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 ★★☆ 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
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
數據漂移指的是模型部署後，實際輸入資料的統計分佈隨時間逐漸偏離訓練時的資料分佈，導致模型在新資料上的預測表現下降。這是機器學習系統在長期運作中最常見的效能退化原因。
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）
正確：數據漂移就是訓練資料與實際輸入資料的統計分佈隨時間產生差異，導致模型衰退。
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）
這描述的是資料前處理的問題，不是數據漂移。
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）
這描述的是過擬合（Overfitting），不是數據漂移。
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）
這描述的是資料管道的結構性問題，不是數據漂移的定義。
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。
在評估大型語言模型，例如 7B、13B、175B 參數規模時，模型規模對基準測試（Benchmark）結果的影響，下列哪一種說法最為恰當？
初級 生成式AI應用與規劃 難度 ★★☆ 114 年
某企業導入大型語言模型（LLM）進行客服自動化，並已透過 Fine-Tuning 學習企業標準問答範例，但在實務運作中仍出現回應策略未符合服務優先順序及語氣與品牌風格不一致的情況，因此技術團隊建議再導入 Reinforcement Fine-tuning（RFT）機制進行優化，其主要目的為何？
初級 生成式AI應用與規劃 難度 ★★☆ 115 年
一家跨國企業計劃在財務部門導入生成式AI，並結合自動化系統進行報告產出。導入此系統後，最有可能實現的效益為何？
初級 生成式AI應用與規劃 難度 ★☆☆
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 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。