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
某傳統製造業公司計畫導入 AI 瑕疵檢測系統，規劃師在初期評估時發現：各廠區的感測器資料儲存在五個互不相通的系統、品質標準因廠而異、同一產品的缺陷定義在不同部門有不同版本，且沒有明確的資料擁有者。AI 規劃師判斷這家公司在 AI 導入規劃上有一個最根本的組織能力缺口需要優先補強。下列何者最能正確描述這個缺口，以及為何它必須先於模型開發被解決？
(A) 數位與資料治理能力不足是核心缺口，資料分散、標準不一、權責不清會直接導致訓練資料品質低落，無論模型架構多先進都無法從根本上改善，必須先建立治理框架才能確保 AI 專案的資料基礎
(B) MLOps 能力不足是核心缺口，缺乏模型版本控管與自動化部署流程，導致瑕疵檢測模型上線後無法持續迭代優化，應優先建立 CI/CD 管線再處理資料問題
(C) GPU 運算資源不足是核心缺口，高解析度影像的瑕疵檢測需要大量運算資源，現有 IT 基礎設施無法支撐深度學習模型訓練，應優先採購硬體再評估資料狀況
(D) 演算法選型能力不足是核心缺口，團隊對 CNN 與 Vision Transformer 的適用場景判斷不清，可能選錯模型架構導致準確率不足，應優先引入外部演算法專家
答案：A
深度導讀解析
正確答案：A
核心技術點：資料治理成熟度是 AI 導入規劃的地基，優先於模型與硬體決策
中級理論拆解：AI 模型的學習品質完全取決於訓練資料的品質。五個互不相通的系統代表資料孤島，整合成本極高；缺陷定義不一致代表標籤噪聲，模型會學到矛盾的規律；沒有資料擁有者代表品質問題無人負責，隨時間只會惡化。資料治理框架需解決：統一的資料定義與標準、資料存取與擁有權責、品質稽核機制。這是地基，地基不穩，上面蓋再好的模型都會倒。
選項坑洞掃描：B 說 MLOps 是核心缺口，MLOps 解決模型上線後的維運問題，但連訓練資料都還沒準備好就談 MLOps，順序完全錯誤。C 說 GPU 不足是核心，硬體是後期問題，資料準備好之前買再多 GPU 也沒有意義。D 說演算法選型是核心，選對演算法固然重要，但在資料品質極差的情況下，任何演算法都學不到有效規律。
破題反射字：資料分散 + 標準不一 + 權責不清 → 資料治理問題 ／ 治理框架優先 → 地基邏輯 ／ MLOps → 模型上線後的維運，非前期問題
第 2 題
某金融機構開發 AI 自動貸款審核系統，模型在測試集的 AUC 達到 0.91。法遵部門在風險識別階段提出：當系統拒絕客戶貸款申請時，必須能提供具體可理解的拒絕理由，否則可能面臨主管機關的合規審查。資深規劃師判斷這個需求直接指向某類 AI 風險。下列何者最能正確描述此風險的本質，以及對應的技術解決方向？
(A) 此為可解釋性風險，黑箱模型的決策邏輯不透明，無法向客戶與監管機關說明拒貸理由；應導入 SHAP 等 XAI 工具輸出每筆決策的特徵貢獻度，或改用邏輯迴歸等本質可解釋的模型
(B) 此為模型過擬合風險，AUC 0.91 可能是訓練集過擬合的結果，導致對新客戶的拒貸決策不穩定；應加入交叉驗證與正則化確保模型泛化能力，再處理解釋性問題
(C) 此為資料偏見風險，訓練資料中可能存在對特定族群的歷史歧視，導致拒貸決策不公平；應對訓練資料進行公平性稽核，移除與族群相關的代理變數
(D) 此為系統整合風險，貸款審核系統需與現有核心銀行系統串接，若 API 介面設計不良將導致拒貸結果無法即時同步，影響客戶體驗與法規遵循
答案：A
深度導讀解析
正確答案：A
核心技術點：XAI 的核心應用場景——受監管行業的決策可解釋性需求
中級理論拆解：金融信用決策在多數法規框架下（如台灣消費者保護法、歐盟 GDPR 第 22 條）要求必須能向當事人說明自動化決策的依據。SHAP（SHapley Additive Explanations）基於博弈論，計算每個特徵對單筆預測結果的邊際貢獻，可輸出「因為負債比過高（貢獻 -0.3）、近三個月信用查詢次數過多（貢獻 -0.2）而拒貸」這類具體解釋。若改用邏輯迴歸，係數本身即為可解釋的特徵權重，犧牲部分準確度換取天然可解釋性。
選項坑洞掃描：B 說是過擬合風險，AUC 0.91 沒有顯示過擬合跡象，且題目的核心問題是「無法說明理由」而非「預測不穩定」，方向錯誤。C 說是資料偏見風險，偏見確實是金融 AI 的重要風險，但題目明確描述的問題是「無法提供理由」而非「決策不公平」，兩者是不同的風險類型。D 說是系統整合風險，API 串接是工程問題，與「無法說明拒貸理由」的本質無關。
破題反射字：無法說明決策理由 → 可解釋性風險 ／ SHAP → 特徵貢獻度輸出 ／ 受監管行業 → XAI 需求的高發場景
第 3 題
某新創公司計畫開發生成式 AI 寫作輔助產品，目前資金有限，且目標市場的使用者需求仍在探索階段，不確定用戶最重視的核心功能為何。創辦人傾向直接開發完整產品後再上市。AI 規劃師建議先執行 POC。下列何者最能正確說明在此情境下優先執行 POC 的戰略邏輯，以及 POC 與完整產品開發的本質差異？
(A) POC 以最低成本驗證核心技術假設與商業可行性，在需求不明確時避免將大量資源押注在可能方向錯誤的完整開發；完整產品開發適合在 POC 確認假設成立後才啟動
(B) POC 與完整產品開發的差異只在規模，POC 是完整產品的縮小版，完成後只需增加功能數量即可擴展為正式產品，兩者技術架構完全相同
(C) POC 的主要目的是向投資人展示技術能力以爭取融資，完整產品開發才是真正驗證市場需求的方式，因此資金充足後應跳過 POC 直接進入完整開發
(D) POC 適合技術成熟度低的場景，生成式 AI 技術目前已相當成熟，因此本題情境不需要 POC，應直接採購現成 LLM API 進行完整產品開發
答案：A
深度導讀解析
正確答案：A
核心技術點：POC 的戰略定位——在不確定性高時以最低成本驗證核心假設
中級理論拆解：本題的關鍵條件是「需求仍在探索階段」，這代表產品方向本身存在根本不確定性。完整產品開發的成本與時間投入巨大，若最終發現用戶根本不需要這個功能組合，損失難以承受。POC 聚焦在「核心假設驗證」：這個生成式 AI 功能技術上可行嗎？用戶願意使用嗎？願意付費嗎？用最小的工程成本回答這三個問題，再決定是否全力投入，是高不確定性場景下的標準風險控制手段。
選項坑洞掃描：B 說 POC 是完整產品的縮小版，POC 的目的是驗證假設而非交付功能，不是按比例縮小的產品，兩者設計目標根本不同。C 說 POC 只是為了融資展示，這混淆了 POC 的商業功能與戰略功能，真正的 POC 是給內部決策用的，而非行銷工具。D 說技術成熟就不需要 POC，POC 驗證的不只是技術可行性，更包含商業可行性與用戶需求，技術成熟不代表市場需求已知。
破題反射字：需求不確定 → POC 優先 ／ 核心假設驗證 → POC 的本質目的 ／ 完整開發 → POC 確認假設後才啟動
第 4 題
某零售業公司完成庫存預測 AI 系統的 POC，技術評估報告顯示模型預測準確率達到預設門檻。但在 POC 成果報告會議上，業務主管提出兩個問題：「這個預測結果要怎麼匯入我們現有的 ERP 系統？」以及「模型上線後誰來負責維護？」技術團隊無法回答。AI 規劃師診斷這份 POC 在設計上有根本性的缺失。下列何者最能正確描述這個缺失的本質？
(A) POC 設計只聚焦技術指標的驗證，忽略了營運可行性與部署整合的評估，一個完整的 POC 應同時包含技術驗證、商業價值確認與系統整合可行性三個維度
(B) POC 的預測準確率門檻設定過低，業務主管的問題反映他們對模型效能不夠滿意，應提高準確率門檻重新執行 POC 再討論整合問題
(C) POC 缺少使用者介面設計，業務主管無法直觀看到預測結果的呈現方式，導致對系統整合方式產生疑慮，應優先完成 UI 設計再回應整合問題
(D) POC 執行時間過短，業務主管的擔憂來自對 AI 系統不夠熟悉，應延長 POC 時間讓業務部門有更多接觸機會，自然會理解整合與維護的方式
答案：A
深度導讀解析
正確答案：A
核心技術點：POC 的多維度評估框架——技術、商業價值、營運可行性缺一不可
中級理論拆解：業務主管的兩個問題分別指向兩個不同的缺失：「如何匯入 ERP」→ 系統整合可行性評估缺失；「誰來維護」→ 維運責任與 MLOps 規劃缺失。一個完整的 POC 應評估三個維度：技術維度（模型準確率、推論速度）、商業維度（ROI 估算、業務流程改善幅度）、營運維度（與現有系統的整合複雜度、維護人力需求、資料更新機制）。只通過技術驗證的 POC 無法作為全面導入決策的依據。
選項坑洞掃描：B 說準確率門檻太低，業務主管問的是整合和維護問題，而非對準確率不滿意，這是對問題的錯誤解讀。C 說缺少 UI 設計，UI 是產品開發的工作，POC 階段不需要完整 UI，業務主管的問題是實質的整合與維運疑慮，不是 UI 問題。D 說時間太短，業務主管的擔憂是具體且合理的技術問題，不是因為接觸時間不夠，延長時間無法回答「怎麼串 ERP」。
破題反射字：POC 只看技術指標 → 忽略營運可行性 ／ ERP 整合問題 → 系統整合評估缺失 ／ 誰來維護 → MLOps 規劃缺失
第 5 題
某 AI 規劃師正在評估一家製造業公司的資料治理成熟度，調查結果如下：各廠區資料儲存在七個各自獨立的系統、沒有全公司統一的資料定義標準、資料品質由各部門自行把關無統一稽核、資料存取權限靠口頭協議而非系統控管。規劃師需要將此公司歸類至成熟度等級，並據此提出優先改善建議。下列何者最能正確描述此公司的成熟度狀態與對應行動？
(A) 屬於初級／混亂級（Initial / Ad Hoc），資料管理完全依賴個人或部門的臨時做法，缺乏任何系統化機制；優先行動是建立統一的資料定義標準、明確資料擁有權責，再逐步建立品質稽核流程
(B) 屬於管理級（Managed），公司已有部門層級的資料管理實踐，只需將各部門的做法標準化並整合至企業層級即可達到定義級，可直接進入模型開發階段
(C) 屬於定義級（Defined），各部門各自有完整的資料管理流程，問題只在跨部門整合，只需建立資料交換介面與 API 串接即可解決，不需要重新定義治理標準
(D) 屬於優化級（Optimized），公司能自主識別資料問題並尋求外部評估，主動改善意識代表組織已達到高度成熟，只需在現有基礎上加入 AI 模型監控機制即可
答案：A
深度導讀解析
正確答案：A
核心技術點：資料治理成熟度模型的等級判斷標準與對應改善行動
中級理論拆解：資料治理成熟度通常分為五級：初級（Ad Hoc，無系統化管理）→ 可重複級（Repeatable，部分流程可重複）→ 定義級（Defined，有明確標準流程）→ 管理級（Managed，可量化監控）→ 優化級（Optimized，持續改善）。本題特徵：七個獨立系統（資料孤島）、無統一定義（缺乏標準）、無稽核機制（無管控）、口頭協議（非正式化）——四個指標全部指向初級。初級的優先行動不是建技術系統，而是先解決「人」的問題：定義誰擁有哪些資料、這些資料代表什麼含義、品質由誰負責，建立共識才能推進後續標準化。
選項坑洞掃描：B 說是管理級，管理級的定義是「有可量化的管控指標」，本題連基本的標準都沒有，遠未達管理級。C 說是定義級，定義級需要有明確的跨部門標準流程，本題各部門各行其是、連定義都不統一，不符合定義級特徵。D 說是優化級，優化級是成熟度最高的等級，代表有持續改善的機制，本題描述的是最基礎的混亂狀態，完全相反。
破題反射字：資料孤島 + 無統一標準 + 無稽核 → 初級 / Ad Hoc ／ 優先建立資料定義與權責 → 初級的改善起點 ／ 五級成熟度 → 初級→可重複→定義→管理→優化
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
