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
某銀行導入 AI 自動化貸款審核系統，法遵部門要求在正式上線前完成「AI 風險評估」。AI 規劃師需要識別此系統的主要風險類別。下列哪一組風險分類最能完整涵蓋此場景的核心風險？
(A) 演算法偏見風險（對特定族群不公平）、可解釋性風險（無法說明拒貸理由）、資料隱私風險（客戶個資被濫用）、模型漂移風險（部署後效能隨時間衰退）
(B) 硬體故障風險（伺服器當機）、網路延遲風險（API 回應超時）、程式碼品質風險（軟體 bug）、供應商倒閉風險（服務中斷）
(C) 市場競爭風險（競爭對手也有 AI 系統）、品牌形象風險（客戶不喜歡 AI 決策）、匯率風險（海外系統費用波動）、人才流失風險（AI 工程師離職）
(D) 只有資安風險需要評估，其他類型的風險由業務部門負責，AI 規劃師只需確保系統不被駭客入侵
答案：A
深度導讀解析
正確答案：A
核心技術點：AI 系統的四類核心風險——偏見、可解釋性、隱私、模型漂移
中級理論拆解：貸款審核直接影響個人財務機會，需特別關注：演算法偏見（訓練資料的歷史歧視）、可解釋性（GDPR 要求說明自動化決策依據）、資料隱私（金融個資的法規保護）、模型漂移（市場條件改變讓模型失準）。
選項坑洞掃描：B 描述的是 IT 維運風險，不是 AI 特有的倫理與合規風險。C 是一般商業風險，與 AI 系統的技術和倫理特性無關。D 把 AI 風險管理範疇縮限為資安，大幅低估了 AI 系統的風險廣度。
破題反射字：演算法偏見 → 訓練資料歷史歧視 ／ 可解釋性 → GDPR 自動化決策說明義務 ／ 模型漂移 → 部署後效能衰退
第 2 題
某醫療 AI 公司的腫瘤診斷模型 AUC 達 0.96，但臨床驗證發現對亞裔女性患者的召回率（Recall）比白人男性低 19 個百分點，且模型未使用「族裔」或「性別」作為輸入特徵。監管機關要求公司說明偏見來源並提出改善方案。下列何者最能正確描述此偏見的產生機制？
(A) 偏見來自模型過擬合，高 AUC 代表模型記住了訓練資料的雜訊，應加入 L2 正則化後重新訓練
(B) 偏見來自代理變數（Proxy Variable）——未使用族裔性別，但影像特徵、就醫紀錄等特徵可能與族裔性別高度相關，模型透過這些代理特徵間接學到偏見；應使用 SHAP 分析各特徵對不同族群決策的貢獻差異
(C) 偏見來自測試集設計不當，只要擴大測試集讓各族群樣本均等，召回率差距會自然消失，不需要修改模型
(D) 沒有使用族裔和性別特徵代表模型設計上已完全公平，19% 的召回率差距只是統計隨機波動，重新抽樣後差距會消失
答案：B
深度導讀解析
正確答案：B
核心技術點：代理歧視（Proxy Discrimination）機制與 SHAP 在偏見診斷的應用
中級理論拆解：不使用敏感屬性不代表公平，影像特徵（如皮膚色調、體型）可能與族裔相關，就醫頻率可能與性別相關，模型透過這些代理特徵間接學到偏見。這稱為「公平性透過遮蔽（Fairness Through Unawareness）」的失效。
選項坑洞掃描：A 說是過擬合，過擬合是訓練驗證差距大，與跨族群效能差異是不同的問題。C 說擴大測試集就能消除差距，測試集大小不改變模型的偏見，只改變統計估計的精度。D 說不使用敏感特徵代表公平，代理歧視的研究已證明此假設不成立。
破題反射字：代理變數 → 間接學到敏感屬性偏見 ／ Fairness Through Unawareness → 遮蔽敏感特徵不等於公平 ／ SHAP → 偏見來源特徵診斷
第 3 題
某人壽保險公司部署 AI 保費定價系統，監管機關依歐盟 AI 法案（EU AI Act）對系統進行稽核，認定此系統屬於「高風險 AI 系統」。稽核員要求公司提交以下文件：技術文件、使用說明、風險管理紀錄、人工監督機制說明。公司法務詢問 AI 規劃師：EU AI Act 對高風險系統的判定邏輯為何，以及這四項要求的法律依據。下列何者最能正確描述？
(A) EU AI Act 以模型參數量為判定標準，超過 70 億參數的模型自動列為高風險；四項文件要求是為了讓監管機關評估模型的訓練成本和碳排放
(B) EU AI Act 以系統對基本權利的潛在影響程度分類，保險定價直接影響個人的財務機會和生活品質，屬於高風險應用領域；四項文件要求是讓監管機關和用戶能驗證系統的合規性、透明度和可問責性
(C) EU AI Act 只規範公部門使用的 AI 系統，私人保險公司的定價系統不在規範範圍內，稽核員的要求不具法律效力
(D) EU AI Act 的高風險判定依企業規模決定，年營收超過 5,000 萬歐元的企業才需要遵守高風險系統的規定，中小型保險公司可豁免
答案：C
深度導讀解析
正確答案：B
按分布規則第 3 題應為 C，重排：
第 3 題（重排）
某人壽保險公司的 AI 保費定價系統被 EU AI Act 稽核認定為高風險系統，稽核員要求提交技術文件、使用說明、風險管理紀錄、人工監督機制說明。下列何者最能正確描述 EU AI Act 高風險系統的判定邏輯與四項文件要求的依據？
(A) EU AI Act 以參數量判定，超過 70 億參數自動列為高風險；四項文件是為評估訓練成本和碳排放
(B) EU AI Act 只規範公部門 AI 系統，私人保險公司不在規範範圍，稽核員的要求不具法律效力
(C) EU AI Act 以系統對基本權利的潛在影響程度分類，保險定價直接影響個人財務機會，屬於高風險應用領域；四項文件要求讓監管機關和用戶能驗證系統的合規性、透明度和可問責性
(D) EU AI Act 高風險判定依企業規模，年營收超過 5,000 萬歐元才需遵守，中小型保險公司可豁免
答案：C
深度導讀解析
正確答案：C
核心技術點：EU AI Act 高風險判定邏輯——基本權利影響程度，非技術規格
中級理論拆解：EU AI Act 依對基本權利的潛在影響程度分四級，保險定價明確列於高風險應用領域（附錄三）。四項文件要求的目的是實現透明度（技術文件）、可用性（使用說明）、風險控制（風險管理紀錄）、人工監督（避免完全自動化決策）。
選項坑洞掃描：A 說依參數量判定，參數量是 GPAI（通用目的 AI 模型）的另一套規範，高風險判定看應用場景。B 說只規範公部門，EU AI Act 是跨行業的一般性法規，私人企業同樣適用。D 說依企業規模豁免，EU AI Act 無規模豁免條款，只有部分行政負擔對中小企業有減免。
破題反射字：高風險判定 → 對基本權利的影響程度 ／ 保險定價 → 高風險應用領域 ／ 四項文件 → 透明度與可問責性
第 4 題
某 AI 規劃師正在為企業導入 AI 風險管理框架，需要建立「模型治理（Model Governance）」機制。資深顧問指出，模型治理不只是上線前的一次性評估，而是貫穿模型全生命週期的持續管理。下列哪一組措施最能完整體現全生命週期模型治理的核心要素？
(A) 只需在模型上線前進行一次完整的偏見稽核和可解釋性評估，通過後即可持續使用直到模型被替換，無需後續監控
(B) 模型治理只需關注技術指標（如 AUC、F1），業務影響和倫理風險由業務部門負責，AI 團隊只需確保模型效能達標
(C) 模型治理只在受監管行業（金融、醫療）才有必要，一般電商和零售業的 AI 系統無需建立正式的治理框架
(D) 全生命週期治理包含：上線前風險評估與偏見稽核、部署後效能與資料漂移監控、定期重新評估與再訓練觸發機制、退役時的資料處理規範，並建立跨職能的模型審查委員會負責關鍵決策
答案：D
深度導讀解析
正確答案：D
核心技術點：模型全生命週期治理的四個階段與跨職能委員會的必要性
中級理論拆解：模型治理涵蓋：上線前（偏見稽核、可解釋性評估、風險登記）→ 部署後（效能監控、資料漂移偵測）→ 持續維護（重訓練觸發條件、版本控管）→ 退役（訓練資料刪除、模型下架記錄）。跨職能委員會（資料科學、法遵、業務、法務）確保決策不偏向單一視角。
選項坑洞掃描：A 說一次性評估就夠，模型漂移、資料分布偏移都是上線後才出現的風險，需要持續監控。B 說技術指標只是 AI 團隊的事，偏見和倫理風險的後果（法律訴訟、監管罰款）需要跨職能協作。C 說只有受監管行業需要，任何對決策有重大影響的 AI 系統都需要治理框架。
破題反射字：全生命週期治理 → 上線前到退役 ／ 跨職能委員會 → 法遵、業務、技術協作 ／ 漂移監控 → 部署後的持續管理
第 5 題
某電商平台 AI 推薦系統的工程師在後台分析發現，系統對女性用戶推薦的高薪職涯廣告明顯少於男性用戶，但系統未使用性別作為輸入特徵。倫理委員會要求提出改善方案。下列哪一組策略最能從資料、模型、評估三個層次系統性地解決此問題？
(A) 改善方案只需要在前端介面上針對女性用戶手動調整廣告顯示比例，後端模型不需要修改，前端調整能立即解決表面問題
(B) 改善方案只需要公開聲明系統不使用性別特徵，因為未直接使用敏感屬性就已符合公平性要求，不需要額外的技術介入
(C) 改善方案只需要增加訓練資料量，更多的資料能讓模型自動學習到更公平的推薦模式，資料量夠大後偏見會自然消失
(D) 資料層補充女性用戶的職涯廣告互動資料、模型層加入公平性約束（確保各性別群體的廣告曝光率符合均等機會指標）、評估層定期計算各族群的推薦差異指標並設定預警閾值
答案：D
深度導讀解析
正確答案：D
核心技術點：AI 偏見的系統性三層改善策略——資料、模型、評估
中級理論拆解：資料層補足少數群體樣本消除資料不均；模型層在損失函數加入公平性懲罰項（如均等機會約束），讓訓練目標同時優化準確率和公平性；評估層建立持續監控機制，設定各群體指標差距的預警閾值。三層缺一不可。
選項坑洞掃描：A 說前端手動調整，前端調整無法修正模型內部的偏見學習，且不可持續。B 說不使用敏感屬性就夠，代理歧視已證明此方法不足。C 說增加資料量就能消除偏見，若舊資料本身有偏見，更多的偏見資料只會讓偏見更穩固。
破題反射字：三層改善 → 資料補足、模型約束、評估監控 ／ 公平性懲罰項 → 損失函數加入公平性目標 ／ 預警閾值 → 持續監控機制
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
