障礙物和目的地選擇最佳行駛路徑，以最大化獎勵（如安全、效率）。
     C. 僅依賴預設地圖。
     D. 自動駕駛與強化學習無關。

152. AI民主化的發展，如何影響企業的數位轉型文化？
     A. 阻礙數位轉型。
     B. 促進企業內部更多員工參與數位化和AI應用，形成更具創新和適應性的文化。
     C. 僅限於IT部門的轉型。
     D. 導致企業對新技術的抵觸。

153. 在數據轉換中，數據離散化的目的是什麼？
     A. 將數據轉換成字串。
     B. 將連續型數值數據轉換為離散區間或類別，有助於某些模型處理和減少噪音。
     C. 增加數據精度。
     D. 僅用於數據加密。

154. 客戶服務中的客訴分析如何應用AI？
     A. 僅人工閱讀所有客訴。
     B. AI分析大量客訴文本，識別常見問題、趨勢和情緒，幫助企業改進產品和服務。
     C. 忽略客訴內容。
     D. 僅用於回覆客戶。

155. AI幻覺問題對於檢索增強生成 (RAG) 的重要性體現在哪裡？
     A. 幻覺是 RAG 的核心功能。
     B. RAG 正是為了減輕或解決 LLM 常見的幻覺問題而設計的，透過引入外部知識來提供更準確、有根據的答案。
     C. 幻覺會加速 RAG 的運行。
     D. RAG 會加劇幻覺問題。

156. AI應用規劃師在推動AI技術導入時，為何需要與領域專家密切合作？
     A. 領域專家負責撰寫程式碼。
     B. 領域專家提供關鍵的業務知識和行業洞察，確保AI解決方案符合實際業務需求和行業規範。
     C. 領域專家僅負責銷售。
     D. 規劃師不需要領域專家的幫助。

157. 數據偏見不僅存在於數據中，也可能存在於演算法中。如何解決演算法層面的偏見？
     A. 僅改變數據集。
     B. 透過設計公平性感知演算法、引入去偏見技術和定期審查模型決策過程。
     C. 增加模型複雜度。
     D. 忽略演算法偏見。

158. 生成式AI在數位藝術與插畫領域的應用，對傳統藝術家有何影響？
     A. 完全取代傳統藝術家。
     B. 作為輔助工具，提升創作效率和可能性，同時也引發藝術家對版權和原創性的思考。
     C. 降低藝術品價值。
     D. 與傳統藝術無關。

159. Low Code平台在企業級AI應用中，相較於純程式碼開發，其可擴展性可能面臨哪些挑戰？
     A. 無任何挑戰。
     B. 可能在處理極高併發、大規模數據或高度客製化集成時遇到性能瓶頸或平台限制。
     C. 可擴展性會無限提高。
     D. 僅影響開發成本。

160. 隱私保護在AI訓練數據處理中，除了技術手段，還有哪些管理層面的措施？
     A. 完全公開數據。
     B. 制定嚴格的數據使用政策、隱私影響評估、員工培訓、以及與法律合規部門的密切協作。
     C. 僅依賴技術加密。
     D. 忽略管理措施。

161. 機器學習的「過擬合」問題通常如何解決？
     A. 增加模型複雜度。
     B. 減少訓練數據量、引入正規化（regularization）技術、使用交叉驗證或提前停止訓練。
     C. 僅用於圖像數據。
     D. 忽略過擬合。

162. 自動化合規監管在金融領域應用AI有何優勢？
     A. 增加合規成本。
     B. 透過自動化分析大量交易和數據，快速識別潛在違規行為，提高合規效率和準確性。
     C. 降低金融風險。
     D. 僅用於投資組合優化。

163. 在AI應用規劃流程中，系統可擴展性的重要性體現在哪裡？
     A. 僅為增加硬體成本。
     B. 確保AI系統能隨著業務增長和數據量的增加而平穩擴展，滿足未來需求。
     C. 限制系統功能。
     D. 僅適用於小型專案。

164. 預測性維護在製造業中的應用，除了減少停機時間，還能帶來哪些效益？
     A. 增加維護成本。
     B. 延長設備壽命、優化備件庫存管理、提高生產效率和產品品質。
     C. 導致設備頻繁故障。
     D. 僅用於監測。

165. 商業智慧分析師在AI團隊中，如何與資料科學家和機器學習工程師協同工作？
     A. BI分析師僅提供報告。
     B. BI分析師將AI模型輸出的洞察轉化為可視化的商業報告和儀表板，監控關鍵指標，輔助業務決策。
     C. BI分析師負責模型的開發。
     D. BI分析師與AI團隊無關。

166. 深度學習中的Transformer架構為何在大型語言模型 (LLM) 領域中如此重要？
     A. 它僅用於圖像生成。
     B. Transformer架構擅長處理序列數據的長距離依賴關係，其注意力機制使其能高效學習文本的複雜語義。
     C. 它只適用於少量數據。
     D. 它會增加模型的計算成本。

167. AI對社會倫理的影響是多方面的，除了就業衝擊和隱私，還有哪些廣泛的考量？
     A. 僅限於技術細節。
     B. 決策權歸屬、自主性問題、人類與AI的互動模式、以及AI在社會公平和正義中的角色。
     C. 僅影響模型性能。
     D. 忽略社會影響。

168. 半監督式學習在實際應用中，通常適用於什麼情況？
     A. 只有大量標籤數據時。
     B. 標籤數據稀缺但未標籤數據豐富的場景，可以有效利用所有數據進行訓練。
     C. 只有無標籤數據時。
     D. 僅用於簡單的分類任務。

169. 提示工程 (Prompt Engineering) 中的「設定角色與限制」指的是什麼？
     A. 限制用戶的輸入長度。
     B. 為AI模型指定一個角色（如「你是一位專業的行銷顧問」）並設定內容生成範圍或限制，以獲得更精準的回應。
     C. 僅用於調整模型的內部權重。
     D. 讓AI完全自由發揮。

170. 生成式AI在遊戲開發中的潛在應用是什麼？
     A. 僅用於遊戲測試。
     B. 自動生成遊戲資產（如角色、場景）、劇情、NPC行為，提升開發效率和內容豐富度。
     C. 僅限於遊戲銷售。
     D. 與遊戲開發無關。

171. 數據標準化與數據正規化的區別是什麼？
     A. 兩者完全相同。
     B. 標準化通常指將數據轉換為平均值0和標準差1的分布；正規化通常指將數據縮放到0-1或-1-1的範圍。
     C. 標準化只適用於連續數據，正規化只適用於離散數據。
     D. 它們是數據清洗的兩種方式。

172. 風險管理中的「地緣政治下的規管碎片化」對AI發展有何影響？
     A. 促進全球AI標準的統一。
     B. 各國或地區制定不同的AI法規，導致企業在跨國部署AI時面臨複雜的合規挑戰。
     C. 降低AI的開發成本。
     D. 增加AI技術的安全性。

173. AI訓練師如何處理數據偏見的問題？
     A. 忽略偏見。
     B. 透過數據清洗、去偏見技術、以及多樣化數據採集來減輕偏見。
     C. 增加偏見數據。
     D. 僅依賴模型自動解決。

174. 法律領域的AI應用，除了法律文件，還能如何幫助律師進行風險評估？
     A. 僅通過人工閱讀案例。
     B. 分析海量判例、法規和合同，預測案件結果或識別潛在的法律風險。
     C. 增加法律糾紛。
     D. 僅用於檔案管理。

175. 為什麼AI應用的可控性對於企業級部署至關重要？
     A. 為了讓AI模型能自由發揮。
     B. 確保AI的輸出符合業務目標、品牌形象和道德規範，避免產生不可預期或有害的結果。
     C. 僅為降低計算成本。
     D. 可控性會降低模型性能。

176. AI應用規劃師在進行資源與基礎設施評估時，為何要特別關注數據品質？
     A. 數據品質與模型性能無關。
     B. 高品質的數據是AI模型成功訓練和有效應用的基礎，直接影響模型準確性和可靠性。
     C. 僅為節省儲存空間。
     D. 數據品質只影響硬體成本。

177. 模型部署後，進行持續監測時，哪些指標是關鍵的？
     A. 僅監測模型運行時間。
     B. 準確度、召回率、F1分數、延遲、吞吐量、錯誤率、以及業務相關的關鍵績效指標。
     C. 僅監測模型大小。
     D. 監測模型程式碼行數。

178. AI浮水印在圖像生成領域的應用是否會影響圖像質量？
     A. 總是會嚴重影響。
     B. 優秀的浮水印技術力求在不顯著影響視覺質量的前提下，嵌入可識別的標記。
     C. 浮水印會提高圖像質量。
     D. 浮水印僅用於文本。

179. 檢索增強生成 (RAG) 如何優化對話式AI (Chatbot) 的表現？
     A. 使Chatbot只能回答預設問題。
     B. 允許Chatbot在回答用戶問題時，從外部知識庫中檢索實時或特定領域的資訊，提供更準確、全面的回答。
     C. 增加Chatbot的幻覺。
     D. 降低Chatbot的反應速度。

180. AI治理中強調的**「問責制」**是什麼意思？
     A. AI系統無需對其決策負責。
     B. 確保當AI系統造成損害或錯誤時，能夠明確追究相關方（如開發者、部署者、使用者）的責任。
     C. 僅限於AI模型的解釋性。
     D. 問責制與AI發展無關。

181. No Code/Low Code平台對於公民開發者 (Citizen Developers) 有何重要意義？
     A. 限制他們的開發能力。
     B. 賦予非專業技術人員開發應用程式的能力，加速企業內部創新和解決問題。
     C. 使公民開發者成為專業程式設計師。
     D. 僅增加他們的學習負擔。

182. 在深度學習中，變分自編碼器 (VAE) 與生成對抗網路 (GAN) 在生成任務上的區別是什麼？
     A. VAE 和 GAN 都只能生成圖像。
     B. VAE 旨在學習數據的潛在分佈並生成新樣本，提供更平滑的潛在空間；GAN 則透過對抗學習生成逼真但潛在空間較不規則的數據。
     C. VAE 僅用於數據壓縮，GAN 僅用於圖像識別。
     D. 兩者原理完全相同。

183. AI應用規劃師在選擇AI工具時，除了技術特性，還應考慮哪些非技術因素？
     A. 僅考慮計算能力。
     B. 成本、安全性、供應商支援、可擴展性、易用性、以及與現有系統的集成能力。
     C. 僅考慮模型訓練時間。
     D. 忽略非技術因素。

184. 數據漂移 (Data Drift) 可能導致模型性能下降，這是因為什麼？
     A. 模型過度學習。
     B. 模型訓練時的數據分佈與部署後真實世界數據分佈發生了變化，導致模型預測不準確。
     C. 模型記憶體不足。
     D. 數據量不足。

185. 機器學習工程師在將AI模型部署到生產環境時，可能面臨哪些挑戰？
     A. 僅為模型訓練。
     B. 性能優化、可擴展性、實時推理、監控、版本控制、以及與現有系統的集成。
     C. 不需任何挑戰。
     D. 僅為數據收集。

186. AI在金融領域的投資組合優化是如何實現的？
     A. 僅依賴人工判斷。
     B. AI分析市場數據、經濟指標和個人偏好，預測資產表現並建議最佳投資組合，以最大化收益和最小化風險。
     C. 增加投資風險。
     D. 僅用於詐欺檢測。

187. 循環神經網路 (RNN) 在處理長序列數據時，為何會出現「梯度消失/爆炸」問題？其改進版本如何解決？
     A. RNN 不存在此問題。
     B. 因為反向傳播時梯度在時間步長上連乘，導致梯度過小或過大；LSTM和GRU通過引入門控機制來控制信息流，有效解決此問題。
     C. 改進版本使其運行更慢。
     D. 梯度消失/爆炸只發生在CNN中。

188. 產品設計中利用AI進行快速原型製作的優勢是什麼？
     A. 增加原型製作時間。
     B. AI能夠根據設計師的輸入，快速生成多種設計方案或3D模型，大幅縮短設計迭代週期。
     C. 降低產品創新性。
     D. 僅限於傳統設計。

189. AI應用規劃師在面對計算成本問題時，有哪些解決策略？
     A. 僅購買更昂貴的硬體。
     B. 優化模型（如模型壓縮、量化）、利用雲端資源的彈性擴展、選擇更輕量級的模型或演算法。
     C. 忽略計算成本。
     D. 僅依賴軟體優化。

190. 數據工程師在確保數據品質方面扮演什麼角色？
     A. 僅負責數據存儲。
     B. 設計和維護數據管道，確保數據的準確性、一致性、完整性和及時性。
     C. 僅負責數據分析。
     D. 數據品質與工程師無關。

191. 倫理議題中提到的**「演算法透明度」**是什麼意思？
     A. 演算法的程式碼必須公開。
     B. 模型的內部運作機制和決策邏輯能夠被理解、解釋和審查。
     C. 演算法的速度必須透明。
     D. 僅限於模型的訓練數據。

192. AI應用規劃流程中的長期目標設定為何重要？
     A. 僅為短視近利。
     B. 為AI專案提供清晰的發展方向和願景，指導各階段決策，並確保AI投資與企業戰略保持一致。
     C. 限制AI的發展。
     D. 僅為滿足形式要求。

193. 神經網路為何被稱為生成式AI的基石？
     A. 因為它只能做簡單的計算。
     B. 因為其多層結構和學習能力使其能夠學習和捕捉複雜的數據分佈，進而生成逼真、創新的內容。
     C. 因為它僅用於數據儲存。
     D. 因為它限制了AI的創造性。

194. 金融業中，自動化合規監管相較於傳統人工審核的優勢是什麼？
     A. 降低監管效率。
     B. 大幅提高審核效率和準確性，減少人為錯誤，並能實時響應法規變化。
     C. 增加人工成本。
     D. 僅限於簡單規則。

195. AI幻覺在生成文本內容時，可能表現為哪些形式？
     A. 語法錯誤。
     B. 生成事實錯誤、虛構信息、或與給定上下文不符的內容。
     C. 格式錯誤。
     D. 僅限於錯別字。

196. 商業智慧分析師如何利用AI技術來監控關鍵業務指標 (KPI)？
     A. 僅通過手動更新報表。
     B. 利用AI模型對數據進行自動化分析和預測，實時更新KPI儀表板，並提供預警和洞察。
     C. 忽略KPI。
     D. 僅用於歷史數據分析。

197. 深度學習在語音辨識中的應用，其核心技術通常是什麼？
     A. 僅限於傳統統計模型。
     B. 通常是基於循環神經網路 (RNN) 或 Transformer 架構，用於捕捉語音序列中的時間依賴性。
     C. 僅限於圖像識別技術。
     D. 僅用於生成圖像。

198. AI浮水印在法律合規方面有何意義？
     A. 僅為美觀。
     B. 有助於證明內容的AI生成來源，從而影響智慧財產權歸屬、版權侵權判斷和虛假信息傳播的責任追究。
     C. 浮水印會導致法律糾紛。
     D. 浮水印與法律合規無關。

199. AI應用規劃師在與測試工程師合作時，應強調什麼？
     A. 僅追求快速部署。
     B. 確保AI系統的功能性、可靠性、性能以及在各種情況下的穩健性，特別是潛在的偏見和倫理問題。
     C. 測試不重要。
     D. 僅測試用戶界面。

200. AI民主化最終將如何影響全球經濟格局？
     A. 僅有利於發達國家。
     B. 促進AI技術在更廣泛的產業和地域的普及，可能加速新興經濟體的技術創新和增長，縮小數位鴻溝。
     C. 導致經濟停滯。
     D. 僅影響科技產業。

https://docs.google.com/document/d/1AJaKbH-mJOmg3eSaMtPg4V9e6w3lv1aLzX858jcr7fM/edit?usp=sharing 題目卷下載