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

1. 下列何者不屬於資料整合(Data Integration)的主要目的？ (A)統一不同來源資料的格式與欄位定義，以確保分析一致性； (B)識別並處理重複資料，避免影響模型訓練結果； (C)整併多來源資料，以提升資料完整性與應用價值； (D)依資料保存政策延長原始資料留存期限，以利未來可能的分析需求

2. 某智慧城市專案導入 AI 技術，以優化垃圾收集路線調度並即時監測空氣品質變化。系統需持續蒐集環境數據(如 PM2.5、氣體濃度)與設備狀態(如垃圾桶滿溢度)。下列何種技術最直接支援上述需求？ (A)專家系統(Expert System)； (B)決策支援系統(Decision Support System)； (C)啟發式決策引擎(Heuristic Decision Engine)； (D)感知器網路(Sensor Network)

3. 下列何者不符合非監督式學習(Unsupervised Learning)的典型特徵？ (A)模型可依據資料中的特徵相似性進行自動分群； (B)訓練過程中不需仰賴事先定義的標籤資料； (C)常用於探索資料的潛在結構或隱含模式； (D)模型主要學習輸入特徵與既定目標標記之間的對應關係

4. 某保險公司建立 AI 理賠金額預測模型。歷史理賠資料經檢定後呈近似常態分佈，但仍存在少數極端高額案件。資料科學團隊在不破壞整體分佈特性的前提下，規劃進行離群值處理。下列何者最不適當？ (A)依統計準則(如 Z-score 或 IQR)評估後，再決定是否調整或處理極端值； (B)採用截尾(Trimming)處理極端值，以提升模型穩定性； (C)使用 One-hot 編碼(One-hot Encoding)將離群值轉換為類別特徵以改善數值穩 定性； (D)結合領域知識評估其合理性，再決定保留或修正

5. 某銀行建立 AI 詐欺交易偵測模型。歷史交易資料中，詐欺樣本比例極低，導致模型訓練時偏向預測為「正常交易」。資料科學團隊評估採用 SMOTE(Synthetic Minority Over-sampling Technique)改善訓練資料分佈。下列何者最符合 SMOTE 技術的主要功能？ (A)透過隨機刪除部分正常交易資料，以降低類別失衡程度； (B)依據少數類別樣本的特徵空間，合成產生新的少數類別樣本； (C)調整模型的損失函數(Loss Function)權重，使誤判少數類別時的懲罰提高； (D)以交叉驗證(Cross-validation)方式重新分割資料集，使各折資料類別比例一致

6. 資料科學團隊在模型訓練前，需對數值特徵進行正規化(Normalization)或標準化(Standardization)。為確保模型評估結果具真實性並避免資料洩漏(Data Leakage)，下列何者為最適當的作法？ (A)於資料分割前，先對完整資料集計算統計量並進行標準化處理； (B)先分割訓練資料(Training Data)和測試資料(Test Data)，並各自獨立計算 統計量後進行標準化； (C)先分割訓練資料(Training Data)和測試資料(Test Data)，僅以訓練資料計算 統計量，再套用至測試資料； (D)僅對訓練資料(Training Data)進行標準化處理，測試資料(Test Data)保持原 始數值

7. 某電信公司建立機器學習模型預測用戶流失風險。資料中包含多個類別型特徵 (Categorical Features)，例如「資費方案類型」與「客戶地區」。為使模型能有效 使用這些特徵，下列何者最直接用於將類別型特徵轉換為模型可處理的數值格 式？ (A)資料分群(Data Clustering)； (B)特徵交叉(Feature Cross)； (C)One-hot 編碼(One-hot Encoding)； (D)寬深模型(Wide and Deep)

8. 某零售企業在建置機器學習模型預測顧客購買機率時， 資料同時包含大量稀疏類別特徵與數值型特徵。 團隊希望模型既能學習過去已出現的特徵組合規律，也能對未出現的特徵組合做出合理預測。 下列哪一種模型架構最適合此類需求？ (A)線性迴歸(Linear Regression)； (B)決策樹(Decision Tree)； (C)支援向量機(Support Vector Machine, SVM)； (D)寬深模型(Wide and Deep)

9. 某影音串流平台建立神經網路模型，用於預測使用者最可能感興趣的影片類型。 模型輸出層需將結果轉換為各類別的機率分佈，以便系統依機率高低推薦內容。 下列哪一種函數最適合用於模型輸出層？ (A)Softmax 函數(Softmax Function)； (B)Sigmoid 函數(Sigmoid Function)； (C)線性函數(Linear Function)； (D)ReLU 函數(Rectified Linear Unit Function)

10. 某設計公司導入生成式 AI(Generative AI)工具，用於自動產生產品概念圖與風格草圖。為了讓系統能依據既有圖像資料產生具有變化且風格一致的新圖像，模型必須具備學習資料特性並生成新樣本的能力。下列哪一種模型技術或方法最符 合上述需求？ (A)隱變量自編碼器(Variational Autoencoder, VAE)； (B)隨機森林(Random Forest)； (C)K-近鄰演算法(K-Nearest Neighbors, KNN)； (D)貝氏網路(Bayesian Network)

11. 某企業導入生成式 AI(Generative AI)系統自動產出會議摘要，並規劃額外建置 一套 AI 系統，用於評估摘要內容的正確性與完整性。下列何者為此 AI 系統的核心目標？ (A)自動新增專業名詞與技術指標； (B)判斷摘要是否遺漏關鍵資訊或出現語意錯誤； (C)調整語音轉文字結果； (D)自動標註摘要的關鍵字與主題標籤

12. ChatGPT、Gemini 等對話型生成式 AI 工具所依據的基礎模型技術，下列何者正確？ (A)決策樹(Decision Tree)； (B)大型語言模型(Large Language Model, LLM)； (C)生成對抗網路(Generative Adversarial Network, GAN)； (D)圖卷積網路(Graph Convolutional Network, GCN)

13. 根據《金融機構運用人工智慧技術作業規範》，金融機構於使用人工智慧提供金融服務並直接與消費者互動時，下列何者非必要揭露之資訊？ (A)該服務之 AI 模型原始程式碼； (B)服務適用對象與用途範圍； (C)該服務是否為 AI 自動完成； (D)該服務是否提供替代方案

14. 下列哪一項「AI 技術應用與產業領域」的對應最為恰當？ (A)利用 AI 分析商場顧客購買紀錄以預測股票市場波動—智慧交通； (B)使用 AI 進行設備故障預測與預防性維護—智慧製造； (C)以 AI 模型融合即時氣象資料與乘客消費行為特徵，推薦會員升級優惠方案— 智慧醫療； (D)利用 AI 分析社群媒體互動以提升臨床診斷準確度—金融服務業

15. 在資料處理中，下列何者屬於「結構化數據」的例子？ (A)儲存在 MySQL 資料庫中的訂單記錄； (B)以 JSON 格式儲存的商品訂單資訊； (C)用 XML 標註的產品目錄； (D)儲存在純文字檔案中的客服對話紀錄

16. 關於敘述性統計指標，下列敘述何者最為正確？ (A)中位數(Median)能有效反映極端值對資料分佈的影響； (B)標準差(Standard Deviation)越大，代表資料越集中； (C)百分位數(Percentile)主要用於衡量資料在整體分布中的相對位置； (D)平均值(Mean)適合描述偏態且包含離群值(Outliers)的資料

17. 某企業資料分析人員需針對不同型態的數據選擇合適的視覺化工具。下列哪一種情境最適合使用直方圖(Histogram)？ (A)檢視顧客年齡資料在不同區間的集中情形； (B)分析產品售價與銷售量之間的關聯程度； (C)比較各產品類別的年度銷售總額； (D)在地圖上標示各縣市加盟店的地理分布位置

18. 某電商平台工程師需在已排序的價格清單中，快速定位指定價格是否存在，給定排序後陣列：arr = [3, 8, 14, 19, 21, 27, 33, 45, 52]。若搜尋目標值為 27，且採用標準二分搜尋(Binary Search)流程(每次比較後排除中位數)，請問最多需要比較 幾次即可找到目標？ (A)2 次； (B)3 次； (C)4 次； (D)5 次

19. 某物流公司導入強化式學習(Reinforcement Learning)優化車隊調度。模型在系統運行過程中，會依據不同配送狀態動態調整行動選擇方式，使決策結果逐步朝較佳績效收斂。上述模型在學習過程中的調整行為，最符合下列哪一項強化式學習核心機制？ (A)調整策略函數以改變行動選擇機率； (B)更新訓練資料分布以降低模型偏差； (C)重新分群狀態資料以識別決策類型； (D)建立正確決策標籤進行誤差修正

20. 某團隊訓練影像分類模型，發現模型在訓練資料上的準確率達 98%，但在測試資料上僅有 72%。若團隊希望提升模型對新資料的適應能力，並增加訓練資料的多樣性，下列何者最適合？ (A)增加模型的深度與參數量，使模型學習更多細節； (B)對訓練影像進行旋轉、翻轉等隨機變化； (C)提高訓練速度，使模型更快完成學習； (D)僅保留模型表現較好的訓練資料

21. 某時尚品牌導入生成式 AI(Generative AI)技術，建立服裝設計輔助系統。系統需根據設計師輸入的風格條件，自動產生具有高度視覺品質、細節穩定且風格變化自然的服裝草圖。團隊特別重視生成結果的穩定性與多樣性控制能力。在此需 求下，下列哪一種模型技術或方法較為適合？ (A)支援向量機(Support Vector Machine, SVM)； (B)生成對抗網路(Generative Adversarial Network, GAN)； (C)決策樹(Decision Tree)； (D)擴散模型(Diffusion Model)

22. 某製造業工廠規劃導入 AI 監控系統，持續分析設備感測數據(如溫度、震動與壓力)。系統需能在缺乏完整異常標註資料的情況下，辨識與一般運作型態顯著不同的狀態，並發出預警。在此需求下，下列何種技術較為適合？ (A)使用支援向量機(Support Vector Machine, SVM)建立異常分類模型； (B)以決策樹(Decision Tree)學習異常類型的判斷規則； (C)採用變分自編碼器(Variational Autoencoder, VAE)學習正常資料分佈； (D)使用生成對抗網路(Generative Adversarial Network, GAN)直接預測異常標籤

23. 在 AI 推論服務架構設計中，「批次推論(Batch Inference)」與「即時推論(Realtime Inference)」常依任務特性選擇不同機制。下列關於兩者特性的敘述何者最正確？ (A)批次推論通常以同步請求方式回傳結果，以確保資料一致性；即時推論則多採非同步機制以提升系統吞吐量(Throughput)； (B)批次推論多用於延遲容忍度較高的大規模資料處理，通常以吞吐量 (Throughput)最佳化為優先；即時推論則著重於請求回應時間的穩定性與低延遲特性； (C)批次推論因計算資源需求高，僅適用於影像類模型；即時推論則主要應用於結構化資料模型； (D)即時推論為確保回應速度，通常限制為單筆資料輸入；批次推論則可支援同步多筆資料即時回傳

24. 某企業導入大型語言模型作為客服助理。模型已具備穩定語言能力，但在回覆偏好一致性與組織規範遵循方面仍需優化，團隊因此規劃導入人類反饋強化學習 (RLHF)流程，下列何者最不屬於 RLHF 階段的典型技術活動？ (A)透過人工評估方式建立偏好資料，使模型的不同候選輸出可反映人類主觀品質差異； (B)訓練一個能依據人類偏好判斷輸出品質的模型，作為模型優化過程中的回饋依據； (C)依據品質評估結果，調整模型生成策略，使其輸出更符合偏好導向的行為表現； (D)以未標註語料為主進行長週期表示學習訓練，以提升模型基礎語言建模能力

25. 在大型語言模型(LLM)的推論服務中，常透過請求批次處理(Batching)來提升系統效能。關於批次處理(Batching)機制的影響，下列敘述何者最正確？ (A)Batching 可提升加速器資源使用效率並增加整體吞吐量(Throughput)，但在部 分情境下可能對單筆請求延遲造成影響； (B)Batching 主要用於加快單筆請求回應時間； (C)Batching 的效益主要來自降低記憶體使用量，對於吞吐量(Throughput)與延 遲表現影響有限； (D)Batching 在低併發(Concurrency)請求下，仍能明顯提升系統效能

26. 在可解釋 AI(Explainable AI, XAI) 的分類架構中，LIME(Local Interpretable Model-agnostic Explanations)屬於哪一類解釋技術？ (A)內建可解釋模型(Intrinsic Interpretability)：模型本身具有透明的決策結構； (B)對話式解釋系統(Conversational AI Explainer)：透過互動對話提供模型解釋； (C)後處理模型解釋(post-hoc)：對已訓練模型提供外部解釋 ； (D)代理模型技術(Surrogate Model)：訓練另一個簡單模型來完全取代原黑盒模型 進行推論

27. SHAP(SHapley Additive exPlanations)值常用於分析機器學習模型的輸出行為。下列何者最符合 SHAP 值所提供的資訊？ (A)模型在訓練過程中，各特徵對損失函數收斂速度的影響程度； (B)依據特徵對模型整體準確率的影響，自動篩除低重要性變數； (C)在單一預測結果中，各輸入特徵對最終輸出所產生的貢獻分配； (D)透過調整特徵權重，使模型在推論階段降低計算複雜度

28. 在金融業導入 AI 模型與可解釋性技術時，反事實解釋(Counterfactual Explanation)最符合下列哪一種應用？ (A)分析整體客戶群的信用風險分布，以預測未來違約率趨勢； (B)回溯歷史呆帳案例，辨識造成違約的主要影響因素； (C)分析在模型不變的前提下，客戶申請資料變動對授信決策結果的影響； (D)依據客戶輪廓與行為資料，推薦最適合的金融商品以提升交叉銷售

29. 在深度學習模型的分析與驗證過程中，研究人員有時會利用「顯著性圖(Saliency Map)」來輔助理解模型行為。下列何者最符合此技術的主要用途？ (A)量化各輸入特徵對模型整體預測準確度的平均影響程度； (B)標示輸入資料中對單一預測結果影響較大的區域或部分； (C)評估在不同模型參數設定下，預測結果的穩定性變化； (D)比較不同模型架構在測試資料上的泛化能力差異

30. 某商業銀行想建立洗錢行為檢測系統，擁有過去 5 年的交易記錄，其中包含已確 認的洗錢案例(標記為「異常」)和正常交易(標記為「正常」)。銀行希望系統能 自動識別新交易是否為洗錢行為，請問使用下列哪一種機器學習方法最為適合？ (A)監督式學習的分類問題； (B)非監督式學習的分群問題； (C)強化式學習； (D)非監督式學習的關聯規則挖掘

31. 某農場收集了大量作物葉片影像，但只有 30%的影像有病害類別標註，其餘 70% 的影像沒有任何標籤。農場希望充分利用所有資料來訓練病害識別模型。這種情 況最適合使用哪一種學習方法？ (A)半監督式學習(Semi-supervised Learning)； (B)監督式學習(Supervised Learning)； (C)非監督式學習(Unsupervised Learning)； (D)強化式學習(Reinforcement Learning)

32. 某環保局想建立 AI 系統監測空氣品質，透過分析監測站攝影機拍攝的影像來識別煙霧。系統需要在影像中找出煙霧區域並標示其位置和範圍。這個應用主要屬於電腦視覺的哪個技術領域？ (A)影像分類，判斷影像中是否有煙霧； (B)物件偵測，找出煙霧位置並用方框標示； (C)影像分割，精確標示出煙霧的像素區域； (D)人臉辨識，識別煙霧來源

33. 某公車系統想預測各站點的到站時間，需要考慮歷史班次資料、即時路況、天氣等因素。由於路況變化複雜，傳統循環神經網路(Recurrent Neural Network, RNN)在建模時可能難以保留較早期的重要資訊。下列哪種架構最能解決這個問 題？ (A)卷積神經網路(Convolutional Neural Network, CNN)，利用卷積層捕捉局部特徵； (B)自編碼器(Autoencoder, AE)，先進行資料壓縮再重建； (C)全連接神經網路(Fully Connected Neural Network, FCNN)，增加隱藏層數量； (D)長短期記憶網路(Long Short-Term Memory, LSTM)，改善 RNN 的長期記憶問 題

34. 某保險公司每月處理約 50 萬筆理賠申請，希望建立 AI 系統自動識別可疑的詐欺案件。由於公司內部缺乏 AI 專業人員，且需要快速上線驗證效果，IT 資訊主管正在評估不同的 AI 平台解決方案。在去識別化個人隱私資料後，下列哪一種平台類型最適合該公司的需求？ (A)從零開始建立深度學習框架並自行訓練模型； (B)採用開源機器學習框架進行客製化模型開發； (C)使用雲端 AutoML 平台進行自動化模型訓練； (D)購買現成的詐欺偵測軟體套件直接部署

35. 某市政府規劃釋出市民用電資料供學術研究使用，資料內容包含用電紀錄與部分人口統計欄位。考量資料可能涉及可識別個人之資訊，且須符合個人資料保護相 關規範，下列哪一種資料處理方式最為適當？ (A)提供完整資料集並透過合約約定研究用途與保密責任； (B)僅保留用電數值資料，移除所有其他欄位以避免識別風險； (C)對具識別風險的資料欄位進行轉換處理，並移除直接識別資訊； (D)僅將資料加密後提供，確保資料在傳輸過程中的安全性

36. 某電子製造公司建置 AI 視覺檢測系統，用於辨識 PCB 電路板製程缺陷。系統在影像判讀任務上表現穩定，但其模型設計與訓練目標皆侷限於特定應用範圍，無法直接遷移至其他營運決策任務。依人工智慧能力範疇分類，下列何者最符合該系統特性？ (A)弱 AI(Weak AI/Narrow AI)； (B)強 AI(Strong AI)； (C)通用人工智慧(Artificial General Intelligence, AGI)； (D)超級人工智慧(Artificial Superintelligence, ASI)

37. 某紡織製造公司導入 AI 系統進行布料瑕疵檢測，每天需處理來自 30 條產線的影像資料，包括高解析度照片、感測器數值、生產參數記錄等多種格式。該公司收集的資料量從每日 2GB 增長至 50GB，且需在布料離開產線前的 3 秒內完成瑕疵判定。近期團隊發現系統在尖峰時段容易出現判定延遲，影響製程節奏。若要優先改善此問題，下列哪一種做法最適合？ (A)擴充資料儲存容量，以因應長期資料累積需求； (B)強化即時資料處理與推論計算資源配置，以降低延遲風險； (C)調整資料格式標準，以降低跨來源整合複雜度； (D)增加資料驗證與清理機制，以提升資料品質穩定性

38. 某果園管理公司計畫導入 AI 系統協助農民判斷蘋果成熟度，透過分析果實特徵資訊，評估成熟狀態並自動判斷採收時機。根據 AI 應用領域的分類，這個系統主要屬於哪一個應用領域？ (A)自然語言處理(Natural Language Processing)； (B)電腦視覺(Computer Vision)； (C)語音識別(Speech Recognition)； (D)推薦系統(Recommendation System)

39. 某企業評估於不同業務場景導入機器學習技術。下列哪一項應用情境與機器學習類型的搭配最為適當？ (A)在醫療影像分析中，同時運用少量已標註資料與大量未標註影像進行模型訓練 —監督式學習(Supervised Learning)； (B)在智慧推薦系統中，利用顧客是否點擊的歷史標籤資料預測未來偏好—非監督式學習(Unsupervised Learning)； (C)在詐欺交易分析中，模型透過錯誤判斷所產生的損失作為回饋訊號，持續調整策略—監督式學習(Supervised Learning)； (D)在股價資料分析中，將歷史價格變動模式劃分為若干趨勢型態，且未使用人工標註—非監督式學習(Unsupervised Learning)

40. 某製造業公司建置機器學習模型，用於預測產品是否為瑕疵品。實際生產資料中，瑕疵品比例極低，大多數樣本皆為正常品。模型測試時發現，即使模型多數預測為正常品，仍可獲得很高的整體準確率。在此情境下，若希望更有效衡量模型對瑕疵品的辨識能力，下列何者較適合作為主要評估指標？ (A)F1-score； (B)均方誤差(Root Mean Squared Error, RMSE)； (C)準確率(Accuracy)； (D)判定係數(R², Coefficient of Determination)

41. 在大型語言模型(LLM)的效能優化中，Flash Attention 常被用來改善 Transformer 注意力機制的運算效率。關於 Flash Attention 的主要效益，下列敘述何者最正確？ (A)透過忽略影響較小的注意力權重，減少模型需要計算的關聯數量，以降低運算成本； (B)透過調整注意力計算與資料處理方式，減少中間結果的儲存需求，進而改善速度與資源使用效率； (C)透過增加注意力計算的並行程度，使模型可同時處理更多注意力頭部； (D)透過將注意力結果暫存於高速快取記憶體，以避免重複計算造成延遲

42. 某企業建置基於檢索增強生成(RAG)的法遵知識輔助系統，用於整合法規條 文、內控制度與歷史函釋文件。系統運行後發現，每當法規更新或新增解釋文件時，需重新建立完整索引，導致更新期間系統暫停服務，且部分回應偶有引用舊 版內容的情形。若希望在兼顧查詢效率的同時提升知識更新彈性與系統穩定性， 下列何者最適合？ (A)提升模型推論資源配置，以維持高流量查詢時的回應效能； (B)調整語言模型的輸出限制機制，以降低生成內容與法規不一致的風險； (C)建立固定法規問答對照表，以規則化方式優先回應常見問題； (D)導入可支援增量更新的索引管理方式，使異動文件可即時反映於檢索結果

43. 關於機器學習不同的學習模式，下列敘述何者錯誤？
1. 監督式學習(Supervised Learning)透過已標註資料學習輸入與目標之間的對應關係，常見任務包含分類與數值預測。
2. 非監督式學習(Unsupervised Learning)雖不需標註資料，但通常需預先定義每 筆資料的正確輸出類別以利模型收斂。
3. 半監督式學習(Semi-supervised Learning)在訓練過程中僅利用未標註資料進行特徵學習，並不涉及標註資料。
4. 自監督式學習(Self-supervised Learning)的訓練方式與監督式學習相同，皆需人工逐筆提供標註資料。
5. 強化式學習(Reinforcement Learning)透過與環境互動並依據回饋訊號調整策略，以優化決策行為。
6. 自監督式學習(Self-supervised Learning)通常利用資料本身產生訓練目標，以降低對人工標註資料的依賴。 (A)2、3、6； (B)2、4、5； (C)1、3、6； (D)2、3、4

44. 某零售業者建立顧客行為預測模型，資料集中包含「年消費金額」、「平均單筆交 易金額」及「會員年資」等數值型特徵。資料分析顯示，部分金額特徵呈現高度 偏態分布，少數樣本的數值顯著高於多數觀測值。為降低極端值對模型學習穩定 性的影響，下列哪一種特徵工程方法最適合？ (A)對數轉換(Log Transformation)； (B)區間化(Binning)； (C)One-hot 編碼(One-hot Encoding)； (D)隨機重抽樣(Random Resampling)

45. 某團隊訓練深層神經網路模型時，發現訓練誤差長時間幾乎未下降，模型參數更新幅度極小，呈現學習停滯現象。若研判問題與梯度傳遞效率有關，下列何者最 適合的改善策略？ (A)延長模型訓練時間，使模型有更多機會調整參數； (B)增加訓練樣本數量，以提升模型學習能力； (C)調整模型中的啟動函數設定，以改善訓練過程的穩定性； (D)簡化模型結構，以降低模型過度擬合的可能性

46. 某市政府建置城市治理資料平台，需整合交通車流偵測資料、路口監視器影像， 以及民眾透過陳情系統提交的文字通報。由於各類資料格式、儲存方式與資料型 態差異甚大，導致資料清理與整合成本顯著增加。就大數據特性而言，此專案最 主要面臨下列哪一項挑戰？ (A)Volume； (B)Velocity； (C)Variety； (D)Veracity

47. 某企業規劃導入 AI 技術支援多項資料分析任務中，下列何種屬於結構化預測 (Structured Prediction)問題？ (A)判斷一封電子郵件是否為垃圾郵件； (B)預測未來一週的產品需求量； (C)預測客戶是否可能流失； (D)為語音內容轉換後的文字進行逐詞標註

48. 某物流公司想導入 AI 以提升營運效率，評估不同資料型態與模型架構。下列哪一種應用情境最適合採用卷積神經網路(Convolutional Neural Network, CNN)作為主要模型架構？ (A)依據包裹每日掃描紀錄的時間序列，預測下週各倉庫的進貨量波動； (B)根據客服對話逐句內容的先後順序，判斷客訴是否可能升級為申訴案件； (C)根據倉庫監視器影像，自動辨識貨架是否缺貨並標示缺貨區域位置； (D)依據車隊 GPS 路徑點的連續軌跡，預測下一段可能行駛路線

49. 某 AI 科技公司在工業缺陷檢測領域已有成熟的辨識產品經驗。現欲與新客戶合作開發一項類似產品的表面瑕疵檢測系統，但因新產品量產不久，標註樣本極為稀少且專家標註成本高昂。在不大幅增加標註預算的前提下，下列哪一種做法最能利用該公司既有的技術優勢來提升模型表現？ (A)增加模型參數規模，使模型具備更強表達能力； (B)透過資料增強(Data Augmentation)擴展影像變化，以提升模型穩定性； (C)重新蒐集大量影像並進行完整人工標註； (D)採用遷移學習(Transfer Learning)，利用既有預訓練模型進行調整

50. 某醫院使用機器學習模型篩檢癌症患者。模型預測結果會決定哪些病人需要進一步檢查。院方非常重視盡量找出所有可能的癌症患者，即希望降低漏診(Missed Diagnosis)風險，即便這可能增加一些誤判。下列哪一個評估指標最能反映模型找出癌症患者的能力？ (A)精準率(Precision)； (B)召回率(Recall)； (C)假陽性率(False Positive Rate)； (D)ROC-AUC 曲線