建議先看完對應教學影片再作答，效果加倍。 👉 YouTube 教學頻道
第 1 題
某製造業集團計畫導入 AI 預測性維修系統，IT 主管提出「只要買最高規格的 GPU 伺服器，模型效果就會最好」。資深 AI 規劃師在進行導入評估時發現，工廠感測器資料存在大量缺失值、跨系統格式不一致，且過去三年的故障紀錄有 40% 未被正確標註。下列何者最能正確描述此情境中影響 AI 專案可行性的核心問題，以及最優先的改善行動？
(A) 資料品質不足才是核心問題，無論運算資源多強大，以錯誤或缺失的資料訓練的模型都無法學到正確規律，應優先規劃資料清洗、缺失值填補與標註修正流程並建立資料治理規範
(B) GPU 伺服器規格不足是核心問題，更高的運算能力可以透過更複雜的模型架構自動補償資料品質的缺陷，應立即採購高規格硬體再處理資料問題
(C) 故障標註不完整是次要問題，可透過半監督式學習讓模型從未標註資料中自動學習，先以現有資料完成模型訓練，待上線後再逐步補充標註
(D) 跨系統格式不一致屬於 IT 整合問題而非 AI 問題，應交由 IT 部門獨立處理，AI 規劃師只需專注在模型架構設計，兩條工作線平行推進即可
答案：A
深度導讀解析
正確答案：A
核心技術點：資料品質是 AI 專案可行性的基石，優先於硬體與模型選擇
中級理論拆解：「Garbage in, garbage out」是 AI 專案的鐵律。感測器缺失值會讓模型學到錯誤的設備運行規律，格式不一致讓特徵工程無從下手，40% 標註錯誤直接污染監督式學習的訓練訊號。這三個問題任何一個都會讓模型產出毫無意義的預測，GPU 再強也救不了。資料治理規範包含資料品質標準定義、清洗流程 SOP、標註一致性審核機制，是 AI 專案地基。
選項坑洞掃描：B 說更複雜的模型能補償資料品質，這是根本性的誤解，複雜模型對資料雜訊更敏感，資料越差過擬合越嚴重。C 說半監督式學習能解決標註問題，半監督學習仍需部分高品質標註資料作為錨點，40% 錯誤標註會讓這個錨點本身失效。D 說資料整合是 IT 問題與 AI 無關，資料格式與品質直接決定特徵工程的可行性，AI 規劃師必須主導資料需求的定義。
破題反射字：資料缺失 + 格式不一致 + 標註錯誤 → 資料品質問題 ／ 硬體無法補償資料品質 → Garbage in, garbage out ／ 資料治理規範 → AI 專案地基
第 2 題
某物流公司導入 AI 路徑最佳化系統，總投資成本為新台幣 500 萬元。系統預計第一年節省燃油與人力成本共 200 萬元，並透過效率提升帶來 100 萬元的額外營收。財務長要求 AI 規劃師同時計算效益成本比（Benefit-Cost Ratio）與投資報酬率（ROI），以評估專案的財務可行性。下列何者為兩項指標的正確計算結果與判讀？
(A) 總效益 300 萬 / 總成本 500 萬 = 效益成本比 0.6（60%）；ROI = (300 萬 - 500 萬) / 500 萬 = -40%，代表第一年尚未回本，需評估多年期累積效益再決策
(B) 效益成本比 = 節省成本 200 萬 / 總成本 500 萬 = 40%；ROI = 額外營收 100 萬 / 總成本 500 萬 = 20%，兩項指標應分開計算不同類型的效益
(C) 效益成本比與 ROI 計算方式相同，均為總效益 300 萬 / 總成本 500 萬 = 60%，兩個指標在財務評估上意義完全一致可互相取代
(D) ROI = 總效益 300 萬 / 總成本 500 萬 × 100% = 60%，效益成本比 = (300 萬 - 500 萬) / 500 萬 = -40%，兩者計算公式互換使用
答案：A
深度導讀解析
正確答案：A
核心技術點：效益成本比（BCR）與 ROI 的公式差異及財務判讀邏輯
中級理論拆解：效益成本比（BCR）= 總效益 / 總成本 = 300 / 500 = 0.6，代表每投入 1 元能回收 0.6 元效益，BCR < 1 表示第一年效益尚未覆蓋投資。ROI = (淨效益 - 投資成本) / 投資成本 = (300 - 500) / 500 = -40%，第一年為負值屬正常，需計算投資回收期（Payback Period）評估幾年可回本。本題年度效益 300 萬，約 1.67 年可回收 500 萬投資，是否可行取決於公司的資金時間成本與策略目標。
選項坑洞掃描：B 把總效益拆成節省成本和額外營收分開計算，BCR 應計算所有量化效益的總和而非分項，這個做法會低估整體效益。C 說兩個指標意義完全一致，BCR 是效益與成本的比值，ROI 是淨效益佔成本的比例，公式和含義均不同。D 把兩個公式互換，完全用錯計算邏輯。
破題反射字：BCR = 總效益 / 總成本 ／ ROI = (淨效益 - 成本) / 成本 ／ BCR < 1 → 效益未覆蓋投資
第 3 題
某零售集團計畫在全國 300 個門市部署 AI 邊緣裝置進行即時顧客行為分析，包含人流計數、駐足熱區偵測與結帳等候預測。IT 基礎設施評估階段，規劃師需確認哪些關鍵因素直接影響系統的可行性。下列何者最能正確描述此邊緣 AI 部署情境的核心基礎設施考量？
(A) 門市現場的網路頻寬穩定性與邊緣裝置的即時推論運算能力是核心考量，因為影像分析需在本地完成、結果需即時回傳，兩者直接決定系統能否如期運作
(B) 總部資料中心的 GPU 叢集規模是核心考量，所有門市的影像資料都需上傳至總部進行集中運算，資料中心的處理能力決定系統的即時性
(C) 門市人員對 AI 系統的接受程度與操作熟練度是核心考量，人員的配合意願直接影響系統導入後的實際使用率與業務效益
(D) 現有電子收銀系統與 AI 平台的 API 整合複雜度是核心考量，若結帳系統無法串接 AI 輸出，整個邊緣部署的商業價值就無法實現
答案：A
深度導讀解析
正確答案：A
核心技術點：邊緣 AI 部署的基礎設施評估核心——本地運算能力與網路穩定性
中級理論拆解：邊緣運算（Edge Computing）的設計邏輯是將推論運算移至資料產生端（門市現場），避免將大量影像資料上傳至雲端的頻寬成本與延遲問題。即時顧客行為分析對延遲極為敏感（需在數秒內輸出熱區結果），因此邊緣裝置的推論算力（通常需要專用 NPU 或 GPU 晶片）與門市網路穩定性（用於將分析結果同步至總部儀表板）是評估的核心。300 個門市的規模也讓邊緣裝置的硬體規格選型成為關鍵決策。
選項坑洞掃描：B 說總部資料中心是核心，這和邊緣運算的設計初衷相反，若所有影像都傳回總部，頻寬成本極高且無法做到即時分析。C 說人員接受程度是基礎設施考量，人員管理屬於變革管理範疇，不屬於 IT 基礎設施評估的核心項目。D 說 API 整合是核心，系統整合是重要考量但屬於後期整合規劃，基礎設施可行性評估的首要問題是硬體與網路能否支撐系統運作。
破題反射字：邊緣 AI → 本地推論運算 ／ 即時分析 → 邊緣裝置算力 ／ 資料上傳雲端 → 邊緣運算要避免的瓶頸
第 4 題
某企業評估導入 AI 語音辨識客服系統的總體擁有成本（TCO），財務部門列出了以下清單：系統開發與初期部署費用、模型訓練雲端運算費用、上線後維護與更新人力成本、客服人員再培訓費用、競爭對手類似產品的市場佔有率預測。AI 規劃師需從中篩選出屬於 TCO 評估範疇的項目。下列何者最能正確描述 TCO 的評估邊界？
(A) TCO 涵蓋系統整個生命週期的直接與間接成本，包含開發部署、雲端運算、維護更新、人員培訓，但不包含競爭對手市場分析，後者屬於外部競爭環境評估而非系統擁有成本
(B) TCO 只計算系統上線前的一次性投資，包含開發部署與雲端運算費用，上線後的維護人力是營運費用不屬於 TCO，競爭對手分析是策略規劃費用也應納入 TCO
(C) TCO 與 ROI 的計算範疇相同，所有列出的五項都應納入 TCO 計算，才能全面評估專案的財務可行性與市場競爭定位
(D) TCO 的核心只有硬體和軟體的採購成本，人員培訓、維護更新屬於隱性成本不計入 TCO，競爭對手分析費用若由本公司支出則應納入
答案：A
深度導讀解析
正確答案：A
核心技術點：TCO 的評估範疇定義——系統生命週期的直接與間接成本
中級理論拆解：TCO（Total Cost of Ownership）計算一個系統從導入到退役整個生命週期的所有成本，分為直接成本（開發、部署、硬體、授權費）與間接成本（維護人力、培訓、停機損失、升級費用）。AI 系統的 TCO 特別需要注意：模型訓練的雲端費用（一次性與持續性再訓練）、MLOps 維運人力、資料標註費用等 AI 特有成本。競爭對手市場分析是外部環境評估工具，和「擁有這套系統需要付出多少成本」無關，不屬於 TCO 範疇。
選項坑洞掃描：B 說維護人力不屬於 TCO，這是嚴重誤解，維護與更新往往是 AI 系統最大的長期成本，也是 TCO 和初期採購成本最大的差異所在。C 說 TCO 與 ROI 範疇相同，ROI 衡量投資回報，TCO 衡量擁有成本，兩者方向不同，ROI 需要 TCO 作為分母但不等同。D 說培訓和維護是隱性成本不計入，TCO 的設計初衷正是要把這些隱性成本顯性化，避免只看採購價低估真實成本。
破題反射字：TCO → 生命週期全成本 ／ 直接 + 間接成本 → TCO 的組成 ／ 競爭對手分析 → 不屬於 TCO 範疇
第 5 題
某媒體公司計畫導入 AI 自動生成新聞稿系統，要求產出的文章必須反映最新時事且具備一定專業性。AI 規劃師在進行模型情境適配性評估時，需在四種技術路線中選擇最合適的方案。下列何者最能正確描述情境適配性的判斷邏輯，以及最適合此需求的技術選型？
(A) 生成式大型語言模型（LLM）搭配 RAG 機制是最適合的選型：LLM 具備文本生成能力，RAG 透過即時檢索外部知識庫補充最新時事資訊，彌補 LLM 訓練資料截止日期的限制
(B) 基於規則的專家系統是最安全的選型，因為其輸出邏輯完全可控、不會產生幻覺，適合新聞這類對事實準確度要求極高的場景
(C) 支援向量機（SVM）搭配 TF-IDF 特徵是最適合的選型，因為新聞稿生成本質上是文本分類問題，需要從現有新聞中分類出最相關的內容再組合輸出
(D) CNN 影像辨識模型是最適合的選型，因為現代新聞稿通常搭配圖片，CNN 能同時處理文字與影像的多模態內容生成需求
答案：A
深度導讀解析
正確答案：A
核心技術點：LLM + RAG 架構的適用場景，以及 RAG 解決 LLM 時效性限制的機制
中級理論拆解：情境適配性評估的核心是把業務需求拆解為技術需求。本題有兩個關鍵需求：「生成文章」→ 需要生成式模型；「反映最新時事」→ LLM 訓練資料有截止日期，無法直接輸出最新事件。RAG（Retrieval-Augmented Generation）在生成前先從即時更新的知識庫（如新聞資料庫）檢索相關文件，將檢索結果注入提示詞，讓 LLM 基於最新資訊生成文章，同時保留 LLM 的語言生成能力，兩個需求都被滿足。
選項坑洞掃描：B 說規則型專家系統最安全，規則系統無法生成自然語言文章，只能按既定模板填值，無法符合「具備一定專業性」的靈活表達需求。C 說 SVM + TF-IDF 是文本分類問題，新聞稿生成是生成任務而非分類任務，SVM 輸出的是類別標籤不是文章內容。D 說 CNN 處理多模態內容，CNN 是影像特徵提取工具，不具備文本生成能力，多模態生成需要專門的多模態模型架構。
破題反射字：文本生成 → LLM ／ 時效性限制 → RAG 即時檢索補充 ／ 情境適配性 → 業務需求拆解為技術需求
還在用零散筆記備考？
這份《iPAS 中級白話備考筆記》把三科考綱重點全部用人話整理好，考點速記、實戰場景、常見陷阱一次收錄。適合非本科、時間有限、想快速抓住考試方向的自學者。
👉 立即取得備考筆記
