iPAS AI 應用規劃師

iPAS 考題解析

在機器學習模型的實務應用中,常會出現數據漂移(Data Drift)的情況。此現象主要是指下列哪一種情況?

初級 生成式AI應用與規劃 難度:中等 ★★☆

考試範圍定位

考試等級
初級能力鑑定
考試科目
生成式 AI 應用與規劃
知識主題
No code / Low code 概念
能力指標
No Code / Low Code 的基本概念(L12101)

本題屬於 iPAS AI 應用規劃師初級能力鑑定「生成式 AI 應用與規劃」科目中的「No code / Low code 概念」範疇, 對應的能力指標為「No Code / Low Code 的基本概念」,涵蓋工具本身的基本認知與基礎概念等核心知識點。 考生在準備這個範疇時,需要掌握相關的理論基礎與實務應用。

題目與選項

在機器學習模型的實務應用中,常會出現數據漂移(Data Drift)的情況。此現象主要是指下列哪一種情況?

  • A. 訓練時使用的資料分佈,與部署後實際輸入資料的統計特徵隨時間逐漸出現差異,導致模型表現衰退; ✓ 正確答案
  • B. 在資料前處理過程中,因特徵刪減或缺失補值不當,造成樣本資訊量下降;
  • C. 模型對訓練數據擬合過度,在未知數據上泛化能力不足;
  • D. 後端資料庫因欄位定義或結構調整,導致特徵提取流程與原始設計不一致

詳細解析

正確答案:A. 訓練時使用的資料分佈,與部署後實際輸入資料的統計特徵隨時間逐漸出現差異,導致模型表現衰退;

Data Drift 是指訓練資料與實際輸入資料的統計分佈隨時間產生差異,導致模型表現下降。

各選項逐一解析

理解每個選項為什麼對或錯,是真正掌握這個知識點的關鍵。以下逐一分析每個選項的含義與判斷依據。

A. 訓練時使用的資料分佈,與部署後實際輸入資料的統計特徵隨時間逐漸出現差異,導致模型表現衰退; (正確)

數據漂移(Data Drift)是指模型訓練時使用的資料分佈,與部署後實際輸入資料的統計特徵隨時間逐漸出現差異,導致模型表現衰退,這是其核心定義。

B. 在資料前處理過程中,因特徵刪減或缺失補值不當,造成樣本資訊量下降; (不正確)

特徵刪減或缺失補值不當是資料前處理階段的問題,會影響資料品質,但這不是數據漂移的定義,數據漂移強調的是資料分佈的動態變化。

C. 模型對訓練數據擬合過度,在未知數據上泛化能力不足; (不正確)

過度擬合(Overfitting)是模型在訓練數據上表現良好,但在未知數據上泛化能力不足的問題,與數據分佈隨時間變化的數據漂移不同。

D. 後端資料庫因欄位定義或結構調整,導致特徵提取流程與原始設計不一致 (不正確)

後端資料庫因欄位定義或結構調整,導致特徵提取流程與原始設計不一致,這通常稱為 Schema Drift,是資料結構的變化,與數據分佈的統計特徵變化(Data Drift)不同。

延伸學習

本題尚未連結特定術語,你可以從以下常見主題開始探索相關知識。

中等題備考建議

  • 本題屬於中等難度,需要理解概念之間的關聯與應用情境,不能只靠死背定義。
  • 中等難度的題目常考「為什麼」和「怎麼用」,建議整理各技術的優缺點比較表。
  • 練習時注意錯誤選項的陷阱設計,很多時候錯誤選項只有一兩個字的差異,需要仔細辨別。
  • 建議用「費曼學習法」,嘗試向別人解釋這道題的解題思路,能講清楚就代表真正理解了。

同主題考題練習

以下題目與本題屬於相同的考試範疇,建議一併練習以加強對該主題的掌握程度。

iPAS AI 應用規劃師認證簡介

iPAS AI 應用規劃師能力鑑定是經濟部產業發展署推動的國家級 AI 證照制度, 分為「初級」與「中級」兩個等級。初級考試包含「人工智慧基礎概論」和「生成式 AI 應用與規劃」兩個科目, 著重基本概念的理解與應用。中級考試涵蓋「AI 技術應用與規劃」「大數據處理分析與應用」「機器學習技術與應用」三個科目, 要求考生具備更深入的技術知識與實務能力。 本題來自初級考試範圍,適合正在準備初級認證的考生練習。

開始準備 iPAS 考試

本題來自 iPAS AI 應用規劃師初級考試。 想通過 iPAS 認證?從完整題庫練習開始,搭配術語詞典與備考攻略,系統化提升你的 AI 知識。