24. 在保持 GPT-OSS 模型架構不變的前提下，如果將模型參數量從 20 億提升至 120 億，並假設有足夠的訓練資料支撐，下列敘述何者最正確？
(A)模型參數增加會線性提升效能，且即使訓練資料不變也不會遇到瓶頸；
(B)參數越多模型推理越快，因為每層可以並行計算更多參數；
(C)較大的參數量能提升模型的表達能力與預測效能，但需足夠訓練資 料支持；
(D)增加參數量不影響記憶體使用，只會影響計算速度

25. 在自然語言處理任務中，為了減少訓練語料中偏見對模型的影響，下列哪種資料處理策略屬於常見的「資料去偏(Data Debiasing)」做法？ (A)讓模型在訓練時隨機替換輸出，以抵消資料中存在的系統性偏差； (B)增加模型的參數量，依賴更大的模型自動消除原始資料中的偏見； (C)調整或擴充訓練語料，使不同群體或類型資料的比例更加平衡，避 免模型過度偏向出現頻率高的類別； (D)對訓練資料施加額外正則化或噪音，使模型在學習過程中對偏見敏感度降低

26. 在深度學習模型的微調(Fine-tuning)過程中，可能出現所謂的「災難性遺忘(Catastrophic Forgetting)」。此現象最可能造成哪種情況？ (A)由於計算資源或訓練步驟不足，模型在微調過程中無法完整收斂， 導致學習效果受限； (B)微調後模型的表現變得隨機，無法有效記憶新學到的模式與知識； (C)微調後模型的部分權重產生偏移，導致模型無法針對較長的文字進 行回應； (D)模型過度適應微調的資料分佈，逐漸遺忘先前預訓練所獲得的廣泛 知識，在原有任務或廣泛領域上表現變差

27. 在大型 Transformer 模型的效能優化過程中，常見的方法之一是「剪枝(Pruning)」。下列哪一項最符合該方法的核心概念？ (A)將模型中所有權重按比例縮小，使其值更接近零，以降低計算量； (B)移除模型中影響較小或冗餘的部分權重參數，以減少模型大小並提 升推理效率； (C)在訓練時僅更新部分權重而將其他權重凍結，從而減少需要調整的 參數數量； (D)根據注意力分數動態跳過處理部分輸入 Token，以減少每次前向傳 播的計算

28. 對非常長的輸入序列進行推理(Inference)，Transformer 模型推理的主要計算瓶頸通常是什麼？ (A)模型輸出層產生文本的過程，因為每生成一個詞都必須重新訓練整個模型一次； (B)詞嵌入 (Embedding) 查找操作，因為其時間複雜度隨詞彙表大小 指數級增長； (C)Softmax 函數的計算，因為對每個 Token 都需要執行繁重的運算； (D)自注意力層的計算和其記憶體使用，因為注意力矩陣的大小隨序列 長度呈平方級增長

29. 在「可解釋人工智慧(Explainable AI, XAI)」領域中，LIME(Local Interpretable Model-agnostic Explanations)方法最核心的應用目 的是什麼？ (A)解釋單一樣本(局部預測)的黑箱模型決策過程； (B)全面提升黑箱模型整體的預測準確度； (C)將黑箱模型轉換成完全可解釋的模型作為替代； (D)用於生成大量擬真數據來替代訓練集

30. 在醫療診斷決策支援系統等高風險領域中，「可解釋人工智慧 (Explainable AI, XAI)」的核心價值最主要呈現在哪個面向？ (A)透過提供可理解的決策依據，促進患者與醫療專業人員對系統診斷 結果的信任與接受度； (B)以可解釋性方法優化臨床資料蒐集與管理流程，從而降低整體醫療作業成本； (C)利用解釋機制增強模型預測的統計顯著性與準確度，使其在研究及 實務應用中更具科學性； (D)透過提供透明化的運作過程，進而減輕臨床人員負擔，並提升醫療 服務的整體效率

31. 在金融科技公司的信貸決策系統中，導入反事實解釋(Counterfactual Explanation)時，實際部署往往伴隨技術與監管挑戰。下列哪一項最符合該情境下的核心挑戰？ (A)需要建立完整的客戶行為預測模型來估算建議改變的實施成本，並整合到現有的風險管理系統架構中； (B)必須使用聯邦學習技術保護客戶隱私，同時在分散式環境中計算跨 機構的反事實解釋結果； (C)需要建構時間序列因果圖來處理客戶信用狀況的動態變化，並預測未來可能的信用評分軌跡； (D)生成的反事實樣本必須滿足特徵間的因果約束和業務邏輯約束，同時確保建議的改變在現實中具有可操作性且符合公平放貸法規

32. 在統計推論中，若樣本來自母體但呈現明顯偏態分布，且樣本數有限，下列哪一項策略最能減少推估母體參數的偏誤？ (A)直接使用樣本平均數與變異數估計母體參數，不做任何調整； (B)增加樣本數並考慮使用分位數或中位數作為中心趨勢估計； (C)將樣本隨機重新排列後，多次計算平均值以消除偏態影響； (D)完全依賴樣本標準差來估計母體參數，忽略分布形態

33. 在工業物聯網架構中，進行設備預測性維護(Predictive Maintenance) 時，若面對異常事件發生頻率極低、樣本高度不平衡的時間序列資料， 下列哪一種方法最能兼顧模型穩定性與異常偵測效能？ (A)將每筆異常事件資料複製多次以提升模型對異常的辨識敏感度，搭 配全序列訓練模型(如 LSTM)； (B)對時間序列進行差分與標準化後，使用傳統監督式學習模型(如 SVM)進行分類訓練； (C)使用經過時間序列特化的 SMOTE 技術生成異常樣本，以平衡異常與 正常資料比例； (D) 採用基於重建誤差的自編碼器模型( Sequence-to-Sequence Autoencoder)進行異常偵測，並僅使用正常資料進行訓練

34. 在零售業進行客戶行為分析時，資料倉儲中發現多個欄位儲存相同的購買金額資訊(例如：amount_usd、total_price、transaction_value)， 但其單位、命名慣例及格式不一致，進而導致特徵工程階段混淆模型輸 入。針對此種跨欄位語義重疊與結構冗餘問題，下列哪一種資料處理策 略最合適且具實務可行性？ (A)利用資料探勘技術自動選擇資料集中對目標變數最敏感的欄位，其 他欄位捨棄即可，避免過度清理干擾原始結構； (B)保留所有相似欄位，交由高階模型(如 Gradient Boosting 或 Deep Learning)自動學習特徵關聯，無需手動處理； (C)建立欄位命名標準，統一金額單位與格式，進行欄位正規化與語義 合併，減少重複資訊影響特徵重要性估計； (D)將重複欄位視為類別欄位，進行 One-hot 編碼(One-hot encoding) 後輸入模型，以避免數值誤導模型學習過程

115年 - 115-2 AI 應用規劃師-初級能力鑑定公告試題_第二科：生成式 AI 應用與規劃#140595

115年 - 115-2 AI 應用規劃師-初級能力鑑定公告試題_第一科：人工智慧基礎概論#140586

115年 - 115-1 AI 應用規劃師-初級能力鑑定公告試題_第二科：生成式 AI 應用與規劃#139147

115年 - 115-1 AI 應用規劃師-初級能力鑑定公告試題_第一科：人工智慧基礎概論#139146

114年 - 114-4 AI 應用規劃師-初級能力鑑定公告試題_第二科：生成式 AI 應用與規劃#139148

114年 - 114-4 AI 應用規劃師-初級能力鑑定公告試題_第一科：人工智慧基礎概論#139118

114年 - IPAS AI應用規劃師初級能力鑑定-考試樣題(114/09)_科目二：生成式 AI 應用與規劃#132596

114年 - IPAS AI應用規劃師初級能力鑑定-考試樣題(114/09)_科目一：人工智慧基礎概論#132595

114年 - iPAS◆AI應用規劃師◆初級-科目1-L1101#130994

114年 - iPAS AI應用規劃師初級能力鑑定_科目二：生成式 AI 應用與規劃#128027