iPAS AI 應用規劃師初級 115 年第二次 科一 第 48 題 詳解

115 年第二次 科一 人工智慧基礎概論 · 考點:鑑別式AI與生成式AI的整合應用

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?

  1. A甲為資料漂移(Data Drift)、乙為概念漂移(Concept Drift)

    甲乙判斷對調,與兩種漂移的定義相反。

  2. B甲為概念漂移(Concept Drift)、乙為資料漂移(Data Drift)(正確答案)

    正確:甲是關係改變,乙是輸入分布改變。

  3. C甲為模型過擬合(Overfitting)、乙為資料漂移(Data Drift)

    過擬合是訓練階段問題,非上線後環境變動所致。

  4. 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

    以「準確率下降」概括兩者,忽略成因差異。

正確答案:B

區分概念漂移與資料漂移這兩種模型上線後劣化的成因。 先看輸入特徵分布有沒有變:分布沒變但對應關係變了是概念漂移,分布本身變了是資料漂移。

用刷8題準備 iPAS AI 應用規劃師初級

每天隨手刷 8 題,答錯的題目會自動排回來再考一次。不用註冊,打開就能開始。

開始刷題

鑑別式AI與生成式AI的整合應用

  1. 115 年第一次 科一 第 25 題在大型語言模型(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(Batchin…
  2. 115 年第一次 科一 第 26 題在可解釋AI(Explainable AI, XAI)的分類架構中,LIME(Local Interpretable M…
  3. 115 年第一次 科一 第 27 題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…
  4. 114 年第四次 科一 第 27 題在大型Transformer模型的效能優化過程中,常見的方法之一是「剪枝(Pruning)」。下列哪一項最符合該方法的核…
  5. 114 年第四次 科一 第 30 題在醫療診斷決策支援系統等高風險領域中,「可解釋人工智慧(Explainable AI, XAI)」的核心價值最主要呈現在…