6. 某自駕車感知系統需要在同一張影像中同時完成道路、建築、行人的逐像素分類， 並且能夠區分畫面中兩名相鄰行人(標記為「行人#1」和「行人#2」)。工程師在 選擇語義分割(Semantic Segmentation)與實例分割(Instance Segmentation)時， 請問兩者的根本差異為何？
(A)實例分割對每個像素進行分類但不產生 Bounding Box；語義分割產生 Bounding Box 但不進行像素級標記；
(B)實例分割僅用於影像層級的類別分類，語義分割才進行逐像素標記；
(C)語義分割將每個像素分配至預定義類別，但同一類別內的不同個體無法區分； 實例分割能對同一類別的不同物件(如兩名行人)分別建立獨立遮罩(Mask)；
(D)語義分割與實例分割皆為逐像素分類任務，但兩者在是否需要區分不同物件 個體上並無差異

7. 某大型超市的防損系統需要即時偵測多名顧客各自手持的購物籃、手機與商品， 並需對每個物件進行精確區域標記(Pixel-level Mask)，同時能區分畫面中不同個 體(即使不同顧客拿著相同商品，也需分別標記)。請問下列哪一項技術最適合此 場景的需求？ (A)影像分類(Image Classification)； (B)目標檢測(Object Detection)； (C)實例分割(Instance Segmentation)； (D)語義分割(Semantic Segmentation)

8. 某工程師訓練了一個皮膚病變二元分類模型(惡性/良性)，在向臨床醫師報告模型效能時，使用 ROC 曲線(Receiver Operating Characteristic Curve)進行呈現。 請問 ROC 曲線的橫軸(X 軸)與縱軸(Y 軸)分別代表哪些指標，且在醫療情境 中代表哪一種意義？ (A)X 軸為準確率(Accuracy)，Y 軸為召回率(Recall)，表示模型整體分類正確 比例與偵測能力； (B)X 軸為假陽率(False Positive Rate, FPR)，Y 軸為真陽率(True Positive Rate, TPR)，反映誤診健康個體的風險與正確識別病患的能力； (C)X 軸為精確率(Precision)，Y 軸為召回率(Recall)，表示預測為陽性樣本的準 確性與完整性； (D)X 軸為 IoU 閾值，Y 軸為 mAP，反映物件偵測模型在不同重疊條件下的表現

9. 某團隊在監控影像分類模型的線上效能時，透過儀表板呈現混淆矩陣(Confusion Matrix)，以觀察模型預測結果與實際標籤的分佈情形。請問下列哪一項無法從混 淆矩陣中直接計算？ (A)精確率(Precision)； (B)準確率(Accuracy)； (C)召回率(Recall)； (D)ROC 曲線下面積(AUC)

10. 某工廠導入即時影像瑕疵偵測系統，需在高頻影像流中進行快速推論。工程師在 YOLO 與 Faster R-CNN 兩種物件偵測架構之間進行評估，請問下列哪一個針對 兩者在偵測流程設計上的差異最為正確？ (A)YOLO 採用單階段偵測，直接從整張影像預測物件位置與類別；Faster R-CNN 則先產生候選區域再進行分類； (B)YOLO 與 Faster R-CNN 皆採用兩階段流程，但在特徵擷取方式上有所不同； (C)YOLO 採用單階段架構，主要透過增加候選區域數量來提升偵測準確率； (D)Faster R-CNN 採用單階段偵測方式，將物件定位與分類整合於同一模型中

11. 某工程師在分析 Transformer 架構時，發現自注意力機制(Self-Attention)能夠有 效提升模型對序列中長距離依賴關係的建模能力。請問 Self-Attention 的核心功能 為何？ (A)透過隱藏狀態的遞迴傳遞，逐步累積序列中的上下文資訊； (B)讓序列中每個 token 能與其他所有 token 建立關聯，並根據重要性分配權重； (C)對輸入序列進行局部運算，以捕捉相鄰詞之間的關係； (D)將整個序列壓縮為固定長度表示，以提供後續任務使用

12. 某工程師在設計一個二元分類器(Binary Classifier)時，考慮在輸出層使用 Sigmoid 函數。請問 Sigmoid 函數的主要特性與限制為何？ (A)可將輸入轉換為任意實數範圍，適合用於迴歸任務； (B)可將輸入壓縮至(0, 1)區間，可解釋為機率值，但在輸入值過大或過小時可能 產生梯度消失問題； (C)可將輸入轉換為多類別機率分布，常用於多分類任務； (D)可在整個輸入範圍內梯度保持穩定，適合用於深層神經網路

13. 某公司評估兩種方案，將大型語言模型客製化為內部客服助理：方案 A 為提示微 調(Prompt Tuning)，在輸入端加入可學習的軟提示(Soft Prompt)；方案 B 為傳 統微調(Fine-Tuning)，以標註問答資料調整模型。兩方案最本質的技術差異為 何？ (A)提示微調主要用於降低推論延遲，而傳統微調則用於提升模型容量； (B)兩者技術本質相同，差別僅在於學習率(Learning Rate)設定不同； (C)傳統微調通常需要更新模型參數，而提示微調主要透過調整輸入表示來影響模 型行為； (D)提示微調與傳統微調的差異僅在於是否使用預訓練模型

14. 某工程師計劃將通用 LLM 在醫療問答語料上進行監督微調(Supervised FineTuning, SFT)，但發生了災難性遺忘(Catastrophic Forgetting)問題。在計算資源 有限的情況下，工程師希望透過調整微調策略來緩解此問題。下列哪一種訓練設 計最能有效率地學習新任務的同時保留原有能力？ (A)凍結大部分預訓練參數，僅對少量新增模組(如 LoRA 層)進行微調，並控制 更新範圍以減少對原有知識的干擾； (B)提高學習率(Learning Rate)並縮短訓練步數，使模型快速收斂至新任務，避 免長時間訓練造成遺忘； (C)僅使用醫療語料進行多輪訓練，強化模型對新任務的專注程度； (D)增加批次大小(Batch Size)以穩定梯度更新，使模型同時保留舊知識與學習 新知識

15. 某企業建置一套多代理人(Multi-Agent)系統，由一個 Orchestrator Agent 負責任 務分配，多個 Worker Agent 分別執行網路搜尋、程式撰寫與結果彙整。若 Orchestrator 發現某 Worker Agent 回傳結果品質不符合預期，從系統容錯與任務 可靠性角度，下列哪一項機制最能確保整體任務仍能正確完成？ (A)直接採用該 Worker Agent 的輸出，避免重試機制造成延遲； (B)Orchestrator 具備結果評估能力，對不合格結果觸發重試(Retry)或重新分配 給不同 Worker，並記錄失敗原因供後續改善； (C)強制所有 Worker Agent 統一使用相同的 LLM 模型，以減少輸出差異； (D)當任何一個 Worker 失敗時，整個 Multi-Agent 任務直接中止並通知使用者重 新啟動

16. 一位工程師正在實作一個 ReAct 框架的 AI Agent，該 Agent 需要回答「台灣目前 最大的電動車充電站營運商是哪間公司，以及其充電樁總數」。  Agent 的工具清單如下： •web_search(query)：回傳搜尋結果摘要 •get_webpage(url)：回傳網頁內文 •calculator(expression)：回傳計算結果•get_current_date()：回傳今日日期工程師設計了以下的 System Prompt 與 ReAct Loop，請問此 Agent 設計存在哪些問題？應如何改善？[System Prompt] 你是一個資料查詢助理。 每次只能使用一個工具。 當你知道答案時，直接輸出最終答案。[第一輪 Agent 輸出] Thought: 我已經知道台灣電動車市場的概況，不需要搜尋，可以直接回答。Action: 無 Answer: 台灣最大充電站營運商是 XX 公司，共有 500 個充電樁。 (A)System Prompt 未要求 Agent 在回答前使用工具驗證，導致直接依賴既有知識 產生幻覺(Hallucination)；應明確規定即時性問題需先執行 web_search； (B)工具清單提供了 calculator 與 get_current_date，屬於多餘工具，可能增加 Agent 的選擇複雜度； (C)ReAct 框架的核心問題在於 Thought 步驟佔用過多 token，應移除 Thought 欄 位，直接讓 Agent 輸出 Action，以提升推理效率； (D)Agent 應在第一輪就呼叫所有可用工具並彙整結果，避免多輪 Loop 造成的延 遲

115年 - 115-1 AI應用規劃師_中級能力鑑定公告試題_第三科：機器學習技術與應用#141075

115年 - 115-1 中級AI應用規劃師試題_第二科：大數據處理分析與應用#141063

115年 - 115-1中級AI應用規劃師公告試題_第一科：人工智慧技術應用與規劃_#141062

114年 - 114-2 AI 應用規劃師-中級能力鑑定公告試題_第三科：機器學習技術與應用#136329

114年 - 114-2 AI 應用規劃師-中級能力鑑定公告試題_第二科：大數據處理分析與應用#136306

114年 - 114-2 AI 應用規劃師-中級能力鑑定公告試題_一科：人工智慧技術應用與規劃#136301

114年 - iPAS AI應用規劃師中級能力鑑定-考試樣題(114/09)_科目三：機器學習技術與應用#136300

114年 - iPAS AI應用規劃師中級能力鑑定-考試樣題(114/09)_科目二：大數據處理分析與應用#136295

114年 - iPAS AI應用規劃師中級能力鑑定-考試樣題(114/09)_科目一：人工智慧技術應用與規劃#136294

114年 - iPAS AI 應用規劃師能力鑑定考試樣題(中級)#126106