iPAS 考題解析
企業在導入生成式 AI 平台時，往往需要利用分散於不同部門或機構中的大量敏感文本資料。若希望在確保隱私的前提下，仍能讓模型持續優化並降低資料外洩風險，下列哪一種方法最適合？
初級 生成式AI應用與規劃
難度：中等 ★★☆ 114 年考題
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
企業在導入生成式 AI 平台時，往往需要利用分散於不同部門或機構中的大量敏感文本資料。若希望在確保隱私的前提下，仍能讓模型持續優化並降低資料外洩風險，下列哪一種方法最適合？
- A. 同態加密（Homomorphic Encryption）
- B. 安全多方計算（Secure Multi-party Computation）
- C. 零知識證明（Zero-knowledge Proofs）
- D. 聯邦學習（Federated Learning） ✓ 正確答案
詳細解析
正確答案：D. 聯邦學習（Federated Learning）
聯邦學習允許多個機構在不共享原始資料的前提下共同訓練模型，各方只交換模型參數更新而非原始資料。這種方式最適合需要利用分散敏感資料、同時保護隱私並持續優化模型的場景。
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. 同態加密（Homomorphic Encryption） （不正確）
同態加密可在加密狀態下計算，但運算成本極高，不適合大規模模型訓練。
B. 安全多方計算（Secure Multi-party Computation） （不正確）
安全多方計算可保護隱私，但在大量文本資料的模型訓練場景中效率較低。
C. 零知識證明（Zero-knowledge Proofs） （不正確）
零知識證明用於驗證某方擁有特定資訊而不洩露資訊本身，不直接支援模型訓練優化。
D. 聯邦學習（Federated Learning） （正確）
正確：聯邦學習讓各方資料留在本地，僅交換模型參數，既保護隱私又能持續優化模型。
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。
某企業利用 No Code/Low Code 平台開發內部營運系統。為確保系統在跨部門流程與外部服務整合下仍具良好的可測試性（Testability），下列哪一項作法最為合適？
初級 生成式AI應用與規劃 難度 ★★☆ 114 年
某企業導入生成式 AI 客服系統後發現，系統整體運作穩定，且在單位時間內可處理大量對話請求。部分使用者仍反映在互動過程中回覆出現卡頓感，經初步排除網路連線與前端介面效能問題後，若專案團隊希望針對此現象進行效能測試，下列何者最符合測試重點？
初級 生成式AI應用與規劃 難度 ★★☆ 115 年
下列哪一種技術方案最直接適用於改善客戶服務的互動體驗？
初級 生成式AI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 114 年 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。