40. 某音樂串流平台希望開發一套 AI 系統，能根據平台上累積的大量歌曲資料，自動生成具有不同風格變化的全新旋律，供創作者作為靈感參考。平台技術長在 評估方案時強調，系統不能只是播放或拼接既有歌曲片段，也不能僅進行資料的重建，而是要真正學習音樂的結構與風格，並創作出從未出現過的新旋律。 請問下列哪一種模型技術最符合此需求？
(A)K-近鄰演算法(K-Nearest Neighbors, KNN)；
(B)自編碼器(Autoencoder)；
(C)生成對抗網路(GAN)；
(D)隨機森林(Random Forest)

41. 某資安公司正在評估導入機器學習模型來偵測網路流量中的異常連線行為。技 術團隊在比較各種演算法時，其中一位工程師建議採用支援向量機(SVM)。請 問下列何者最正確敘述支援向量機的特性？ (A)擅長處理大規模非結構化資料，且模型訓練完成後可自動適應新進資料而無 需重新建模； (B)透過多個模型的集體決策來提升預測穩定性，在資料量不足時仍能維持一定 的準確率； (C)在高維度且樣本數相對有限的情境下表現良好，但當訓練資料量龐大時運算 成本會顯著上升； (D)具備強大的特徵自動萃取能力，特別適合影像與語音等需要逐層抽象化處理 的複雜任務

42. 下列哪一項是可解釋人工智慧(XAI)領域，LIME(Local Interpretable Modelagnostic Explanations)最可能被用於的情境？ (A)分析即時通訊系統中訊息傳輸效率的瓶頸； (B)建立機制以強化系統中的資料安全與隱私保護； (C)當某筆貸款申請被模型拒絕時，分析該筆資料中各項因素與結果之間的關 聯； (D)監控並優化推薦系統的回應速度與系統效能，以提升整體使用體驗

43. 某信用評分公司導入 SHAP(SHapley Additive exPlanations)框架分析機器學習 模型的輸出行為。分析師希望了解：「對於某位特定申請人被評為高風險的信用 評分，各項輸入特徵分別對這個評分結果貢獻了多少」。下列哪一項最能正確說 明 SHAP Shapley 值在此情境中所提供的資訊？ (A)各特徵在模型訓練過程中對結果穩定性的影響程度； (B)此申請人的各項特徵，分別讓風險評分上升或下降的影響程度； (C)各特徵在所有客戶資料中對整體預測準確度的影響程度； (D)各特徵在模型中被使用的頻率

44. 某金融集團評估將大型語言模型導入客服與風控系統，團隊採用如 120B 參數等級的超大型語言模型以確保回應品質。請問下列何者最能說明企業在正式環境 部署超大型語言模型時，最需要優先考量的因素？ (A)模型參數量龐大，導致每次輸出結果差異極大，難以符合金融業對回應一致 性的要求； (B)超大型模型無法支援批次處理，在高併發的客服場景下將造成嚴重的服務瓶 頸； (C)推理延遲較高且運算資源消耗龐大，每次請求成本遠高於小型模型，需在模 型效能與營運成本之間審慎權衡； (D)模型會依任務複雜度自動調整運算資源配置，因此不需特別考量推理成本

45. 某智慧交通系統在城市主要路口安裝監視攝影機，需即時識別畫面中的汽車、機車、公車等不同車輛類型，並統計各路口的車輛流量以支援號誌控制優化。 下列哪一種神經網路架構最適合處理此類影像中的物件類型識別任務？ (A)循環神經網路(RNN)，適合處理序列資料； (B)卷積神經網路(CNN)，適合處理影像資料； (C)長短期記憶網路(LSTM)，適合處理長期依賴； (D)多層感知機(MLP)，將輸入資料轉換為數值後進行分類

46. AutoSkill 框架的主要目標是什麼？ (A)建立一個降低對大型語言模型(LLM)依賴的自動化系統； (B)透過持續更新模型參數來提升任務表現； (C)將重複的互動經驗轉化為可重複使用的明確技能模組； (D)透過檢索外部知識來改善模型回應品質

47. 某大型語言模型(LLM)在訓練過程中，研究人員發現模型在生成文本時，長期集中產生少數幾種相似的回應形式，缺乏多樣性。下列何者最能說明此現象及其可能原因？ (A)過度擬合(Overfitting)； (B)模式崩潰(Mode Collapse)； (C)梯度消失(Vanishing Gradient)； (D)模型收斂速度(Convergence Rate)

48. 某電商平台建置機器學習模型，用於預測用戶在瀏覽特定商品後的購買機率。 模型上線初期表現穩定，但維運團隊在定期審查中發現兩種不同情形： 情形甲：模型上線半年後恰逢消費趨勢轉變，過去高購買意願的用戶行為模式 (如長時間停留商品頁)不再是強烈的購買訊號，即便輸入特徵分布與訓練期相近，模型預測準確率仍明顯下降。情形乙：平台新增了行動裝置端的入口，新用戶的年齡分布、裝置類型與使用 時段特徵與原訓練資料差異顯著，導致模型對這批用戶的預測偏差增大。 下列哪一項最能正確對應兩種情形所屬的模型劣化類型？ (A)甲為資料漂移(Data Drift)、乙為概念漂移(Concept Drift)； (B)甲為概念漂移(Concept Drift)、乙為資料漂移(Data Drift)； (C)甲為模型過擬合(Overfitting)、乙為資料漂移(Data Drift)； (D)甲與乙均屬概念漂移(Concept Drift)，因為兩者都導致模型預測準確率下降

49. 某資安公司目前以鑑別式 AI 偵測已知網路攻擊。為因應新型變種攻擊，研究人 員計劃利用生成式 AI 模擬可能的攻擊流量，並納入防禦模型訓練。下列何者最 能說明此做法對鑑別式 AI 防禦模型的主要助益？ (A)生成式 AI 可取代真實攻擊資料，降低蒐集成本； (B)生成式 AI 可直接負責防禦決策，取代原有模型； (C)模擬攻擊資料可使模型自動轉為生成式架構； (D)將模擬攻擊納入訓練，可提升模型對未知攻擊的辨識能力

50. 某企業已部署一套預訓練大型語言模型作為內部知識問答系統，主要用於查詢人資、財務與法遵相關的內部規範。由於公司內規每月都會滾動更新，管理層要求系統在文件更新後必須能立即反映最新內容，不能等待模型重新訓練。技術團隊正在評估應採用檢索增強生成(RAG)還是微調(Fine-tuning)來因應此需求。請問下列哪一項評估最為正確？ (A)採用 Fine-tuning 較為適合，只要定期將更新後的內規文件加入訓練資料，模 型便能即時反映最新規範內容； (B)採用 RAG 較為適合，將更新後的文件同步至外部知識庫，模型即可在不重 新訓練的情況下立即查詢最新內容； (C)採用 Fine-tuning 較為適合，因為模型經過內規語料訓練後，回應品質會優於 透過 RAG 生成的答案； (D)兩者皆可達成需求，差異僅在於建置成本高低，與系統能否即時反映更新內 容無關

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