iPAS 考題解析某企業的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？

解析

正確答案：A. 建立即時的資料漂移（Data Drift）與概念漂移（Concept Drift）監測機制

資料漂移（輸入特徵分佈改變）和概念漂移（輸入輸出關係改變）是模型效能衰退的兩個主要原因。在MLOps中建立這兩種漂移的即時監測機制，能夠在效能顯著下滑前提前預警，是解決此類問題的標準做法。

每個選項為什麼對或錯

• A 建立即時的資料漂移（Data Drift）與概念漂移（Concept Drift）監測機制 正解

  建立資料漂移與概念漂移監測機制，能主動偵測並預警模型效能衰退，是最適當的措施。

• B 將模型轉換為量化版本以降低延遲 錯誤選項

  量化模型是效能優化措施，無法解決資料分佈偏移問題。

• C 增加模型超參數調整次數以強化適應性 錯誤選項

  增加超參數調整不能解決由資料分佈偏移導致的效能問題。

• D 使用固定隨機種子（Random Seed）確保訓練穩定 錯誤選項

  固定隨機種子確保可重複性，不能解決生產環境中的資料漂移問題。

答案、題目或解析有問題？回報這題

題目 © 經濟部產業發展署，AITerms.tw 僅作教學解析使用，本站解析以 CC BY-NC-SA 4.0 授權。