iPAS 考題解析
某電商平台開發的顧客流失預測模型在上線數月後，預測準確率明顯下降。專案團隊懷疑顧客行為模式改變，導致模型輸入特徵的分佈與原始訓練資料不同，出現典型的資料漂移（Data Drift）問題。為了偵測並確認資料分佈是否發生變化，下列哪一種作法最合適？
中級 人工智慧技術應用與規劃
難度：中等 ★★☆ 114 年考題
考試範圍定位
- 考試等級
- 中級能力鑑定
- 考試科目
- AI 技術應用與規劃
- 知識主題
- AI 技術應用與系統部署
- 能力指標
- AI 技術系統集成與部署（L21302）
本題屬於 iPAS AI 應用規劃師中級能力鑑定「AI 技術應用與規劃」科目中的「AI 技術應用與系統部署」範疇， 對應的能力指標為「AI 技術系統集成與部署」，涵蓋AI 系統架構設計、模型部署技術、效能監控和更新管理、雲端環境建置等核心知識點。 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
某電商平台開發的顧客流失預測模型在上線數月後，預測準確率明顯下降。專案團隊懷疑顧客行為模式改變，導致模型輸入特徵的分佈與原始訓練資料不同，出現典型的資料漂移（Data Drift）問題。為了偵測並確認資料分佈是否發生變化，下列哪一種作法最合適？
- A. 定期重新訓練模型以應對外部變化
- B. 提升模型複雜度以捕捉更多資料變異性
- C. 增加測試資料量以提高評估準確度
- D. 計算輸入特徵分佈間的KL散度（KL Divergence） ✓ 正確答案
詳細解析
正確答案：D. 計算輸入特徵分佈間的KL散度（KL Divergence）
KL散度（Kullback-Leibler Divergence）是衡量兩個機率分佈差異的標準統計量，透過計算當前輸入資料與訓練資料分佈之間的KL散度，可量化資料漂移的程度，確認是否發生了顯著的分佈偏移。
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. 定期重新訓練模型以應對外部變化 （不正確）
重新訓練是應對漂移的解決方案，但無法用於偵測漂移是否發生。
B. 提升模型複雜度以捕捉更多資料變異性 （不正確）
提升模型複雜度不能偵測或解決資料分佈偏移問題。
C. 增加測試資料量以提高評估準確度 （不正確）
增加測試資料量不能直接偵測輸入特徵的分佈變化。
D. 計算輸入特徵分佈間的KL散度（KL Divergence） （正確）
KL散度直接衡量兩個分佈的差異，是偵測資料漂移最常用的統計方法。
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。
某企業的AI模型已部署於線上服務環境中，用於即時預測顧客流失率。近期團隊注意到模型預測準確率逐漸下降，但系統運作正常且未出現錯誤訊息。經分析發現，近期輸入資料的分佈與模型訓練資料相比出現顯著偏移。若要在MLOps流程中主動偵測並預警此類問題，最應採用下列哪項措施？
中級 人工智慧技術應用與規劃 難度 ★★☆ 114 年
在一個同時包含連續型特徵與類別型特徵的資料集中，若希望透過適當的特徵工程流程來提升模型整體表現，下列哪一種作法最為合適？
中級 人工智慧技術應用與規劃 難度 ★★☆ 114 年
在企業導入的MLOps（Machine Learning Operations）流程中，Model Registry最常用於哪一個階段？
中級 人工智慧技術應用與規劃 難度 ★★☆ 114 年
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。 本題來自中級考試範圍，需要具備紮實的技術基礎才能正確作答。
開始準備 iPAS 考試
本題來自 114 年 AI 應用規劃師中級考試。 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。