AI 技術應用與系統部署：12 題線上練習

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？

難度 ★★☆ 114 年考題

同時包含連續型和類別型特徵時，最佳的特徵工程方法為何？

難度 ★★★

下列何者為Kubernetes在AI模型部署與運行中的核心功能？

難度 ★★☆ 114 年考題

在企業導入的MLOps（Machine Learning Operations）流程中，Model Registry最常用於哪一個階段？

難度 ★★☆ 114 年考題

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？

難度 ★★☆ 114 年考題

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？

難度 ★★☆ 114 年考題

Kubernetes 在 AI 系統部署中的核心功能為何？

難度 ★★★

MLOps 中 Model Registry 的主要用途為何？

難度 ★★★

偵測 Data Drift（資料漂移）的方法為何？

難度 ★★★

公司把客服摘要模型包成容器服務。週一上午流量突然增加三倍，團隊希望在不手動登入每台機器的情況下，透過 Kubernetes、Horizontal Pod Autoscaler（HPA）與已設定的監控指標自動增加或減少服務副本。這套機制最適合負責哪一件事？

難度 ★★★

MLOps 中 Data Drift 偵測預警的最佳做法為何？

難度 ★★★★

銀行的詐欺偵測模型上線半年後，開始收到大量新型支付通路的交易。即使尚未取得所有交易的最終詐欺標記，團隊仍想及早發現模型是否面臨資料漂移。下列做法最合適？

難度 ★★★★