知識庫

在高風險或超出授權的決策上保留人類最終把關，避免 AI 自動決定直接損害當事人權益。

這題考上下文工程的核心是為模型選擇、組織與提供適當的指令及背景資訊，而不是改變模型參數。

這題考如何把題幹線索與大型語言模型的 Token的定義、功能或適用情境正確配對。

這題考如何把題幹線索與分類、迴歸與分群的定義、功能或適用情境正確配對。

這題考特徵之間高度相關、要降低維度並減少重複資訊時，應選用哪一種技術。

這題考以回饋優化模型的適用邊界，並要求找出不正確、最不符合或不屬於的選項。

這題考少量標註資料與大量未標註資料並存時，半監督式學習能同時利用兩者。

這題考如何把題幹線索與去識別化（De-identification）的定義、功能或適用情境正確配對。

用來衡量漏掉正例的程度；越不能漏判，越重視召回率。

這題考如何把題幹線索與可解釋 AI（XAI）的定義、功能或適用情境正確配對。

使用者看得到依據才敢採用結果；出事時也才能追查原因、釐清責任並提供申訴。

這題考如何把題幹線索與生成式 AI 工具與應用的定義、功能或適用情境正確配對。

這題考如何把題幹線索與生成式 AI 原理、部署與效能的定義、功能或適用情境正確配對。

這題考如何把題幹線索與生成式與鑑別式 AI的定義、功能或適用情境正確配對。

這題考如何把題幹線索與同態加密（Homomorphic Encryption）的定義、功能或適用情境正確配對。

這題考如何把題幹線索與多代理與 A2A的定義、功能或適用情境正確配對。

這題考自動語音辨識（ASR）的適用邊界，並要求找出不正確、最不符合或不屬於的選項。

這題考如何把題幹線索與卷積神經網路（CNN）的定義、功能或適用情境正確配對。

適合分群、降維與異常探索等尚未先定義正確答案的任務。

這題考標準化統計量應由哪一批資料估計，才能讓測試集真正代表未見資料。

這題考如何把題幹線索與負責任 AI 治理的定義、功能或適用情境正確配對。

這題考在統計查詢中加入受控制的隨機雜訊，使單一個體是否在資料集中不易被推知，同時保留整體趨勢。

這題考時間序列不能任意隨機切分，否則訓練資料可能來自測試時間之後。

這題考如何把題幹線索與特徵工程（Feature Engineering）的定義、功能或適用情境正確配對。

這題考如何把題幹線索與迴歸評估指標的定義、功能或適用情境正確配對。

這題考房價是連續數值預測，因此要用迴歸誤差指標，而非分類指標。

這題考如何把題幹線索與常見啟動函數的定義、功能或適用情境正確配對。

適合需要連續決策、延遲回饋及探索與利用權衡的任務。

這題考如何把題幹線索與情感分析與關鍵詞提取的定義、功能或適用情境正確配對。

異常通常罕見又難事先標註，及早發現能預防故障停機、詐騙或入侵。

讓模型更清楚任務、輸出要求與評估標準，提高回應穩定性。

這題考如何把題幹線索與提示工程策略的定義、功能或適用情境正確配對。

這題考如何把題幹線索與結構化、半結構化與非結構化資料的定義、功能或適用情境正確配對。

這題考把「預測與實際的落差量化成數值、交給訓練流程調參數」的元件是損失函數，並與優化器、評估指標區分。

這題考輸入分布改變是 Data Drift；輸入與目標之間的關係改變是 Concept Drift。

這題考如何把題幹線索與解決方案圖譜（Solution Graph）的定義、功能或適用情境正確配對。

這題考資料清理與品質的適用邊界，並要求找出不正確、最不符合或不屬於的選項。

這題考如何把題幹線索與資料視覺化選擇的定義、功能或適用情境正確配對。

及早發現模型面對的資料已和訓練時不同，以便補充新資料或重新訓練。

這題考訓練準確率遠高於測試準確率時，如何用資料增強提升泛化。

這題考資料整理與特徵工程的適用邊界，並要求找出不正確、最不符合或不屬於的選項。

這題考資料隱私與安全的適用邊界，並要求找出不正確、最不符合或不屬於的選項。

辨識模型是否缺乏泛化能力，並選擇正則化、更多資料或降低複雜度等改善方法。

這題考如何把題幹線索與過擬合與泛化的定義、功能或適用情境正確配對。

適合分類與迴歸等已有歷史答案可學習的任務。

用來衡量誤報程度；越不能把負例誤判成正例，越重視 Precision。

這題考如何把題幹線索與影像分割（Image Segmentation）的定義、功能或適用情境正確配對。

讓數值範圍差很大的特徵放在同一尺度，避免大數值特徵主導模型訓練。

這題考如何把題幹線索與標準化與正規化的定義、功能或適用情境正確配對。

降低每個 AI 應用都要為不同工具重做專屬整合的成本。

這題考模型部署與效能的適用邊界，並要求找出不正確、最不符合或不屬於的選項。

這題考如何把題幹線索與模型壓縮與效能優化的定義、功能或適用情境正確配對。

這題考如何把題幹線索與遷移學習（Transfer Learning）的定義、功能或適用情境正確配對。

這題考如何把題幹線索與機器學習類型的定義、功能或適用情境正確配對。

這題考如何把題幹線索與優化器（Optimizer）的定義、功能或適用情境正確配對。

補充模型不知道或會更新的知識，並讓回答可依據企業文件。

這題考如何把題幹線索與聯邦學習（Federated Learning）的定義、功能或適用情境正確配對。

這題考如何把題幹線索與擴散模型（Diffusion Model）的定義、功能或適用情境正確配對。

這題考害蟲偵測最怕漏檢時，應優先關注 Recall，而不是被大量正常樣本墊高的 Accuracy。

這題考如何把題幹線索與類別特徵編碼的定義、功能或適用情境正確配對。

這題考如何把題幹線索與AI 基礎概念的定義、功能或適用情境正確配對。

這題考如何把題幹線索與AI Agent 與工具調用的定義、功能或適用情境正確配對。

這題考AI Guardrails（防護機制）的適用邊界，並要求找出不正確、最不符合或不屬於的選項。

這題考如何把題幹線索與API 系統整合的定義、功能或適用情境正確配對。

這題考如何把題幹線索與Autoencoder 與 VAE的定義、功能或適用情境正確配對。

這題考如何把題幹線索與CLIP 與 DINO的定義、功能或適用情境正確配對。

這題考如何把題幹線索與Fine-tuning 與 PEFT的定義、功能或適用情境正確配對。

比只切一次訓練／測試更穩定客觀；切分含隨機性時，固定隨機種子可讓結果可重現。

這題考 L1／L2 的懲罰形式、別名，以及它們對權重的典型影響。

這題考資源受限時，LoRA 透過訓練少量低秩適配參數，避免更新整個大型模型。

這題考如何把題幹線索與Memory as Context（MAC）的定義、功能或適用情境正確配對。

這題考如何把題幹線索與No-Code、Low-Code 與 AI 輔助開發的定義、功能或適用情境正確配對。

這題考如何把題幹線索與Precision、Recall 與 F1的定義、功能或適用情境正確配對。

這題考 ReAct 適合下一步取決於新觀察、需要邊推理邊查資料並調整方向的開放任務。

這題考如何把題幹線索與RNN 與 LSTM的定義、功能或適用情境正確配對。

這題考ROC 與 AUC的適用邊界，並要求找出不正確、最不符合或不屬於的選項。

這題考如何把題幹線索與Transformer 與注意力的定義、功能或適用情境正確配對。

避免接收端反覆輪詢，適合即時觸發自動化流程。

這題考如何把題幹線索與二分搜尋（Binary Search）的定義、功能或適用情境正確配對。

這題真正考的是 Human-over-the-loop 的監督位置：AI 可持續運作，人類在上層監督並保留即時介入權。

決定一次能放進多少資訊；但即使沒超過上限，內容太長時模型也可能抓不到前面的關鍵資訊。

這題考如何把題幹線索與大型語言模型幻覺的定義、功能或適用情境正確配對。

這題考大數據 5V 中 Variety：來源、格式與資料型態高度多樣。

讓重複的工作不必每次從頭摸索，而是沉澱成穩定、可重用的流程。

整體準確率高不代表公平；要靠指標找出對特定族群的差別待遇，包含經由相關特徵間接造成的偏誤。

這題考長文件「先分章節摘要、再逐步整合」的做法，主要優點是在長篇內容中仍能維持脈絡與重點一致。

探索資料中自然形成的結構，例如顧客分群。

這題考 Few-shot Prompting 的辨識訊號：在提示中先給少量輸入／輸出示範，再要求模型模仿處理新問題。

這題考 Few-shot Prompting 在推理時提供例子、不更新權重；Few-shot Fine-tuning 會更新權重，因此小資料時要注意過擬合。

這題考如何把題幹線索與支援向量機（SVM）的定義、功能或適用情境正確配對。

提醒導入時不能只看開發快，也要評估日後客製化、串接新技術與部署需求會不會被平台卡住。

這題考生成內容出處與浮水印的適用邊界，並要求找出不正確、最不符合或不屬於的選項。

這題考如何把題幹線索與生成對抗網路（GAN）的定義、功能或適用情境正確配對。

讓 RAG 不只比對字面關鍵字，也能找語意相近的內容。

這題考同時要「共享跨語言語意理解」又要「保留各語言在地特性」且降低維運成本時，應選參數共享的多語言模型，必要時搭配 MoE。

多層堆疊讓模型逐層學出由簡單到抽象的特徵，處理單層模型做不到的複雜非線性問題。

這題考如何把題幹線索與多模態圖像描述的定義、功能或適用情境正確配對。

這題考缺乏機器學習人才、又要自動完成特徵轉換、演算法比較與超參數調校時，應選 AutoML。

這題考如何把題幹線索與投資報酬率（ROI）的定義、功能或適用情境正確配對。

決策樹好解釋、不受特徵尺度影響；隨機森林綜合多棵樹，降低單棵樹過擬合，預測更穩定。

這題考在「不得識別任何員工身分」的限制下，只偵測安全帽與反光背心等物品的物件偵測才是符合目的又保護隱私的技術。

這題考沒有標籤、依行為相似性分群時，應歸類為非監督式學習。

這題考提高思考預算能換到較好的推理品質，代價是回應延遲與推理運算成本上升。

多步驟問題要模型一次直接回答容易出錯；逐步推理能提升數學、邏輯與診斷類任務的正確性。

這題考 RAG 已檢索到正確文件、卻因排序太後面沒被送進模型時，應導入重排序器重新評估相關性。

這題考只能執行特定任務的 AI 產品，在弱人工智慧、通用人工智慧、超級人工智慧的分類中屬於哪一類。

這種模型離線評估看起來很準，上線後卻失準；特徵必須限於預測時點已知的資料。

這題考如何把題幹線索與訓練資料記憶與洩漏的定義、功能或適用情境正確配對。

回答「是多少」；輸出是可連續變化的數值。

這題考『量測問題』屬 Bias Detection；『改資料、模型或決策規則』屬 Bias Mitigation。

這題考從平均數與中位數的大小關係，判斷資料的偏態方向。

這題考偏態且樣本有限時，如何選擇較穩健的母體參數估計策略。

這題考在提示中先設定角色、資歷與語氣，再交付任務，屬於情境設定提示。

這題考排列特徵重要性的判斷原則：打亂某特徵後模型誤差上升越多，該特徵越重要，而且不需重新訓練。

這題考強化學習代理要在嘗試未知選項與使用已知最佳選項之間取得平衡。

這題考深度學習的核心特色：以多層神經網路逐層學得更抽象的表徵，而非主要依賴人工設計特徵。

這題考如何把題幹線索與深度學習架構與訓練的定義、功能或適用情境正確配對。

這題考如何把題幹線索與提示詞注入（Prompt Injection）的定義、功能或適用情境正確配對。

這題考如何把題幹線索與結構化預測（Structured Prediction）的定義、功能或適用情境正確配對。

這題考使用者只靠多輪對話誘導 AI 突破系統提示詞的限制，屬於越獄。

這題考惡意指令不是由使用者直接輸入，而是藏在模型讀取的網頁或文件中，因此屬間接 Prompt Injection。

這題考如何把題幹線索與感知器網路（Sensor Network）的定義、功能或適用情境正確配對。

提醒模型上線後要持續監控成效，關係改變時需用新資料重新訓練或調整模型。

這題考 PoC 的主要任務是用有限範圍驗證價值與可行性，不是一次完成企業長期治理制度。

這題考在提示詞與模型都不變時，要讓輸出更多樣化應調高溫度參數，而不是最大 Token 數、生成速度或上下文視窗。

這題考如何把題幹線索與資料去偏（Data Debiasing）的定義、功能或適用情境正確配對。

這題考使用者回饋資料未經驗證就拿去優化模型，會讓有問題的資料污染模型，學到有漏洞的寫法。

這題考如何把題幹線索與資料型態與分析基礎的定義、功能或適用情境正確配對。

這題考把時間序列資料從每秒一筆彙整成每小時一筆後，會保留什麼、失去什麼資訊。

這題考如何把題幹線索與資料漂移與概念漂移的定義、功能或適用情境正確配對。

這題考如何把題幹線索與預測性分析（Predictive Analytics）的定義、功能或適用情境正確配對。

這題考圖靈測試只衡量對話「像不像人」，不能據此推論 AI 的專業判斷值得信賴。

這題考從四種上線後的檢查中，認出「模擬攻擊者、刻意偽裝輸入」才是對抗性測試。

這題考公共補助等高影響決策出現族群差異時，治理優先順序不是只看整體準確率，而是先評估公平影響並提供救濟。

這題考自動化流程中「等多個來源都回傳、合併成一筆再往下走」要用聚合器，而不是路由、篩選器或迭代器。

這題考 Wide and Deep 如何同時處理已知特徵組合的記憶與未見組合的泛化。

不必另外蒐集資料就能增加多樣性，減少過擬合、提升模型對新影像的泛化能力。

資料有沒有標籤，決定能用監督式、非監督式或半監督式學習。

這題考 GAN 生成器只反覆產生同一種樣本、生成結果失去多樣性的現象稱為模式崩潰。

這題考如何把題幹線索與模型評估與泛化的定義、功能或適用情境正確配對。

這題考兼顧品質與成本的多模型架構，要靠模型路由依每個請求的特性，自動分派給快速便宜或推理較強的模型。

在欠擬合與過擬合之間取得平衡，讓模型對新資料有較好的泛化表現。

計算快、所需資料量少，常用於文字分類與垃圾郵件過濾。

這題考非監督式異常偵測能做到『找出偏離』，但不能憑空準確命名每一種異常類別。

這題考能否從『有沒有標籤』與『有沒有獎勵回饋』判斷學習類型。

是 RAG 回答品質的關鍵，可透過調整 Chunking、Embedding 或加入 Reranker 來提升。

這題考 TCO 不只加總每月可見費用，還要涵蓋導入、整合、訓練、維護、資安與合規等全生命週期成本。

這題考顯著性圖只呈現模型判斷時較依賴的影像區域，用來協助醫師理解與複核，不能提升準確率，也不能當作病灶邊界或面積的量測依據。

把只會回覆的模型延伸成能完成多步驟任務的工作系統。

這題考如何把題幹線索與AI 治理、倫理與法規的定義、功能或適用情境正確配對。

這題考AI 產品與系統評測的適用邊界，並要求找出不正確、最不符合或不屬於的選項。

這題考如何把題幹線索與AI 導入評估與規劃的定義、功能或適用情境正確配對。

這題考 AI Agent 的差異不是『會自動執行』，而是能根據目標與環境狀態動態決策、調整策略並調用工具。

這題考 AutoSkill 的主要目標：把反覆互動中形成的成功經驗整理為明確、可重複使用的技能模組。

這題考線性逐步推理適合 CoT；需要探索、比較多條候選路徑的規劃問題更適合 ToT。

這題考 Conditional Random Field（條件隨機場）直接建模給定觀察序列時的標籤序列，因此屬鑑別式模型。

這題考如何把題幹線索與Embedding 與向量表示的定義、功能或適用情境正確配對。

這題考如何把題幹線索與Encoder-Decoder 與 Decoder-only的定義、功能或適用情境正確配對。

這題考如何把題幹線索與ETL 資料流程的定義、功能或適用情境正確配對。

這題只需掌握 GRPO 常用來強化可被回饋或驗證的多步推理能力，尤其是數學與邏輯解題。

不必事先建複雜模型，靠「相似的資料有相似的答案」完成分類或迴歸。

這題考公開資料集時，要防止他人用郵遞區號、性別等間接識別資訊交叉比對認出個人，應採用哪一種技術。

不需標籤就能把相似的資料歸成一群，常用於顧客分群與市場區隔。

這題考 LIME 用簡單的局部代理模型，說明某一筆特定預測附近哪些特徵影響結果。

這題考模型知識過時時，可透過 MCP 整合外部文件工具，讓模型在推理當下存取最新 API 文件。

這題考 RAG 主要把外部知識檢索進上下文；MCP 主要標準化模型與資源、工具或 API 的連接方式。

這題考如何把題幹線索與PoC 與 MVP的定義、功能或適用情境正確配對。

這題考如何把題幹線索與Prompt 與 Context Engineering的定義、功能或適用情境正確配對。

這題考 Prompt Injection 沒有單一完美防線，應以輸入、模型行為、輸出與工具權限組成多層防禦。

這題考如何把題幹線索與Q-Learning 與 Deep Q-Learning的定義、功能或適用情境正確配對。

這題考 Chunking 的主要目的不是讓模型更有創意，而是把長文件切成語意可檢索單位，提高命中相關段落的機率。

這題考先算每月人工成本與 API 成本差額，再用一次性整合成本除以每月節省額估回收期。

評估 AI 導入的 ROI 時，必須從省下的人工成本扣除這筆持續費用，不能只看一次性投入。

這題考Token Economics的適用邊界，並要求找出不正確、最不符合或不屬於的選項。

這題考兩者的核心取捨：Vibe Coding 以自然語言產生客製程式碼，彈性高但品質依賴指令與審查；Low-Code 用預設元件快速組裝，受平台能力限制。

不必重新訓練或微調，只改提示就能讓模型適應新任務，成本低、調整快。

上下文不是越多越好；減少噪音才能讓模型專注在真正相關的資訊上。

在有限的上下文視窗內給模型最相關的資訊，是上下文工程提升回答品質的核心做法。

讓模型不只產生通順文字，也能處理需要多步推導、可驗證對錯的任務。

這類內容只能當資料處理、不能當指令執行，否則模型可能被間接操控或洩漏機密。

回答「是哪一類」；輸出通常是類別或各類別的機率。

AI 難免出錯或有偏誤；高影響決策必須留給當事人糾正錯誤的管道，以保障權益。

管理 Embedding，供 RAG 快速找回相關內容。

淨節省是估算 ROI 與回收期的基礎；漏算新增的持續成本會高估效益。

大幅減少要更新的參數與 GPU 記憶體需求，讓資源有限的團隊也能微調大型模型。

資料少、時間或預算有限時能快速改善表現，改提示就立即生效，不必重新訓練。

不只判斷整段文字屬於哪一類，而是標出序列中每個位置扮演的角色。

在投入大筆預算前先確認「做得出來」，避免上線後才發現資料或技術撐不起來。

事情一發生就馬上處理，不必定時反覆檢查，反應更即時也更省資源。

把非結構化文字裡的關鍵資訊抽出來，供搜尋、建檔或後續分析使用。

模型的價值在於預測未來的新資料，而不是背熟訓練資料。

只算看得到的帳單會低估投入；兩類一起算，才能得出完整的 TCO 與 ROI。

企業大部分資料屬於這類，通常要靠 NLP、電腦視覺等技術處理後，才能分析或給 AI 使用。

適合要比較多種方案、權衡多重條件的規劃問題，避免單一路徑一開始走錯就一路錯下去。

防止外部內容夾帶的惡意文字改變模型行為，是抵擋間接提示詞注入的基本原則。

避免用同一批資料同時訓練、選擇與宣告模型成績。

讓評估結果反映真實表現；標準化等前處理也要切分後只用訓練集計算，避免資料洩漏。

在疾病、詐欺、害蟲等漏檢代價高的任務，要壓低 FN，也就是提高召回率（Recall）。

讓 Agent 在情況改變或步驟失敗時能調整策略，這是它和固定規則自動化的關鍵差異。

處理答案無法一次查齊的開放問題，避免只檢索一次就作答而遺漏或答錯。

大幅降低微調所需的 GPU、記憶體與儲存成本，讓資源有限的團隊也能客製化大型模型。

讓推薦內容隨使用者行為改進，並在推已知熱門商品與試推新商品之間取得平衡。

提供問答、客服或導引等互動。

即使帳號被盜或 AI 被提示詞注入操控，能造成的損害也被限制在最小範圍。

格式一致，容易用 SQL 查詢與統計，是傳統機器學習最常直接使用的資料。

隱私保護做過頭會讓資料失去分析價值；統計效用是和隱私保護互相取捨的另一端。

讓審查人員能向客戶說明被拒原因，也便於檢查決策是否公平並處理申訴。

資料量不大、要求可解釋或運算資源有限時，常比深度學習更快、更實用。

避免為導入 AI 而導入，確保投入的資源解決實際痛點、也真的會被使用者採用。

需要最新資訊時，要靠 RAG 檢索最新文件或 MCP 工具即時查詢，不能只依賴模型記憶。

讓深度學習等黑箱模型也能說明判斷依據，支援透明性與對主管機關、當事人的說明。

不必刪改資料內容，就能減輕資料分布不均所造成的模型偏見。

來源系統不支援主動通知時仍能取得更新；代價是有延遲，且會產生大量空查詢。

在入口擋下 Prompt Injection 與有害輸入；但它只是多層防禦的一層，不能單獨依靠。

即使惡意輸入繞過入口檢查，仍能在出口擋下不當或洩密的結果。

防止攻擊者靠多次查詢比對推回特定個人，在隱私保護與統計效用之間取得平衡。

避免個資外洩、未經告知使用資料或違反法規，降低法律責任與信任風險。

提醒使用 Vibe Coding 等 AI 輔助開發時要反覆驗證、測試與審查，不能直接上線。

讓企業能依實際用量估算費用，評估是否划算並選擇合適的模型。