RAG 的目的是什么？（第 19 輪複習）
先檢索資料再生成回答，讓答案更貼近指定知識來源。
解題提示
把這個觀念連到資料、模型、流程或治理其中一個面向。
例子
回答公司制度時，RAG 可先找制度文件再整理答案。
Q&A Archive
考點問答歷史
Accuracy 一定是最佳指標嗎？（第 19 輪複習）
不一定。資料不平衡或錯誤成本不同時，應看 precision、recall 或 F1。
解題提示
把這個觀念連到資料、模型、流程或治理其中一個面向。
例子
詐欺偵測若只看 accuracy，可能忽略少數詐欺案例。
什麼是過擬合？（第 19 輪複習）
模型在訓練資料表現很好，但在新資料表現變差。
解題提示
把這個觀念連到資料、模型、流程或治理其中一個面向。
例子
簡化模型或增加資料可降低過擬合。
監督式和非監督式學習差在哪裡？（第 19 輪複習）
監督式有標籤答案，非監督式沒有標籤答案。
解題提示
把這個觀念連到資料、模型、流程或治理其中一個面向。
例子
顧客分群通常是非監督式。
分類和迴歸差在哪裡？（第 19 輪複習）
分類輸出類別，迴歸輸出連續數值。
解題提示
把這個觀念連到資料、模型、流程或治理其中一個面向。
例子
預測是否流失是分類；預測下月銷售額是迴歸。
AI 專案成功只看模型分數嗎？（第 18 輪複習）
不是。還要看業務效益、流程整合、使用者接受度、風險與維運成本。
解題提示
考題常把相近概念混在一起，先判斷輸入、輸出與風險。
例子
客服模型要看是否降低等待時間與提升滿意度。
模型越複雜越好嗎？（第 18 輪複習）
不一定。複雜模型可能提高成本、降低可解釋性並增加過擬合風險。
解題提示
考題常把相近概念混在一起，先判斷輸入、輸出與風險。
例子
簡單決策樹有時比黑箱模型更適合需解釋的場景。
為什麼要做資料標註規範？（第 18 輪複習）
標註規範可提高一致性，避免模型學到混亂答案。
解題提示
考題常把相近概念混在一起，先判斷輸入、輸出與風險。
例子
瑕疵邊界若沒定義，標註者可能判斷不一致。
什麼是資料漂移？（第 18 輪複習）
上線後新資料分布和訓練資料不同，導致模型表現下降。
解題提示
考題常把相近概念混在一起，先判斷輸入、輸出與風險。
例子
疫情前後消費行為不同，需求預測模型可能失準。
資料偏誤只會影響準確率嗎？（第 18 輪複習）
不是，也會影響公平性、使用者信任與法律風險。
解題提示
考題常把相近概念混在一起，先判斷輸入、輸出與風險。
例子
招募模型若偏好某族群，可能造成歧視風險。
AI 會完全取代人嗎？（第 18 輪複習）
多數導入目標是人機協作，自動化重複工作並輔助判斷。
解題提示
考題常把相近概念混在一起，先判斷輸入、輸出與風險。
例子
AI 可整理資料，主管仍需做策略判斷。
雲端和邊緣部署怎麼選？（第 18 輪複習）
雲端適合集中運算與彈性擴充，邊緣適合低延遲與資料不易外傳場景。
解題提示
考題常把相近概念混在一起，先判斷輸入、輸出與風險。
例子
即時工安偵測可能較適合邊緣部署。
可解釋性為何重要？（第 18 輪複習）
它幫助使用者理解模型依據，提升信任、稽核與申訴可能性。
解題提示
考題常把相近概念混在一起，先判斷輸入、輸出與風險。
例子
授信模型若拒絕申請，應能說明主要影響因素。
生成式 AI 適合處理機密資料嗎？（第 18 輪複習）
未經安全與合約確認，不應把機密或個資輸入外部 AI 工具。
解題提示
考題常把相近概念混在一起，先判斷輸入、輸出與風險。
例子
客戶名單不應直接貼到公開聊天工具。
模型上線後就結束了嗎？（第 18 輪複習）
不是。上線後要監控效能、資料漂移、成本與錯誤回報。
解題提示
考題常把相近概念混在一起，先判斷輸入、輸出與風險。
例子
使用者行為改變後，推薦模型可能需要更新。
去識別化等於完全匿名嗎？（第 18 輪複習）
不一定。去識別化降低識別風險，但仍可能被重新識別。
解題提示
考題常把相近概念混在一起，先判斷輸入、輸出與風險。
例子
郵遞區號、年齡和職業組合可能仍能縮小個人範圍。
為什麼需要人工覆核？（第 18 輪複習）
因為 AI 可能錯誤、偏見或缺乏脈絡，高風險場景需由人確認。
解題提示
考題常把相近概念混在一起，先判斷輸入、輸出與風險。
例子
醫療與金融決策通常需要人工覆核。
AI 導入第一步是選模型嗎？（第 18 輪複習）
不是。通常應先定義問題、目標、資料與成功指標。
解題提示
考題常把相近概念混在一起，先判斷輸入、輸出與風險。
例子
先確認客服等待時間是否真是要解決的痛點。
資料量越多越好嗎？（第 18 輪複習）
不一定。資料品質、代表性與相關性比單純數量更重要。
解題提示
考題常把相近概念混在一起，先判斷輸入、輸出與風險。
例子
過期或錯誤資料增加，可能反而降低模型表現。
Prompt 寫得好就不會錯嗎？（第 18 輪複習）
不會。Prompt 可改善輸出，但仍需驗證事實、來源與限制。
解題提示
考題常把相近概念混在一起，先判斷輸入、輸出與風險。
例子
重要報告應查證官方資料或原始文件。
RAG 的目的是什么？（第 18 輪複習）
先檢索資料再生成回答，讓答案更貼近指定知識來源。
解題提示
考題常把相近概念混在一起，先判斷輸入、輸出與風險。
例子
回答公司制度時，RAG 可先找制度文件再整理答案。
Accuracy 一定是最佳指標嗎？（第 18 輪複習）
不一定。資料不平衡或錯誤成本不同時，應看 precision、recall 或 F1。
解題提示
考題常把相近概念混在一起，先判斷輸入、輸出與風險。
例子
詐欺偵測若只看 accuracy，可能忽略少數詐欺案例。
什麼是過擬合？（第 18 輪複習）
模型在訓練資料表現很好，但在新資料表現變差。
解題提示
考題常把相近概念混在一起，先判斷輸入、輸出與風險。
例子
簡化模型或增加資料可降低過擬合。
監督式和非監督式學習差在哪裡？（第 18 輪複習）
監督式有標籤答案，非監督式沒有標籤答案。
解題提示
考題常把相近概念混在一起，先判斷輸入、輸出與風險。
例子
顧客分群通常是非監督式。
分類和迴歸差在哪裡？（第 18 輪複習）
分類輸出類別，迴歸輸出連續數值。
解題提示
考題常把相近概念混在一起，先判斷輸入、輸出與風險。
例子
預測是否流失是分類；預測下月銷售額是迴歸。
AI 專案成功只看模型分數嗎？（第 17 輪複習）
不是。還要看業務效益、流程整合、使用者接受度、風險與維運成本。
解題提示
複習時把關鍵詞遮住，試著自己說出差異。
例子
客服模型要看是否降低等待時間與提升滿意度。
模型越複雜越好嗎？（第 17 輪複習）
不一定。複雜模型可能提高成本、降低可解釋性並增加過擬合風險。
解題提示
複習時把關鍵詞遮住，試著自己說出差異。
例子
簡單決策樹有時比黑箱模型更適合需解釋的場景。
為什麼要做資料標註規範？（第 17 輪複習）
標註規範可提高一致性，避免模型學到混亂答案。
解題提示
複習時把關鍵詞遮住，試著自己說出差異。
例子
瑕疵邊界若沒定義，標註者可能判斷不一致。
什麼是資料漂移？（第 17 輪複習）
上線後新資料分布和訓練資料不同，導致模型表現下降。
解題提示
複習時把關鍵詞遮住，試著自己說出差異。
例子
疫情前後消費行為不同，需求預測模型可能失準。
資料偏誤只會影響準確率嗎？（第 17 輪複習）
不是，也會影響公平性、使用者信任與法律風險。
解題提示
複習時把關鍵詞遮住，試著自己說出差異。
例子
招募模型若偏好某族群，可能造成歧視風險。
AI 會完全取代人嗎？（第 17 輪複習）
多數導入目標是人機協作，自動化重複工作並輔助判斷。
解題提示
複習時把關鍵詞遮住，試著自己說出差異。
例子
AI 可整理資料，主管仍需做策略判斷。
雲端和邊緣部署怎麼選？（第 17 輪複習）
雲端適合集中運算與彈性擴充，邊緣適合低延遲與資料不易外傳場景。
解題提示
複習時把關鍵詞遮住，試著自己說出差異。
例子
即時工安偵測可能較適合邊緣部署。
可解釋性為何重要？（第 17 輪複習）
它幫助使用者理解模型依據，提升信任、稽核與申訴可能性。
解題提示
複習時把關鍵詞遮住，試著自己說出差異。
例子
授信模型若拒絕申請，應能說明主要影響因素。
生成式 AI 適合處理機密資料嗎？（第 17 輪複習）
未經安全與合約確認，不應把機密或個資輸入外部 AI 工具。
解題提示
複習時把關鍵詞遮住，試著自己說出差異。
例子
客戶名單不應直接貼到公開聊天工具。
模型上線後就結束了嗎？（第 17 輪複習）
不是。上線後要監控效能、資料漂移、成本與錯誤回報。
解題提示
複習時把關鍵詞遮住，試著自己說出差異。
例子
使用者行為改變後，推薦模型可能需要更新。
去識別化等於完全匿名嗎？（第 17 輪複習）
不一定。去識別化降低識別風險，但仍可能被重新識別。
解題提示
複習時把關鍵詞遮住，試著自己說出差異。
例子
郵遞區號、年齡和職業組合可能仍能縮小個人範圍。
為什麼需要人工覆核？（第 17 輪複習）
因為 AI 可能錯誤、偏見或缺乏脈絡，高風險場景需由人確認。
解題提示
複習時把關鍵詞遮住，試著自己說出差異。
例子
醫療與金融決策通常需要人工覆核。
AI 導入第一步是選模型嗎？（第 17 輪複習）
不是。通常應先定義問題、目標、資料與成功指標。
解題提示
複習時把關鍵詞遮住，試著自己說出差異。
例子
先確認客服等待時間是否真是要解決的痛點。
資料量越多越好嗎？（第 17 輪複習）
不一定。資料品質、代表性與相關性比單純數量更重要。
解題提示
複習時把關鍵詞遮住，試著自己說出差異。
例子
過期或錯誤資料增加，可能反而降低模型表現。
Prompt 寫得好就不會錯嗎？（第 17 輪複習）
不會。Prompt 可改善輸出，但仍需驗證事實、來源與限制。
解題提示
複習時把關鍵詞遮住，試著自己說出差異。
例子
重要報告應查證官方資料或原始文件。
RAG 的目的是什么？（第 17 輪複習）
先檢索資料再生成回答，讓答案更貼近指定知識來源。
解題提示
複習時把關鍵詞遮住，試著自己說出差異。
例子
回答公司制度時，RAG 可先找制度文件再整理答案。
Accuracy 一定是最佳指標嗎？（第 17 輪複習）
不一定。資料不平衡或錯誤成本不同時，應看 precision、recall 或 F1。
解題提示
複習時把關鍵詞遮住，試著自己說出差異。
例子
詐欺偵測若只看 accuracy，可能忽略少數詐欺案例。
什麼是過擬合？（第 17 輪複習）
模型在訓練資料表現很好，但在新資料表現變差。
解題提示
複習時把關鍵詞遮住，試著自己說出差異。
例子
簡化模型或增加資料可降低過擬合。
監督式和非監督式學習差在哪裡？（第 17 輪複習）
監督式有標籤答案，非監督式沒有標籤答案。
解題提示
複習時把關鍵詞遮住，試著自己說出差異。
例子
顧客分群通常是非監督式。
分類和迴歸差在哪裡？（第 17 輪複習）
分類輸出類別，迴歸輸出連續數值。
解題提示
複習時把關鍵詞遮住，試著自己說出差異。
例子
預測是否流失是分類；預測下月銷售額是迴歸。
AI 專案成功只看模型分數嗎？（第 16 輪複習）
不是。還要看業務效益、流程整合、使用者接受度、風險與維運成本。
解題提示
今天先抓定義，再想一個真實應用情境。
例子
客服模型要看是否降低等待時間與提升滿意度。
模型越複雜越好嗎？（第 16 輪複習）
不一定。複雜模型可能提高成本、降低可解釋性並增加過擬合風險。
解題提示
今天先抓定義，再想一個真實應用情境。
例子
簡單決策樹有時比黑箱模型更適合需解釋的場景。
為什麼要做資料標註規範？（第 16 輪複習）
標註規範可提高一致性，避免模型學到混亂答案。
解題提示
今天先抓定義，再想一個真實應用情境。
例子
瑕疵邊界若沒定義，標註者可能判斷不一致。
什麼是資料漂移？（第 16 輪複習）
上線後新資料分布和訓練資料不同，導致模型表現下降。
解題提示
今天先抓定義，再想一個真實應用情境。
例子
疫情前後消費行為不同，需求預測模型可能失準。
資料偏誤只會影響準確率嗎？（第 16 輪複習）
不是，也會影響公平性、使用者信任與法律風險。
解題提示
今天先抓定義，再想一個真實應用情境。
例子
招募模型若偏好某族群，可能造成歧視風險。
AI 會完全取代人嗎？（第 16 輪複習）
多數導入目標是人機協作，自動化重複工作並輔助判斷。
解題提示
今天先抓定義，再想一個真實應用情境。
例子
AI 可整理資料，主管仍需做策略判斷。
雲端和邊緣部署怎麼選？（第 16 輪複習）
雲端適合集中運算與彈性擴充，邊緣適合低延遲與資料不易外傳場景。
解題提示
今天先抓定義，再想一個真實應用情境。
例子
即時工安偵測可能較適合邊緣部署。
可解釋性為何重要？（第 16 輪複習）
它幫助使用者理解模型依據，提升信任、稽核與申訴可能性。
解題提示
今天先抓定義，再想一個真實應用情境。
例子
授信模型若拒絕申請，應能說明主要影響因素。
生成式 AI 適合處理機密資料嗎？（第 16 輪複習）
未經安全與合約確認，不應把機密或個資輸入外部 AI 工具。
解題提示
今天先抓定義，再想一個真實應用情境。
例子
客戶名單不應直接貼到公開聊天工具。
模型上線後就結束了嗎？（第 16 輪複習）
不是。上線後要監控效能、資料漂移、成本與錯誤回報。
解題提示
今天先抓定義，再想一個真實應用情境。
例子
使用者行為改變後，推薦模型可能需要更新。
去識別化等於完全匿名嗎？（第 16 輪複習）
不一定。去識別化降低識別風險，但仍可能被重新識別。
解題提示
今天先抓定義，再想一個真實應用情境。
例子
郵遞區號、年齡和職業組合可能仍能縮小個人範圍。
為什麼需要人工覆核？（第 16 輪複習）
因為 AI 可能錯誤、偏見或缺乏脈絡，高風險場景需由人確認。
解題提示
今天先抓定義，再想一個真實應用情境。
例子
醫療與金融決策通常需要人工覆核。
AI 導入第一步是選模型嗎？（第 16 輪複習）
不是。通常應先定義問題、目標、資料與成功指標。
解題提示
今天先抓定義，再想一個真實應用情境。
例子
先確認客服等待時間是否真是要解決的痛點。
資料量越多越好嗎？（第 16 輪複習）
不一定。資料品質、代表性與相關性比單純數量更重要。
解題提示
今天先抓定義，再想一個真實應用情境。
例子
過期或錯誤資料增加，可能反而降低模型表現。
Prompt 寫得好就不會錯嗎？（第 16 輪複習）
不會。Prompt 可改善輸出，但仍需驗證事實、來源與限制。
解題提示
今天先抓定義，再想一個真實應用情境。
例子
重要報告應查證官方資料或原始文件。
RAG 的目的是什么？（第 16 輪複習）
先檢索資料再生成回答，讓答案更貼近指定知識來源。
解題提示
今天先抓定義，再想一個真實應用情境。
例子
回答公司制度時，RAG 可先找制度文件再整理答案。
Accuracy 一定是最佳指標嗎？（第 16 輪複習）
不一定。資料不平衡或錯誤成本不同時，應看 precision、recall 或 F1。
解題提示
今天先抓定義，再想一個真實應用情境。
例子
詐欺偵測若只看 accuracy，可能忽略少數詐欺案例。
什麼是過擬合？（第 16 輪複習）
模型在訓練資料表現很好，但在新資料表現變差。
解題提示
今天先抓定義，再想一個真實應用情境。
例子
簡化模型或增加資料可降低過擬合。
監督式和非監督式學習差在哪裡？（第 16 輪複習）
監督式有標籤答案，非監督式沒有標籤答案。
解題提示
今天先抓定義，再想一個真實應用情境。
例子
顧客分群通常是非監督式。
分類和迴歸差在哪裡？（第 16 輪複習）
分類輸出類別，迴歸輸出連續數值。
解題提示
今天先抓定義，再想一個真實應用情境。
例子
預測是否流失是分類；預測下月銷售額是迴歸。
AI 專案成功只看模型分數嗎？（第 15 輪複習）
不是。還要看業務效益、流程整合、使用者接受度、風險與維運成本。
解題提示
睡前用一句話回答：這個觀念解決什麼問題，又有什麼限制？
例子
客服模型要看是否降低等待時間與提升滿意度。
模型越複雜越好嗎？（第 15 輪複習）
不一定。複雜模型可能提高成本、降低可解釋性並增加過擬合風險。
解題提示
睡前用一句話回答：這個觀念解決什麼問題，又有什麼限制？
例子
簡單決策樹有時比黑箱模型更適合需解釋的場景。
為什麼要做資料標註規範？（第 15 輪複習）
標註規範可提高一致性，避免模型學到混亂答案。
解題提示
睡前用一句話回答：這個觀念解決什麼問題，又有什麼限制？
例子
瑕疵邊界若沒定義，標註者可能判斷不一致。
什麼是資料漂移？（第 15 輪複習）
上線後新資料分布和訓練資料不同，導致模型表現下降。
解題提示
睡前用一句話回答：這個觀念解決什麼問題，又有什麼限制？
例子
疫情前後消費行為不同，需求預測模型可能失準。
資料偏誤只會影響準確率嗎？（第 15 輪複習）
不是，也會影響公平性、使用者信任與法律風險。
解題提示
睡前用一句話回答：這個觀念解決什麼問題，又有什麼限制？
例子
招募模型若偏好某族群，可能造成歧視風險。
AI 會完全取代人嗎？（第 15 輪複習）
多數導入目標是人機協作，自動化重複工作並輔助判斷。
解題提示
睡前用一句話回答：這個觀念解決什麼問題，又有什麼限制？
例子
AI 可整理資料，主管仍需做策略判斷。
雲端和邊緣部署怎麼選？（第 15 輪複習）
雲端適合集中運算與彈性擴充，邊緣適合低延遲與資料不易外傳場景。
解題提示
睡前用一句話回答：這個觀念解決什麼問題，又有什麼限制？
例子
即時工安偵測可能較適合邊緣部署。
可解釋性為何重要？（第 15 輪複習）
它幫助使用者理解模型依據，提升信任、稽核與申訴可能性。
解題提示
睡前用一句話回答：這個觀念解決什麼問題，又有什麼限制？
例子
授信模型若拒絕申請，應能說明主要影響因素。
生成式 AI 適合處理機密資料嗎？（第 15 輪複習）
未經安全與合約確認，不應把機密或個資輸入外部 AI 工具。
解題提示
睡前用一句話回答：這個觀念解決什麼問題，又有什麼限制？
例子
客戶名單不應直接貼到公開聊天工具。
模型上線後就結束了嗎？（第 15 輪複習）
不是。上線後要監控效能、資料漂移、成本與錯誤回報。
解題提示
睡前用一句話回答：這個觀念解決什麼問題，又有什麼限制？
例子
使用者行為改變後，推薦模型可能需要更新。
去識別化等於完全匿名嗎？（第 15 輪複習）
不一定。去識別化降低識別風險，但仍可能被重新識別。
解題提示
睡前用一句話回答：這個觀念解決什麼問題，又有什麼限制？
例子
郵遞區號、年齡和職業組合可能仍能縮小個人範圍。
為什麼需要人工覆核？（第 15 輪複習）
因為 AI 可能錯誤、偏見或缺乏脈絡，高風險場景需由人確認。
解題提示
睡前用一句話回答：這個觀念解決什麼問題，又有什麼限制？
例子
醫療與金融決策通常需要人工覆核。
AI 導入第一步是選模型嗎？（第 15 輪複習）
不是。通常應先定義問題、目標、資料與成功指標。
解題提示
睡前用一句話回答：這個觀念解決什麼問題，又有什麼限制？
例子
先確認客服等待時間是否真是要解決的痛點。
資料量越多越好嗎？（第 15 輪複習）
不一定。資料品質、代表性與相關性比單純數量更重要。
解題提示
睡前用一句話回答：這個觀念解決什麼問題，又有什麼限制？
例子
過期或錯誤資料增加，可能反而降低模型表現。
Prompt 寫得好就不會錯嗎？（第 15 輪複習）
不會。Prompt 可改善輸出，但仍需驗證事實、來源與限制。
解題提示
睡前用一句話回答：這個觀念解決什麼問題，又有什麼限制？
例子
重要報告應查證官方資料或原始文件。
RAG 的目的是什么？（第 15 輪複習）
先檢索資料再生成回答，讓答案更貼近指定知識來源。
解題提示
睡前用一句話回答：這個觀念解決什麼問題，又有什麼限制？
例子
回答公司制度時，RAG 可先找制度文件再整理答案。
Accuracy 一定是最佳指標嗎？（第 15 輪複習）
不一定。資料不平衡或錯誤成本不同時，應看 precision、recall 或 F1。
解題提示
睡前用一句話回答：這個觀念解決什麼問題，又有什麼限制？
例子
詐欺偵測若只看 accuracy，可能忽略少數詐欺案例。
什麼是過擬合？（第 15 輪複習）
模型在訓練資料表現很好，但在新資料表現變差。
解題提示
睡前用一句話回答：這個觀念解決什麼問題，又有什麼限制？
例子
簡化模型或增加資料可降低過擬合。
監督式和非監督式學習差在哪裡？（第 15 輪複習）
監督式有標籤答案，非監督式沒有標籤答案。
解題提示
睡前用一句話回答：這個觀念解決什麼問題，又有什麼限制？
例子
顧客分群通常是非監督式。
分類和迴歸差在哪裡？（第 15 輪複習）
分類輸出類別，迴歸輸出連續數值。
解題提示
睡前用一句話回答：這個觀念解決什麼問題，又有什麼限制？
例子
預測是否流失是分類；預測下月銷售額是迴歸。
AI 專案成功只看模型分數嗎？（第 14 輪複習）
不是。還要看業務效益、流程整合、使用者接受度、風險與維運成本。
解題提示
把這個觀念連到資料、模型、流程或治理其中一個面向。
例子
客服模型要看是否降低等待時間與提升滿意度。
模型越複雜越好嗎？（第 14 輪複習）
不一定。複雜模型可能提高成本、降低可解釋性並增加過擬合風險。
解題提示
把這個觀念連到資料、模型、流程或治理其中一個面向。
例子
簡單決策樹有時比黑箱模型更適合需解釋的場景。
為什麼要做資料標註規範？（第 14 輪複習）
標註規範可提高一致性，避免模型學到混亂答案。
解題提示
把這個觀念連到資料、模型、流程或治理其中一個面向。
例子
瑕疵邊界若沒定義，標註者可能判斷不一致。
什麼是資料漂移？（第 14 輪複習）
上線後新資料分布和訓練資料不同，導致模型表現下降。
解題提示
把這個觀念連到資料、模型、流程或治理其中一個面向。
例子
疫情前後消費行為不同，需求預測模型可能失準。
資料偏誤只會影響準確率嗎？（第 14 輪複習）
不是，也會影響公平性、使用者信任與法律風險。
解題提示
把這個觀念連到資料、模型、流程或治理其中一個面向。
例子
招募模型若偏好某族群，可能造成歧視風險。
AI 會完全取代人嗎？（第 14 輪複習）
多數導入目標是人機協作，自動化重複工作並輔助判斷。
解題提示
把這個觀念連到資料、模型、流程或治理其中一個面向。
例子
AI 可整理資料，主管仍需做策略判斷。
雲端和邊緣部署怎麼選？（第 14 輪複習）
雲端適合集中運算與彈性擴充，邊緣適合低延遲與資料不易外傳場景。
解題提示
把這個觀念連到資料、模型、流程或治理其中一個面向。
例子
即時工安偵測可能較適合邊緣部署。
可解釋性為何重要？（第 14 輪複習）
它幫助使用者理解模型依據，提升信任、稽核與申訴可能性。
解題提示
把這個觀念連到資料、模型、流程或治理其中一個面向。
例子
授信模型若拒絕申請，應能說明主要影響因素。
生成式 AI 適合處理機密資料嗎？（第 14 輪複習）
未經安全與合約確認，不應把機密或個資輸入外部 AI 工具。
解題提示
把這個觀念連到資料、模型、流程或治理其中一個面向。
例子
客戶名單不應直接貼到公開聊天工具。
模型上線後就結束了嗎？（第 14 輪複習）
不是。上線後要監控效能、資料漂移、成本與錯誤回報。
解題提示
把這個觀念連到資料、模型、流程或治理其中一個面向。
例子
使用者行為改變後，推薦模型可能需要更新。
去識別化等於完全匿名嗎？（第 14 輪複習）
不一定。去識別化降低識別風險，但仍可能被重新識別。
解題提示
把這個觀念連到資料、模型、流程或治理其中一個面向。
例子
郵遞區號、年齡和職業組合可能仍能縮小個人範圍。
為什麼需要人工覆核？（第 14 輪複習）
因為 AI 可能錯誤、偏見或缺乏脈絡，高風險場景需由人確認。
解題提示
把這個觀念連到資料、模型、流程或治理其中一個面向。
例子
醫療與金融決策通常需要人工覆核。
AI 導入第一步是選模型嗎？（第 14 輪複習）
不是。通常應先定義問題、目標、資料與成功指標。
解題提示
把這個觀念連到資料、模型、流程或治理其中一個面向。
例子
先確認客服等待時間是否真是要解決的痛點。
資料量越多越好嗎？（第 14 輪複習）
不一定。資料品質、代表性與相關性比單純數量更重要。
解題提示
把這個觀念連到資料、模型、流程或治理其中一個面向。
例子
過期或錯誤資料增加，可能反而降低模型表現。
Prompt 寫得好就不會錯嗎？（第 14 輪複習）
不會。Prompt 可改善輸出，但仍需驗證事實、來源與限制。
解題提示
把這個觀念連到資料、模型、流程或治理其中一個面向。
例子
重要報告應查證官方資料或原始文件。
RAG 的目的是什么？（第 14 輪複習）
先檢索資料再生成回答，讓答案更貼近指定知識來源。
解題提示
把這個觀念連到資料、模型、流程或治理其中一個面向。
例子
回答公司制度時，RAG 可先找制度文件再整理答案。
Accuracy 一定是最佳指標嗎？（第 14 輪複習）
不一定。資料不平衡或錯誤成本不同時，應看 precision、recall 或 F1。
解題提示
把這個觀念連到資料、模型、流程或治理其中一個面向。
例子
詐欺偵測若只看 accuracy，可能忽略少數詐欺案例。
什麼是過擬合？（第 14 輪複習）
模型在訓練資料表現很好，但在新資料表現變差。
解題提示
把這個觀念連到資料、模型、流程或治理其中一個面向。
例子
簡化模型或增加資料可降低過擬合。
監督式和非監督式學習差在哪裡？（第 14 輪複習）
監督式有標籤答案，非監督式沒有標籤答案。
解題提示
把這個觀念連到資料、模型、流程或治理其中一個面向。
例子
顧客分群通常是非監督式。
分類和迴歸差在哪裡？（第 14 輪複習）
分類輸出類別，迴歸輸出連續數值。
解題提示
把這個觀念連到資料、模型、流程或治理其中一個面向。
例子
預測是否流失是分類；預測下月銷售額是迴歸。
AI 專案成功只看模型分數嗎？（第 13 輪複習）
不是。還要看業務效益、流程整合、使用者接受度、風險與維運成本。
解題提示
考題常把相近概念混在一起，先判斷輸入、輸出與風險。
例子
客服模型要看是否降低等待時間與提升滿意度。
模型越複雜越好嗎？（第 13 輪複習）
不一定。複雜模型可能提高成本、降低可解釋性並增加過擬合風險。
解題提示
考題常把相近概念混在一起，先判斷輸入、輸出與風險。
例子
簡單決策樹有時比黑箱模型更適合需解釋的場景。
為什麼要做資料標註規範？（第 13 輪複習）
標註規範可提高一致性，避免模型學到混亂答案。
解題提示
考題常把相近概念混在一起，先判斷輸入、輸出與風險。
例子
瑕疵邊界若沒定義，標註者可能判斷不一致。
什麼是資料漂移？（第 13 輪複習）
上線後新資料分布和訓練資料不同，導致模型表現下降。
解題提示
考題常把相近概念混在一起，先判斷輸入、輸出與風險。
例子
疫情前後消費行為不同，需求預測模型可能失準。
資料偏誤只會影響準確率嗎？（第 13 輪複習）
不是，也會影響公平性、使用者信任與法律風險。
解題提示
考題常把相近概念混在一起，先判斷輸入、輸出與風險。
例子
招募模型若偏好某族群，可能造成歧視風險。
AI 會完全取代人嗎？（第 13 輪複習）
多數導入目標是人機協作，自動化重複工作並輔助判斷。
解題提示
考題常把相近概念混在一起，先判斷輸入、輸出與風險。
例子
AI 可整理資料，主管仍需做策略判斷。
雲端和邊緣部署怎麼選？（第 13 輪複習）
雲端適合集中運算與彈性擴充，邊緣適合低延遲與資料不易外傳場景。
解題提示
考題常把相近概念混在一起，先判斷輸入、輸出與風險。
例子
即時工安偵測可能較適合邊緣部署。
可解釋性為何重要？（第 13 輪複習）
它幫助使用者理解模型依據，提升信任、稽核與申訴可能性。
解題提示
考題常把相近概念混在一起，先判斷輸入、輸出與風險。
例子
授信模型若拒絕申請，應能說明主要影響因素。
生成式 AI 適合處理機密資料嗎？（第 13 輪複習）
未經安全與合約確認，不應把機密或個資輸入外部 AI 工具。
解題提示
考題常把相近概念混在一起，先判斷輸入、輸出與風險。
例子
客戶名單不應直接貼到公開聊天工具。
模型上線後就結束了嗎？（第 13 輪複習）
不是。上線後要監控效能、資料漂移、成本與錯誤回報。
解題提示
考題常把相近概念混在一起，先判斷輸入、輸出與風險。
例子
使用者行為改變後，推薦模型可能需要更新。
去識別化等於完全匿名嗎？（第 13 輪複習）
不一定。去識別化降低識別風險，但仍可能被重新識別。
解題提示
考題常把相近概念混在一起，先判斷輸入、輸出與風險。
例子
郵遞區號、年齡和職業組合可能仍能縮小個人範圍。
為什麼需要人工覆核？（第 13 輪複習）
因為 AI 可能錯誤、偏見或缺乏脈絡，高風險場景需由人確認。
解題提示
考題常把相近概念混在一起，先判斷輸入、輸出與風險。
例子
醫療與金融決策通常需要人工覆核。
AI 導入第一步是選模型嗎？（第 13 輪複習）
不是。通常應先定義問題、目標、資料與成功指標。
解題提示
考題常把相近概念混在一起，先判斷輸入、輸出與風險。
例子
先確認客服等待時間是否真是要解決的痛點。
資料量越多越好嗎？（第 13 輪複習）
不一定。資料品質、代表性與相關性比單純數量更重要。
解題提示
考題常把相近概念混在一起，先判斷輸入、輸出與風險。
例子
過期或錯誤資料增加，可能反而降低模型表現。
Prompt 寫得好就不會錯嗎？（第 13 輪複習）
不會。Prompt 可改善輸出，但仍需驗證事實、來源與限制。
解題提示
考題常把相近概念混在一起，先判斷輸入、輸出與風險。
例子
重要報告應查證官方資料或原始文件。
RAG 的目的是什么？（第 13 輪複習）
先檢索資料再生成回答，讓答案更貼近指定知識來源。
解題提示
考題常把相近概念混在一起，先判斷輸入、輸出與風險。
例子
回答公司制度時，RAG 可先找制度文件再整理答案。
Accuracy 一定是最佳指標嗎？（第 13 輪複習）
不一定。資料不平衡或錯誤成本不同時，應看 precision、recall 或 F1。
解題提示
考題常把相近概念混在一起，先判斷輸入、輸出與風險。
例子
詐欺偵測若只看 accuracy，可能忽略少數詐欺案例。
什麼是過擬合？（第 13 輪複習）
模型在訓練資料表現很好，但在新資料表現變差。
解題提示
考題常把相近概念混在一起，先判斷輸入、輸出與風險。
例子
簡化模型或增加資料可降低過擬合。
監督式和非監督式學習差在哪裡？（第 13 輪複習）
監督式有標籤答案，非監督式沒有標籤答案。
解題提示
考題常把相近概念混在一起，先判斷輸入、輸出與風險。
例子
顧客分群通常是非監督式。
分類和迴歸差在哪裡？（第 13 輪複習）
分類輸出類別，迴歸輸出連續數值。
解題提示
考題常把相近概念混在一起，先判斷輸入、輸出與風險。
例子
預測是否流失是分類；預測下月銷售額是迴歸。
AI 專案成功只看模型分數嗎？（第 12 輪複習）
不是。還要看業務效益、流程整合、使用者接受度、風險與維運成本。
解題提示
複習時把關鍵詞遮住，試著自己說出差異。
例子
客服模型要看是否降低等待時間與提升滿意度。
模型越複雜越好嗎？（第 12 輪複習）
不一定。複雜模型可能提高成本、降低可解釋性並增加過擬合風險。
解題提示
複習時把關鍵詞遮住，試著自己說出差異。
例子
簡單決策樹有時比黑箱模型更適合需解釋的場景。
為什麼要做資料標註規範？（第 12 輪複習）
標註規範可提高一致性，避免模型學到混亂答案。
解題提示
複習時把關鍵詞遮住，試著自己說出差異。
例子
瑕疵邊界若沒定義，標註者可能判斷不一致。
什麼是資料漂移？（第 12 輪複習）
上線後新資料分布和訓練資料不同，導致模型表現下降。
解題提示
複習時把關鍵詞遮住，試著自己說出差異。
例子
疫情前後消費行為不同，需求預測模型可能失準。
資料偏誤只會影響準確率嗎？（第 12 輪複習）
不是，也會影響公平性、使用者信任與法律風險。
解題提示
複習時把關鍵詞遮住，試著自己說出差異。
例子
招募模型若偏好某族群，可能造成歧視風險。
AI 會完全取代人嗎？（第 12 輪複習）
多數導入目標是人機協作，自動化重複工作並輔助判斷。
解題提示
複習時把關鍵詞遮住，試著自己說出差異。
例子
AI 可整理資料，主管仍需做策略判斷。
雲端和邊緣部署怎麼選？（第 12 輪複習）
雲端適合集中運算與彈性擴充，邊緣適合低延遲與資料不易外傳場景。
解題提示
複習時把關鍵詞遮住，試著自己說出差異。
例子
即時工安偵測可能較適合邊緣部署。
可解釋性為何重要？（第 12 輪複習）
它幫助使用者理解模型依據，提升信任、稽核與申訴可能性。
解題提示
複習時把關鍵詞遮住，試著自己說出差異。
例子
授信模型若拒絕申請，應能說明主要影響因素。
生成式 AI 適合處理機密資料嗎？（第 12 輪複習）
未經安全與合約確認，不應把機密或個資輸入外部 AI 工具。
解題提示
複習時把關鍵詞遮住，試著自己說出差異。
例子
客戶名單不應直接貼到公開聊天工具。
模型上線後就結束了嗎？（第 12 輪複習）
不是。上線後要監控效能、資料漂移、成本與錯誤回報。
解題提示
複習時把關鍵詞遮住，試著自己說出差異。
例子
使用者行為改變後，推薦模型可能需要更新。
去識別化等於完全匿名嗎？（第 12 輪複習）
不一定。去識別化降低識別風險，但仍可能被重新識別。
解題提示
複習時把關鍵詞遮住，試著自己說出差異。
例子
郵遞區號、年齡和職業組合可能仍能縮小個人範圍。
為什麼需要人工覆核？（第 12 輪複習）
因為 AI 可能錯誤、偏見或缺乏脈絡，高風險場景需由人確認。
解題提示
複習時把關鍵詞遮住，試著自己說出差異。
例子
醫療與金融決策通常需要人工覆核。
AI 導入第一步是選模型嗎？（第 12 輪複習）
不是。通常應先定義問題、目標、資料與成功指標。
解題提示
複習時把關鍵詞遮住，試著自己說出差異。
例子
先確認客服等待時間是否真是要解決的痛點。
資料量越多越好嗎？（第 12 輪複習）
不一定。資料品質、代表性與相關性比單純數量更重要。
解題提示
複習時把關鍵詞遮住，試著自己說出差異。
例子
過期或錯誤資料增加，可能反而降低模型表現。
Prompt 寫得好就不會錯嗎？（第 12 輪複習）
不會。Prompt 可改善輸出，但仍需驗證事實、來源與限制。
解題提示
複習時把關鍵詞遮住，試著自己說出差異。
例子
重要報告應查證官方資料或原始文件。
RAG 的目的是什么？（第 12 輪複習）
先檢索資料再生成回答，讓答案更貼近指定知識來源。
解題提示
複習時把關鍵詞遮住，試著自己說出差異。
例子
回答公司制度時，RAG 可先找制度文件再整理答案。
Accuracy 一定是最佳指標嗎？（第 12 輪複習）
不一定。資料不平衡或錯誤成本不同時，應看 precision、recall 或 F1。
解題提示
複習時把關鍵詞遮住，試著自己說出差異。
例子
詐欺偵測若只看 accuracy，可能忽略少數詐欺案例。
什麼是過擬合？（第 12 輪複習）
模型在訓練資料表現很好，但在新資料表現變差。
解題提示
複習時把關鍵詞遮住，試著自己說出差異。
例子
簡化模型或增加資料可降低過擬合。
監督式和非監督式學習差在哪裡？（第 12 輪複習）
監督式有標籤答案，非監督式沒有標籤答案。
解題提示
複習時把關鍵詞遮住，試著自己說出差異。
例子
顧客分群通常是非監督式。
分類和迴歸差在哪裡？（第 12 輪複習）
分類輸出類別，迴歸輸出連續數值。
解題提示
複習時把關鍵詞遮住，試著自己說出差異。
例子
預測是否流失是分類；預測下月銷售額是迴歸。
AI 專案成功只看模型分數嗎？（第 11 輪複習）
不是。還要看業務效益、流程整合、使用者接受度、風險與維運成本。
解題提示
今天先抓定義，再想一個真實應用情境。
例子
客服模型要看是否降低等待時間與提升滿意度。
模型越複雜越好嗎？（第 11 輪複習）
不一定。複雜模型可能提高成本、降低可解釋性並增加過擬合風險。
解題提示
今天先抓定義，再想一個真實應用情境。
例子
簡單決策樹有時比黑箱模型更適合需解釋的場景。
為什麼要做資料標註規範？（第 11 輪複習）
標註規範可提高一致性，避免模型學到混亂答案。
解題提示
今天先抓定義，再想一個真實應用情境。
例子
瑕疵邊界若沒定義，標註者可能判斷不一致。
什麼是資料漂移？（第 11 輪複習）
上線後新資料分布和訓練資料不同，導致模型表現下降。
解題提示
今天先抓定義，再想一個真實應用情境。
例子
疫情前後消費行為不同，需求預測模型可能失準。
資料偏誤只會影響準確率嗎？（第 11 輪複習）
不是，也會影響公平性、使用者信任與法律風險。
解題提示
今天先抓定義，再想一個真實應用情境。
例子
招募模型若偏好某族群，可能造成歧視風險。
AI 會完全取代人嗎？（第 11 輪複習）
多數導入目標是人機協作，自動化重複工作並輔助判斷。
解題提示
今天先抓定義，再想一個真實應用情境。
例子
AI 可整理資料，主管仍需做策略判斷。
雲端和邊緣部署怎麼選？（第 11 輪複習）
雲端適合集中運算與彈性擴充，邊緣適合低延遲與資料不易外傳場景。
解題提示
今天先抓定義，再想一個真實應用情境。
例子
即時工安偵測可能較適合邊緣部署。
可解釋性為何重要？（第 11 輪複習）
它幫助使用者理解模型依據，提升信任、稽核與申訴可能性。
解題提示
今天先抓定義，再想一個真實應用情境。
例子
授信模型若拒絕申請，應能說明主要影響因素。
生成式 AI 適合處理機密資料嗎？（第 11 輪複習）
未經安全與合約確認，不應把機密或個資輸入外部 AI 工具。
解題提示
今天先抓定義，再想一個真實應用情境。
例子
客戶名單不應直接貼到公開聊天工具。
模型上線後就結束了嗎？（第 11 輪複習）
不是。上線後要監控效能、資料漂移、成本與錯誤回報。
解題提示
今天先抓定義，再想一個真實應用情境。
例子
使用者行為改變後，推薦模型可能需要更新。
去識別化等於完全匿名嗎？（第 11 輪複習）
不一定。去識別化降低識別風險，但仍可能被重新識別。
解題提示
今天先抓定義，再想一個真實應用情境。
例子
郵遞區號、年齡和職業組合可能仍能縮小個人範圍。
為什麼需要人工覆核？（第 11 輪複習）
因為 AI 可能錯誤、偏見或缺乏脈絡，高風險場景需由人確認。
解題提示
今天先抓定義，再想一個真實應用情境。
例子
醫療與金融決策通常需要人工覆核。
AI 導入第一步是選模型嗎？（第 11 輪複習）
不是。通常應先定義問題、目標、資料與成功指標。
解題提示
今天先抓定義，再想一個真實應用情境。
例子
先確認客服等待時間是否真是要解決的痛點。
資料量越多越好嗎？（第 11 輪複習）
不一定。資料品質、代表性與相關性比單純數量更重要。
解題提示
今天先抓定義，再想一個真實應用情境。
例子
過期或錯誤資料增加，可能反而降低模型表現。
Prompt 寫得好就不會錯嗎？（第 11 輪複習）
不會。Prompt 可改善輸出，但仍需驗證事實、來源與限制。
解題提示
今天先抓定義，再想一個真實應用情境。
例子
重要報告應查證官方資料或原始文件。
RAG 的目的是什么？（第 11 輪複習）
先檢索資料再生成回答，讓答案更貼近指定知識來源。
解題提示
今天先抓定義，再想一個真實應用情境。
例子
回答公司制度時，RAG 可先找制度文件再整理答案。
Accuracy 一定是最佳指標嗎？（第 11 輪複習）
不一定。資料不平衡或錯誤成本不同時，應看 precision、recall 或 F1。
解題提示
今天先抓定義，再想一個真實應用情境。
例子
詐欺偵測若只看 accuracy，可能忽略少數詐欺案例。
什麼是過擬合？（第 11 輪複習）
模型在訓練資料表現很好，但在新資料表現變差。
解題提示
今天先抓定義，再想一個真實應用情境。
例子
簡化模型或增加資料可降低過擬合。
監督式和非監督式學習差在哪裡？（第 11 輪複習）
監督式有標籤答案，非監督式沒有標籤答案。
解題提示
今天先抓定義，再想一個真實應用情境。
例子
顧客分群通常是非監督式。
分類和迴歸差在哪裡？（第 11 輪複習）
分類輸出類別，迴歸輸出連續數值。
解題提示
今天先抓定義，再想一個真實應用情境。
例子
預測是否流失是分類；預測下月銷售額是迴歸。
AI 專案成功只看模型分數嗎？（第 10 輪複習）
不是。還要看業務效益、流程整合、使用者接受度、風險與維運成本。
解題提示
睡前用一句話回答：這個觀念解決什麼問題，又有什麼限制？
例子
客服模型要看是否降低等待時間與提升滿意度。
模型越複雜越好嗎？（第 10 輪複習）
不一定。複雜模型可能提高成本、降低可解釋性並增加過擬合風險。
解題提示
睡前用一句話回答：這個觀念解決什麼問題，又有什麼限制？
例子
簡單決策樹有時比黑箱模型更適合需解釋的場景。
為什麼要做資料標註規範？（第 10 輪複習）
標註規範可提高一致性，避免模型學到混亂答案。
解題提示
睡前用一句話回答：這個觀念解決什麼問題，又有什麼限制？
例子
瑕疵邊界若沒定義，標註者可能判斷不一致。
什麼是資料漂移？（第 10 輪複習）
上線後新資料分布和訓練資料不同，導致模型表現下降。
解題提示
睡前用一句話回答：這個觀念解決什麼問題，又有什麼限制？
例子
疫情前後消費行為不同，需求預測模型可能失準。
資料偏誤只會影響準確率嗎？（第 10 輪複習）
不是，也會影響公平性、使用者信任與法律風險。
解題提示
睡前用一句話回答：這個觀念解決什麼問題，又有什麼限制？
例子
招募模型若偏好某族群，可能造成歧視風險。
AI 會完全取代人嗎？（第 10 輪複習）
多數導入目標是人機協作，自動化重複工作並輔助判斷。
解題提示
睡前用一句話回答：這個觀念解決什麼問題，又有什麼限制？
例子
AI 可整理資料，主管仍需做策略判斷。
雲端和邊緣部署怎麼選？（第 10 輪複習）
雲端適合集中運算與彈性擴充，邊緣適合低延遲與資料不易外傳場景。
解題提示
睡前用一句話回答：這個觀念解決什麼問題，又有什麼限制？
例子
即時工安偵測可能較適合邊緣部署。
可解釋性為何重要？（第 10 輪複習）
它幫助使用者理解模型依據，提升信任、稽核與申訴可能性。
解題提示
睡前用一句話回答：這個觀念解決什麼問題，又有什麼限制？
例子
授信模型若拒絕申請，應能說明主要影響因素。
生成式 AI 適合處理機密資料嗎？（第 10 輪複習）
未經安全與合約確認，不應把機密或個資輸入外部 AI 工具。
解題提示
睡前用一句話回答：這個觀念解決什麼問題，又有什麼限制？
例子
客戶名單不應直接貼到公開聊天工具。
模型上線後就結束了嗎？（第 10 輪複習）
不是。上線後要監控效能、資料漂移、成本與錯誤回報。
解題提示
睡前用一句話回答：這個觀念解決什麼問題，又有什麼限制？
例子
使用者行為改變後，推薦模型可能需要更新。
去識別化等於完全匿名嗎？（第 10 輪複習）
不一定。去識別化降低識別風險，但仍可能被重新識別。
解題提示
睡前用一句話回答：這個觀念解決什麼問題，又有什麼限制？
例子
郵遞區號、年齡和職業組合可能仍能縮小個人範圍。
為什麼需要人工覆核？（第 10 輪複習）
因為 AI 可能錯誤、偏見或缺乏脈絡，高風險場景需由人確認。
解題提示
睡前用一句話回答：這個觀念解決什麼問題，又有什麼限制？
例子
醫療與金融決策通常需要人工覆核。
AI 導入第一步是選模型嗎？（第 10 輪複習）
不是。通常應先定義問題、目標、資料與成功指標。
解題提示
睡前用一句話回答：這個觀念解決什麼問題，又有什麼限制？
例子
先確認客服等待時間是否真是要解決的痛點。
資料量越多越好嗎？（第 10 輪複習）
不一定。資料品質、代表性與相關性比單純數量更重要。
解題提示
睡前用一句話回答：這個觀念解決什麼問題，又有什麼限制？
例子
過期或錯誤資料增加，可能反而降低模型表現。
Prompt 寫得好就不會錯嗎？（第 10 輪複習）
不會。Prompt 可改善輸出，但仍需驗證事實、來源與限制。
解題提示
睡前用一句話回答：這個觀念解決什麼問題，又有什麼限制？
例子
重要報告應查證官方資料或原始文件。
RAG 的目的是什么？（第 10 輪複習）
先檢索資料再生成回答，讓答案更貼近指定知識來源。
解題提示
睡前用一句話回答：這個觀念解決什麼問題，又有什麼限制？
例子
回答公司制度時，RAG 可先找制度文件再整理答案。
Accuracy 一定是最佳指標嗎？（第 10 輪複習）
不一定。資料不平衡或錯誤成本不同時，應看 precision、recall 或 F1。
解題提示
睡前用一句話回答：這個觀念解決什麼問題，又有什麼限制？
例子
詐欺偵測若只看 accuracy，可能忽略少數詐欺案例。
什麼是過擬合？（第 10 輪複習）
模型在訓練資料表現很好，但在新資料表現變差。
解題提示
睡前用一句話回答：這個觀念解決什麼問題，又有什麼限制？
例子
簡化模型或增加資料可降低過擬合。
監督式和非監督式學習差在哪裡？（第 10 輪複習）
監督式有標籤答案，非監督式沒有標籤答案。
解題提示
睡前用一句話回答：這個觀念解決什麼問題，又有什麼限制？
例子
顧客分群通常是非監督式。
分類和迴歸差在哪裡？（第 10 輪複習）
分類輸出類別，迴歸輸出連續數值。
解題提示
睡前用一句話回答：這個觀念解決什麼問題，又有什麼限制？
例子
預測是否流失是分類；預測下月銷售額是迴歸。
AI 專案成功只看模型分數嗎？（第 9 輪複習）
不是。還要看業務效益、流程整合、使用者接受度、風險與維運成本。
解題提示
把這個觀念連到資料、模型、流程或治理其中一個面向。
例子
客服模型要看是否降低等待時間與提升滿意度。
模型越複雜越好嗎？（第 9 輪複習）
不一定。複雜模型可能提高成本、降低可解釋性並增加過擬合風險。
解題提示
把這個觀念連到資料、模型、流程或治理其中一個面向。
例子
簡單決策樹有時比黑箱模型更適合需解釋的場景。
為什麼要做資料標註規範？（第 9 輪複習）
標註規範可提高一致性，避免模型學到混亂答案。
解題提示
把這個觀念連到資料、模型、流程或治理其中一個面向。
例子
瑕疵邊界若沒定義，標註者可能判斷不一致。
什麼是資料漂移？（第 9 輪複習）
上線後新資料分布和訓練資料不同，導致模型表現下降。
解題提示
把這個觀念連到資料、模型、流程或治理其中一個面向。
例子
疫情前後消費行為不同，需求預測模型可能失準。
資料偏誤只會影響準確率嗎？（第 9 輪複習）
不是，也會影響公平性、使用者信任與法律風險。
解題提示
把這個觀念連到資料、模型、流程或治理其中一個面向。
例子
招募模型若偏好某族群，可能造成歧視風險。
AI 會完全取代人嗎？（第 9 輪複習）
多數導入目標是人機協作，自動化重複工作並輔助判斷。
解題提示
把這個觀念連到資料、模型、流程或治理其中一個面向。
例子
AI 可整理資料，主管仍需做策略判斷。
雲端和邊緣部署怎麼選？（第 9 輪複習）
雲端適合集中運算與彈性擴充，邊緣適合低延遲與資料不易外傳場景。
解題提示
把這個觀念連到資料、模型、流程或治理其中一個面向。
例子
即時工安偵測可能較適合邊緣部署。
可解釋性為何重要？（第 9 輪複習）
它幫助使用者理解模型依據，提升信任、稽核與申訴可能性。
解題提示
把這個觀念連到資料、模型、流程或治理其中一個面向。
例子
授信模型若拒絕申請，應能說明主要影響因素。
生成式 AI 適合處理機密資料嗎？（第 9 輪複習）
未經安全與合約確認，不應把機密或個資輸入外部 AI 工具。
解題提示
把這個觀念連到資料、模型、流程或治理其中一個面向。
例子
客戶名單不應直接貼到公開聊天工具。
模型上線後就結束了嗎？（第 9 輪複習）
不是。上線後要監控效能、資料漂移、成本與錯誤回報。
解題提示
把這個觀念連到資料、模型、流程或治理其中一個面向。
例子
使用者行為改變後，推薦模型可能需要更新。
去識別化等於完全匿名嗎？（第 9 輪複習）
不一定。去識別化降低識別風險，但仍可能被重新識別。
解題提示
把這個觀念連到資料、模型、流程或治理其中一個面向。
例子
郵遞區號、年齡和職業組合可能仍能縮小個人範圍。
為什麼需要人工覆核？（第 9 輪複習）
因為 AI 可能錯誤、偏見或缺乏脈絡，高風險場景需由人確認。
解題提示
把這個觀念連到資料、模型、流程或治理其中一個面向。
例子
醫療與金融決策通常需要人工覆核。
AI 導入第一步是選模型嗎？（第 9 輪複習）
不是。通常應先定義問題、目標、資料與成功指標。
解題提示
把這個觀念連到資料、模型、流程或治理其中一個面向。
例子
先確認客服等待時間是否真是要解決的痛點。
資料量越多越好嗎？（第 9 輪複習）
不一定。資料品質、代表性與相關性比單純數量更重要。
解題提示
把這個觀念連到資料、模型、流程或治理其中一個面向。
例子
過期或錯誤資料增加，可能反而降低模型表現。
Prompt 寫得好就不會錯嗎？（第 9 輪複習）
不會。Prompt 可改善輸出，但仍需驗證事實、來源與限制。
解題提示
把這個觀念連到資料、模型、流程或治理其中一個面向。
例子
重要報告應查證官方資料或原始文件。
RAG 的目的是什么？（第 9 輪複習）
先檢索資料再生成回答，讓答案更貼近指定知識來源。
解題提示
把這個觀念連到資料、模型、流程或治理其中一個面向。
例子
回答公司制度時，RAG 可先找制度文件再整理答案。
Accuracy 一定是最佳指標嗎？（第 9 輪複習）
不一定。資料不平衡或錯誤成本不同時，應看 precision、recall 或 F1。
解題提示
把這個觀念連到資料、模型、流程或治理其中一個面向。
例子
詐欺偵測若只看 accuracy，可能忽略少數詐欺案例。
什麼是過擬合？（第 9 輪複習）
模型在訓練資料表現很好，但在新資料表現變差。
解題提示
把這個觀念連到資料、模型、流程或治理其中一個面向。
例子
簡化模型或增加資料可降低過擬合。
監督式和非監督式學習差在哪裡？（第 9 輪複習）
監督式有標籤答案，非監督式沒有標籤答案。
解題提示
把這個觀念連到資料、模型、流程或治理其中一個面向。
例子
顧客分群通常是非監督式。
分類和迴歸差在哪裡？（第 9 輪複習）
分類輸出類別，迴歸輸出連續數值。
解題提示
把這個觀念連到資料、模型、流程或治理其中一個面向。
例子
預測是否流失是分類；預測下月銷售額是迴歸。
AI 專案成功只看模型分數嗎？（第 8 輪複習）
不是。還要看業務效益、流程整合、使用者接受度、風險與維運成本。
解題提示
考題常把相近概念混在一起，先判斷輸入、輸出與風險。
例子
客服模型要看是否降低等待時間與提升滿意度。
模型越複雜越好嗎？（第 8 輪複習）
不一定。複雜模型可能提高成本、降低可解釋性並增加過擬合風險。
解題提示
考題常把相近概念混在一起，先判斷輸入、輸出與風險。
例子
簡單決策樹有時比黑箱模型更適合需解釋的場景。
為什麼要做資料標註規範？（第 8 輪複習）
標註規範可提高一致性，避免模型學到混亂答案。
解題提示
考題常把相近概念混在一起，先判斷輸入、輸出與風險。
例子
瑕疵邊界若沒定義，標註者可能判斷不一致。
什麼是資料漂移？（第 8 輪複習）
上線後新資料分布和訓練資料不同，導致模型表現下降。
解題提示
考題常把相近概念混在一起，先判斷輸入、輸出與風險。
例子
疫情前後消費行為不同，需求預測模型可能失準。
資料偏誤只會影響準確率嗎？（第 8 輪複習）
不是，也會影響公平性、使用者信任與法律風險。
解題提示
考題常把相近概念混在一起，先判斷輸入、輸出與風險。
例子
招募模型若偏好某族群，可能造成歧視風險。
AI 會完全取代人嗎？（第 8 輪複習）
多數導入目標是人機協作，自動化重複工作並輔助判斷。
解題提示
考題常把相近概念混在一起，先判斷輸入、輸出與風險。
例子
AI 可整理資料，主管仍需做策略判斷。
雲端和邊緣部署怎麼選？（第 8 輪複習）
雲端適合集中運算與彈性擴充，邊緣適合低延遲與資料不易外傳場景。
解題提示
考題常把相近概念混在一起，先判斷輸入、輸出與風險。
例子
即時工安偵測可能較適合邊緣部署。
可解釋性為何重要？（第 8 輪複習）
它幫助使用者理解模型依據，提升信任、稽核與申訴可能性。
解題提示
考題常把相近概念混在一起，先判斷輸入、輸出與風險。
例子
授信模型若拒絕申請，應能說明主要影響因素。
生成式 AI 適合處理機密資料嗎？（第 8 輪複習）
未經安全與合約確認，不應把機密或個資輸入外部 AI 工具。
解題提示
考題常把相近概念混在一起，先判斷輸入、輸出與風險。
例子
客戶名單不應直接貼到公開聊天工具。
模型上線後就結束了嗎？（第 8 輪複習）
不是。上線後要監控效能、資料漂移、成本與錯誤回報。
解題提示
考題常把相近概念混在一起，先判斷輸入、輸出與風險。
例子
使用者行為改變後，推薦模型可能需要更新。
去識別化等於完全匿名嗎？（第 8 輪複習）
不一定。去識別化降低識別風險，但仍可能被重新識別。
解題提示
考題常把相近概念混在一起，先判斷輸入、輸出與風險。
例子
郵遞區號、年齡和職業組合可能仍能縮小個人範圍。
為什麼需要人工覆核？（第 8 輪複習）
因為 AI 可能錯誤、偏見或缺乏脈絡，高風險場景需由人確認。
解題提示
考題常把相近概念混在一起，先判斷輸入、輸出與風險。
例子
醫療與金融決策通常需要人工覆核。
AI 導入第一步是選模型嗎？（第 8 輪複習）
不是。通常應先定義問題、目標、資料與成功指標。
解題提示
考題常把相近概念混在一起，先判斷輸入、輸出與風險。
例子
先確認客服等待時間是否真是要解決的痛點。
資料量越多越好嗎？（第 8 輪複習）
不一定。資料品質、代表性與相關性比單純數量更重要。
解題提示
考題常把相近概念混在一起，先判斷輸入、輸出與風險。
例子
過期或錯誤資料增加，可能反而降低模型表現。
Prompt 寫得好就不會錯嗎？（第 8 輪複習）
不會。Prompt 可改善輸出，但仍需驗證事實、來源與限制。
解題提示
考題常把相近概念混在一起，先判斷輸入、輸出與風險。
例子
重要報告應查證官方資料或原始文件。
RAG 的目的是什么？（第 8 輪複習）
先檢索資料再生成回答，讓答案更貼近指定知識來源。
解題提示
考題常把相近概念混在一起，先判斷輸入、輸出與風險。
例子
回答公司制度時，RAG 可先找制度文件再整理答案。
Accuracy 一定是最佳指標嗎？（第 8 輪複習）
不一定。資料不平衡或錯誤成本不同時，應看 precision、recall 或 F1。
解題提示
考題常把相近概念混在一起，先判斷輸入、輸出與風險。
例子
詐欺偵測若只看 accuracy，可能忽略少數詐欺案例。
什麼是過擬合？（第 8 輪複習）
模型在訓練資料表現很好，但在新資料表現變差。
解題提示
考題常把相近概念混在一起，先判斷輸入、輸出與風險。
例子
簡化模型或增加資料可降低過擬合。
監督式和非監督式學習差在哪裡？（第 8 輪複習）
監督式有標籤答案，非監督式沒有標籤答案。
解題提示
考題常把相近概念混在一起，先判斷輸入、輸出與風險。
例子
顧客分群通常是非監督式。
分類和迴歸差在哪裡？（第 8 輪複習）
分類輸出類別，迴歸輸出連續數值。
解題提示
考題常把相近概念混在一起，先判斷輸入、輸出與風險。
例子
預測是否流失是分類；預測下月銷售額是迴歸。
AI 專案成功只看模型分數嗎？（第 7 輪複習）
不是。還要看業務效益、流程整合、使用者接受度、風險與維運成本。
解題提示
複習時把關鍵詞遮住，試著自己說出差異。
例子
客服模型要看是否降低等待時間與提升滿意度。
模型越複雜越好嗎？（第 7 輪複習）
不一定。複雜模型可能提高成本、降低可解釋性並增加過擬合風險。
解題提示
複習時把關鍵詞遮住，試著自己說出差異。
例子
簡單決策樹有時比黑箱模型更適合需解釋的場景。
為什麼要做資料標註規範？（第 7 輪複習）
標註規範可提高一致性，避免模型學到混亂答案。
解題提示
複習時把關鍵詞遮住，試著自己說出差異。
例子
瑕疵邊界若沒定義，標註者可能判斷不一致。
什麼是資料漂移？（第 7 輪複習）
上線後新資料分布和訓練資料不同，導致模型表現下降。
解題提示
複習時把關鍵詞遮住，試著自己說出差異。
例子
疫情前後消費行為不同，需求預測模型可能失準。
資料偏誤只會影響準確率嗎？（第 7 輪複習）
不是，也會影響公平性、使用者信任與法律風險。
解題提示
複習時把關鍵詞遮住，試著自己說出差異。
例子
招募模型若偏好某族群，可能造成歧視風險。
AI 會完全取代人嗎？（第 7 輪複習）
多數導入目標是人機協作，自動化重複工作並輔助判斷。
解題提示
複習時把關鍵詞遮住，試著自己說出差異。
例子
AI 可整理資料，主管仍需做策略判斷。
雲端和邊緣部署怎麼選？（第 7 輪複習）
雲端適合集中運算與彈性擴充，邊緣適合低延遲與資料不易外傳場景。
解題提示
複習時把關鍵詞遮住，試著自己說出差異。
例子
即時工安偵測可能較適合邊緣部署。
可解釋性為何重要？（第 7 輪複習）
它幫助使用者理解模型依據，提升信任、稽核與申訴可能性。
解題提示
複習時把關鍵詞遮住，試著自己說出差異。
例子
授信模型若拒絕申請，應能說明主要影響因素。
生成式 AI 適合處理機密資料嗎？（第 7 輪複習）
未經安全與合約確認，不應把機密或個資輸入外部 AI 工具。
解題提示
複習時把關鍵詞遮住，試著自己說出差異。
例子
客戶名單不應直接貼到公開聊天工具。
模型上線後就結束了嗎？（第 7 輪複習）
不是。上線後要監控效能、資料漂移、成本與錯誤回報。
解題提示
複習時把關鍵詞遮住，試著自己說出差異。
例子
使用者行為改變後，推薦模型可能需要更新。
去識別化等於完全匿名嗎？（第 7 輪複習）
不一定。去識別化降低識別風險，但仍可能被重新識別。
解題提示
複習時把關鍵詞遮住，試著自己說出差異。
例子
郵遞區號、年齡和職業組合可能仍能縮小個人範圍。
為什麼需要人工覆核？（第 7 輪複習）
因為 AI 可能錯誤、偏見或缺乏脈絡，高風險場景需由人確認。
解題提示
複習時把關鍵詞遮住，試著自己說出差異。
例子
醫療與金融決策通常需要人工覆核。
AI 導入第一步是選模型嗎？（第 7 輪複習）
不是。通常應先定義問題、目標、資料與成功指標。
解題提示
複習時把關鍵詞遮住，試著自己說出差異。
例子
先確認客服等待時間是否真是要解決的痛點。
資料量越多越好嗎？（第 7 輪複習）
不一定。資料品質、代表性與相關性比單純數量更重要。
解題提示
複習時把關鍵詞遮住，試著自己說出差異。
例子
過期或錯誤資料增加，可能反而降低模型表現。
Prompt 寫得好就不會錯嗎？（第 7 輪複習）
不會。Prompt 可改善輸出，但仍需驗證事實、來源與限制。
解題提示
複習時把關鍵詞遮住，試著自己說出差異。
例子
重要報告應查證官方資料或原始文件。
RAG 的目的是什么？（第 7 輪複習）
先檢索資料再生成回答，讓答案更貼近指定知識來源。
解題提示
複習時把關鍵詞遮住，試著自己說出差異。
例子
回答公司制度時，RAG 可先找制度文件再整理答案。
Accuracy 一定是最佳指標嗎？（第 7 輪複習）
不一定。資料不平衡或錯誤成本不同時，應看 precision、recall 或 F1。
解題提示
複習時把關鍵詞遮住，試著自己說出差異。
例子
詐欺偵測若只看 accuracy，可能忽略少數詐欺案例。
什麼是過擬合？（第 7 輪複習）
模型在訓練資料表現很好，但在新資料表現變差。
解題提示
複習時把關鍵詞遮住，試著自己說出差異。
例子
簡化模型或增加資料可降低過擬合。
監督式和非監督式學習差在哪裡？（第 7 輪複習）
監督式有標籤答案，非監督式沒有標籤答案。
解題提示
複習時把關鍵詞遮住，試著自己說出差異。
例子
顧客分群通常是非監督式。
分類和迴歸差在哪裡？（第 7 輪複習）
分類輸出類別，迴歸輸出連續數值。
解題提示
複習時把關鍵詞遮住，試著自己說出差異。
例子
預測是否流失是分類；預測下月銷售額是迴歸。
AI 專案成功只看模型分數嗎？（第 6 輪複習）
不是。還要看業務效益、流程整合、使用者接受度、風險與維運成本。
解題提示
今天先抓定義，再想一個真實應用情境。
例子
客服模型要看是否降低等待時間與提升滿意度。
模型越複雜越好嗎？（第 6 輪複習）
不一定。複雜模型可能提高成本、降低可解釋性並增加過擬合風險。
解題提示
今天先抓定義，再想一個真實應用情境。
例子
簡單決策樹有時比黑箱模型更適合需解釋的場景。
為什麼要做資料標註規範？（第 6 輪複習）
標註規範可提高一致性，避免模型學到混亂答案。
解題提示
今天先抓定義，再想一個真實應用情境。
例子
瑕疵邊界若沒定義，標註者可能判斷不一致。
什麼是資料漂移？（第 6 輪複習）
上線後新資料分布和訓練資料不同，導致模型表現下降。
解題提示
今天先抓定義，再想一個真實應用情境。
例子
疫情前後消費行為不同，需求預測模型可能失準。
資料偏誤只會影響準確率嗎？（第 6 輪複習）
不是，也會影響公平性、使用者信任與法律風險。
解題提示
今天先抓定義，再想一個真實應用情境。
例子
招募模型若偏好某族群，可能造成歧視風險。
AI 會完全取代人嗎？（第 6 輪複習）
多數導入目標是人機協作，自動化重複工作並輔助判斷。
解題提示
今天先抓定義，再想一個真實應用情境。
例子
AI 可整理資料，主管仍需做策略判斷。
雲端和邊緣部署怎麼選？（第 6 輪複習）
雲端適合集中運算與彈性擴充，邊緣適合低延遲與資料不易外傳場景。
解題提示
今天先抓定義，再想一個真實應用情境。
例子
即時工安偵測可能較適合邊緣部署。
可解釋性為何重要？（第 6 輪複習）
它幫助使用者理解模型依據，提升信任、稽核與申訴可能性。
解題提示
今天先抓定義，再想一個真實應用情境。
例子
授信模型若拒絕申請，應能說明主要影響因素。
生成式 AI 適合處理機密資料嗎？（第 6 輪複習）
未經安全與合約確認，不應把機密或個資輸入外部 AI 工具。
解題提示
今天先抓定義，再想一個真實應用情境。
例子
客戶名單不應直接貼到公開聊天工具。
模型上線後就結束了嗎？（第 6 輪複習）
不是。上線後要監控效能、資料漂移、成本與錯誤回報。
解題提示
今天先抓定義，再想一個真實應用情境。
例子
使用者行為改變後，推薦模型可能需要更新。
去識別化等於完全匿名嗎？（第 6 輪複習）
不一定。去識別化降低識別風險，但仍可能被重新識別。
解題提示
今天先抓定義，再想一個真實應用情境。
例子
郵遞區號、年齡和職業組合可能仍能縮小個人範圍。
為什麼需要人工覆核？（第 6 輪複習）
因為 AI 可能錯誤、偏見或缺乏脈絡，高風險場景需由人確認。
解題提示
今天先抓定義，再想一個真實應用情境。
例子
醫療與金融決策通常需要人工覆核。
AI 導入第一步是選模型嗎？（第 6 輪複習）
不是。通常應先定義問題、目標、資料與成功指標。
解題提示
今天先抓定義，再想一個真實應用情境。
例子
先確認客服等待時間是否真是要解決的痛點。
資料量越多越好嗎？（第 6 輪複習）
不一定。資料品質、代表性與相關性比單純數量更重要。
解題提示
今天先抓定義，再想一個真實應用情境。
例子
過期或錯誤資料增加，可能反而降低模型表現。
Prompt 寫得好就不會錯嗎？（第 6 輪複習）
不會。Prompt 可改善輸出，但仍需驗證事實、來源與限制。
解題提示
今天先抓定義，再想一個真實應用情境。
例子
重要報告應查證官方資料或原始文件。
RAG 的目的是什么？（第 6 輪複習）
先檢索資料再生成回答，讓答案更貼近指定知識來源。
解題提示
今天先抓定義，再想一個真實應用情境。
例子
回答公司制度時，RAG 可先找制度文件再整理答案。
Accuracy 一定是最佳指標嗎？（第 6 輪複習）
不一定。資料不平衡或錯誤成本不同時，應看 precision、recall 或 F1。
解題提示
今天先抓定義，再想一個真實應用情境。
例子
詐欺偵測若只看 accuracy，可能忽略少數詐欺案例。
什麼是過擬合？（第 6 輪複習）
模型在訓練資料表現很好，但在新資料表現變差。
解題提示
今天先抓定義，再想一個真實應用情境。
例子
簡化模型或增加資料可降低過擬合。
監督式和非監督式學習差在哪裡？（第 6 輪複習）
監督式有標籤答案，非監督式沒有標籤答案。
解題提示
今天先抓定義，再想一個真實應用情境。
例子
顧客分群通常是非監督式。
分類和迴歸差在哪裡？（第 6 輪複習）
分類輸出類別，迴歸輸出連續數值。
解題提示
今天先抓定義，再想一個真實應用情境。
例子
預測是否流失是分類；預測下月銷售額是迴歸。
AI 專案成功只看模型分數嗎？（第 5 輪複習）
不是。還要看業務效益、流程整合、使用者接受度、風險與維運成本。
解題提示
睡前用一句話回答：這個觀念解決什麼問題，又有什麼限制？
例子
客服模型要看是否降低等待時間與提升滿意度。
模型越複雜越好嗎？（第 5 輪複習）
不一定。複雜模型可能提高成本、降低可解釋性並增加過擬合風險。
解題提示
睡前用一句話回答：這個觀念解決什麼問題，又有什麼限制？
例子
簡單決策樹有時比黑箱模型更適合需解釋的場景。
為什麼要做資料標註規範？（第 5 輪複習）
標註規範可提高一致性，避免模型學到混亂答案。
解題提示
睡前用一句話回答：這個觀念解決什麼問題，又有什麼限制？
例子
瑕疵邊界若沒定義，標註者可能判斷不一致。
什麼是資料漂移？（第 5 輪複習）
上線後新資料分布和訓練資料不同，導致模型表現下降。
解題提示
睡前用一句話回答：這個觀念解決什麼問題，又有什麼限制？
例子
疫情前後消費行為不同，需求預測模型可能失準。
資料偏誤只會影響準確率嗎？（第 5 輪複習）
不是，也會影響公平性、使用者信任與法律風險。
解題提示
睡前用一句話回答：這個觀念解決什麼問題，又有什麼限制？
例子
招募模型若偏好某族群，可能造成歧視風險。
AI 會完全取代人嗎？（第 5 輪複習）
多數導入目標是人機協作，自動化重複工作並輔助判斷。
解題提示
睡前用一句話回答：這個觀念解決什麼問題，又有什麼限制？
例子
AI 可整理資料，主管仍需做策略判斷。
雲端和邊緣部署怎麼選？（第 5 輪複習）
雲端適合集中運算與彈性擴充，邊緣適合低延遲與資料不易外傳場景。
解題提示
睡前用一句話回答：這個觀念解決什麼問題，又有什麼限制？
例子
即時工安偵測可能較適合邊緣部署。
可解釋性為何重要？（第 5 輪複習）
它幫助使用者理解模型依據，提升信任、稽核與申訴可能性。
解題提示
睡前用一句話回答：這個觀念解決什麼問題，又有什麼限制？
例子
授信模型若拒絕申請，應能說明主要影響因素。
生成式 AI 適合處理機密資料嗎？（第 5 輪複習）
未經安全與合約確認，不應把機密或個資輸入外部 AI 工具。
解題提示
睡前用一句話回答：這個觀念解決什麼問題，又有什麼限制？
例子
客戶名單不應直接貼到公開聊天工具。
模型上線後就結束了嗎？（第 5 輪複習）
不是。上線後要監控效能、資料漂移、成本與錯誤回報。
解題提示
睡前用一句話回答：這個觀念解決什麼問題，又有什麼限制？
例子
使用者行為改變後，推薦模型可能需要更新。
去識別化等於完全匿名嗎？（第 5 輪複習）
不一定。去識別化降低識別風險，但仍可能被重新識別。
解題提示
睡前用一句話回答：這個觀念解決什麼問題，又有什麼限制？
例子
郵遞區號、年齡和職業組合可能仍能縮小個人範圍。
為什麼需要人工覆核？（第 5 輪複習）
因為 AI 可能錯誤、偏見或缺乏脈絡，高風險場景需由人確認。
解題提示
睡前用一句話回答：這個觀念解決什麼問題，又有什麼限制？
例子
醫療與金融決策通常需要人工覆核。
AI 導入第一步是選模型嗎？（第 5 輪複習）
不是。通常應先定義問題、目標、資料與成功指標。
解題提示
睡前用一句話回答：這個觀念解決什麼問題，又有什麼限制？
例子
先確認客服等待時間是否真是要解決的痛點。
資料量越多越好嗎？（第 5 輪複習）
不一定。資料品質、代表性與相關性比單純數量更重要。
解題提示
睡前用一句話回答：這個觀念解決什麼問題，又有什麼限制？
例子
過期或錯誤資料增加，可能反而降低模型表現。
Prompt 寫得好就不會錯嗎？（第 5 輪複習）
不會。Prompt 可改善輸出，但仍需驗證事實、來源與限制。
解題提示
睡前用一句話回答：這個觀念解決什麼問題，又有什麼限制？
例子
重要報告應查證官方資料或原始文件。
RAG 的目的是什么？（第 5 輪複習）
先檢索資料再生成回答，讓答案更貼近指定知識來源。
解題提示
睡前用一句話回答：這個觀念解決什麼問題，又有什麼限制？
例子
回答公司制度時，RAG 可先找制度文件再整理答案。
Accuracy 一定是最佳指標嗎？（第 5 輪複習）
不一定。資料不平衡或錯誤成本不同時，應看 precision、recall 或 F1。
解題提示
睡前用一句話回答：這個觀念解決什麼問題，又有什麼限制？
例子
詐欺偵測若只看 accuracy，可能忽略少數詐欺案例。
什麼是過擬合？（第 5 輪複習）
模型在訓練資料表現很好，但在新資料表現變差。
解題提示
睡前用一句話回答：這個觀念解決什麼問題，又有什麼限制？
例子
簡化模型或增加資料可降低過擬合。
監督式和非監督式學習差在哪裡？（第 5 輪複習）
監督式有標籤答案，非監督式沒有標籤答案。
解題提示
睡前用一句話回答：這個觀念解決什麼問題，又有什麼限制？
例子
顧客分群通常是非監督式。
分類和迴歸差在哪裡？（第 5 輪複習）
分類輸出類別，迴歸輸出連續數值。
解題提示
睡前用一句話回答：這個觀念解決什麼問題，又有什麼限制？
例子
預測是否流失是分類；預測下月銷售額是迴歸。
AI 專案成功只看模型分數嗎？（第 4 輪複習）
不是。還要看業務效益、流程整合、使用者接受度、風險與維運成本。
解題提示
把這個觀念連到資料、模型、流程或治理其中一個面向。
例子
客服模型要看是否降低等待時間與提升滿意度。
模型越複雜越好嗎？（第 4 輪複習）
不一定。複雜模型可能提高成本、降低可解釋性並增加過擬合風險。
解題提示
把這個觀念連到資料、模型、流程或治理其中一個面向。
例子
簡單決策樹有時比黑箱模型更適合需解釋的場景。
為什麼要做資料標註規範？（第 4 輪複習）
標註規範可提高一致性，避免模型學到混亂答案。
解題提示
把這個觀念連到資料、模型、流程或治理其中一個面向。
例子
瑕疵邊界若沒定義，標註者可能判斷不一致。
什麼是資料漂移？（第 4 輪複習）
上線後新資料分布和訓練資料不同，導致模型表現下降。
解題提示
把這個觀念連到資料、模型、流程或治理其中一個面向。
例子
疫情前後消費行為不同，需求預測模型可能失準。
資料偏誤只會影響準確率嗎？（第 4 輪複習）
不是，也會影響公平性、使用者信任與法律風險。
解題提示
把這個觀念連到資料、模型、流程或治理其中一個面向。
例子
招募模型若偏好某族群，可能造成歧視風險。
AI 會完全取代人嗎？（第 4 輪複習）
多數導入目標是人機協作，自動化重複工作並輔助判斷。
解題提示
把這個觀念連到資料、模型、流程或治理其中一個面向。
例子
AI 可整理資料，主管仍需做策略判斷。
雲端和邊緣部署怎麼選？（第 4 輪複習）
雲端適合集中運算與彈性擴充，邊緣適合低延遲與資料不易外傳場景。
解題提示
把這個觀念連到資料、模型、流程或治理其中一個面向。
例子
即時工安偵測可能較適合邊緣部署。
可解釋性為何重要？（第 4 輪複習）
它幫助使用者理解模型依據，提升信任、稽核與申訴可能性。
解題提示
把這個觀念連到資料、模型、流程或治理其中一個面向。
例子
授信模型若拒絕申請，應能說明主要影響因素。
生成式 AI 適合處理機密資料嗎？（第 4 輪複習）
未經安全與合約確認，不應把機密或個資輸入外部 AI 工具。
解題提示
把這個觀念連到資料、模型、流程或治理其中一個面向。
例子
客戶名單不應直接貼到公開聊天工具。
模型上線後就結束了嗎？（第 4 輪複習）
不是。上線後要監控效能、資料漂移、成本與錯誤回報。
解題提示
把這個觀念連到資料、模型、流程或治理其中一個面向。
例子
使用者行為改變後，推薦模型可能需要更新。
去識別化等於完全匿名嗎？（第 4 輪複習）
不一定。去識別化降低識別風險，但仍可能被重新識別。
解題提示
把這個觀念連到資料、模型、流程或治理其中一個面向。
例子
郵遞區號、年齡和職業組合可能仍能縮小個人範圍。
為什麼需要人工覆核？（第 4 輪複習）
因為 AI 可能錯誤、偏見或缺乏脈絡，高風險場景需由人確認。
解題提示
把這個觀念連到資料、模型、流程或治理其中一個面向。
例子
醫療與金融決策通常需要人工覆核。
AI 導入第一步是選模型嗎？（第 4 輪複習）
不是。通常應先定義問題、目標、資料與成功指標。
解題提示
把這個觀念連到資料、模型、流程或治理其中一個面向。
例子
先確認客服等待時間是否真是要解決的痛點。
資料量越多越好嗎？（第 4 輪複習）
不一定。資料品質、代表性與相關性比單純數量更重要。
解題提示
把這個觀念連到資料、模型、流程或治理其中一個面向。
例子
過期或錯誤資料增加，可能反而降低模型表現。
Prompt 寫得好就不會錯嗎？（第 4 輪複習）
不會。Prompt 可改善輸出，但仍需驗證事實、來源與限制。
解題提示
把這個觀念連到資料、模型、流程或治理其中一個面向。
例子
重要報告應查證官方資料或原始文件。
RAG 的目的是什么？（第 4 輪複習）
先檢索資料再生成回答，讓答案更貼近指定知識來源。
解題提示
把這個觀念連到資料、模型、流程或治理其中一個面向。
例子
回答公司制度時，RAG 可先找制度文件再整理答案。
Accuracy 一定是最佳指標嗎？（第 4 輪複習）
不一定。資料不平衡或錯誤成本不同時，應看 precision、recall 或 F1。
解題提示
把這個觀念連到資料、模型、流程或治理其中一個面向。
例子
詐欺偵測若只看 accuracy，可能忽略少數詐欺案例。
什麼是過擬合？（第 4 輪複習）
模型在訓練資料表現很好，但在新資料表現變差。
解題提示
把這個觀念連到資料、模型、流程或治理其中一個面向。
例子
簡化模型或增加資料可降低過擬合。
監督式和非監督式學習差在哪裡？（第 4 輪複習）
監督式有標籤答案，非監督式沒有標籤答案。
解題提示
把這個觀念連到資料、模型、流程或治理其中一個面向。
例子
顧客分群通常是非監督式。
分類和迴歸差在哪裡？（第 4 輪複習）
分類輸出類別，迴歸輸出連續數值。
解題提示
把這個觀念連到資料、模型、流程或治理其中一個面向。
例子
預測是否流失是分類；預測下月銷售額是迴歸。
AI 專案成功只看模型分數嗎？（第 3 輪複習）
不是。還要看業務效益、流程整合、使用者接受度、風險與維運成本。
解題提示
考題常把相近概念混在一起，先判斷輸入、輸出與風險。
例子
客服模型要看是否降低等待時間與提升滿意度。
模型越複雜越好嗎？（第 3 輪複習）
不一定。複雜模型可能提高成本、降低可解釋性並增加過擬合風險。
解題提示
考題常把相近概念混在一起，先判斷輸入、輸出與風險。
例子
簡單決策樹有時比黑箱模型更適合需解釋的場景。
為什麼要做資料標註規範？（第 3 輪複習）
標註規範可提高一致性，避免模型學到混亂答案。
解題提示
考題常把相近概念混在一起，先判斷輸入、輸出與風險。
例子
瑕疵邊界若沒定義，標註者可能判斷不一致。
什麼是資料漂移？（第 3 輪複習）
上線後新資料分布和訓練資料不同，導致模型表現下降。
解題提示
考題常把相近概念混在一起，先判斷輸入、輸出與風險。
例子
疫情前後消費行為不同，需求預測模型可能失準。
資料偏誤只會影響準確率嗎？（第 3 輪複習）
不是，也會影響公平性、使用者信任與法律風險。
解題提示
考題常把相近概念混在一起，先判斷輸入、輸出與風險。
例子
招募模型若偏好某族群，可能造成歧視風險。
AI 會完全取代人嗎？（第 3 輪複習）
多數導入目標是人機協作，自動化重複工作並輔助判斷。
解題提示
考題常把相近概念混在一起，先判斷輸入、輸出與風險。
例子
AI 可整理資料，主管仍需做策略判斷。
雲端和邊緣部署怎麼選？（第 3 輪複習）
雲端適合集中運算與彈性擴充，邊緣適合低延遲與資料不易外傳場景。
解題提示
考題常把相近概念混在一起，先判斷輸入、輸出與風險。
例子
即時工安偵測可能較適合邊緣部署。
可解釋性為何重要？（第 3 輪複習）
它幫助使用者理解模型依據，提升信任、稽核與申訴可能性。
解題提示
考題常把相近概念混在一起，先判斷輸入、輸出與風險。
例子
授信模型若拒絕申請，應能說明主要影響因素。
生成式 AI 適合處理機密資料嗎？（第 3 輪複習）
未經安全與合約確認，不應把機密或個資輸入外部 AI 工具。
解題提示
考題常把相近概念混在一起，先判斷輸入、輸出與風險。
例子
客戶名單不應直接貼到公開聊天工具。
模型上線後就結束了嗎？（第 3 輪複習）
不是。上線後要監控效能、資料漂移、成本與錯誤回報。
解題提示
考題常把相近概念混在一起，先判斷輸入、輸出與風險。
例子
使用者行為改變後，推薦模型可能需要更新。
去識別化等於完全匿名嗎？（第 3 輪複習）
不一定。去識別化降低識別風險，但仍可能被重新識別。
解題提示
考題常把相近概念混在一起，先判斷輸入、輸出與風險。
例子
郵遞區號、年齡和職業組合可能仍能縮小個人範圍。
為什麼需要人工覆核？（第 3 輪複習）
因為 AI 可能錯誤、偏見或缺乏脈絡，高風險場景需由人確認。
解題提示
考題常把相近概念混在一起，先判斷輸入、輸出與風險。
例子
醫療與金融決策通常需要人工覆核。
AI 導入第一步是選模型嗎？（第 3 輪複習）
不是。通常應先定義問題、目標、資料與成功指標。
解題提示
考題常把相近概念混在一起，先判斷輸入、輸出與風險。
例子
先確認客服等待時間是否真是要解決的痛點。
資料量越多越好嗎？（第 3 輪複習）
不一定。資料品質、代表性與相關性比單純數量更重要。
解題提示
考題常把相近概念混在一起，先判斷輸入、輸出與風險。
例子
過期或錯誤資料增加，可能反而降低模型表現。
Prompt 寫得好就不會錯嗎？（第 3 輪複習）
不會。Prompt 可改善輸出，但仍需驗證事實、來源與限制。
解題提示
考題常把相近概念混在一起，先判斷輸入、輸出與風險。
例子
重要報告應查證官方資料或原始文件。
RAG 的目的是什么？（第 3 輪複習）
先檢索資料再生成回答，讓答案更貼近指定知識來源。
解題提示
考題常把相近概念混在一起，先判斷輸入、輸出與風險。
例子
回答公司制度時，RAG 可先找制度文件再整理答案。
Accuracy 一定是最佳指標嗎？（第 3 輪複習）
不一定。資料不平衡或錯誤成本不同時，應看 precision、recall 或 F1。
解題提示
考題常把相近概念混在一起，先判斷輸入、輸出與風險。
例子
詐欺偵測若只看 accuracy，可能忽略少數詐欺案例。
什麼是過擬合？（第 3 輪複習）
模型在訓練資料表現很好，但在新資料表現變差。
解題提示
考題常把相近概念混在一起，先判斷輸入、輸出與風險。
例子
簡化模型或增加資料可降低過擬合。
監督式和非監督式學習差在哪裡？（第 3 輪複習）
監督式有標籤答案，非監督式沒有標籤答案。
解題提示
考題常把相近概念混在一起，先判斷輸入、輸出與風險。
例子
顧客分群通常是非監督式。
分類和迴歸差在哪裡？（第 3 輪複習）
分類輸出類別，迴歸輸出連續數值。
解題提示
考題常把相近概念混在一起，先判斷輸入、輸出與風險。
例子
預測是否流失是分類；預測下月銷售額是迴歸。
AI 專案成功只看模型分數嗎？（第 2 輪複習）
不是。還要看業務效益、流程整合、使用者接受度、風險與維運成本。
解題提示
複習時把關鍵詞遮住，試著自己說出差異。
例子
客服模型要看是否降低等待時間與提升滿意度。
模型越複雜越好嗎？（第 2 輪複習）
不一定。複雜模型可能提高成本、降低可解釋性並增加過擬合風險。
解題提示
複習時把關鍵詞遮住，試著自己說出差異。
例子
簡單決策樹有時比黑箱模型更適合需解釋的場景。
為什麼要做資料標註規範？（第 2 輪複習）
標註規範可提高一致性，避免模型學到混亂答案。
解題提示
複習時把關鍵詞遮住，試著自己說出差異。
例子
瑕疵邊界若沒定義，標註者可能判斷不一致。
什麼是資料漂移？（第 2 輪複習）
上線後新資料分布和訓練資料不同，導致模型表現下降。
解題提示
複習時把關鍵詞遮住，試著自己說出差異。
例子
疫情前後消費行為不同，需求預測模型可能失準。
資料偏誤只會影響準確率嗎？（第 2 輪複習）
不是，也會影響公平性、使用者信任與法律風險。
解題提示
複習時把關鍵詞遮住，試著自己說出差異。
例子
招募模型若偏好某族群，可能造成歧視風險。
AI 會完全取代人嗎？（第 2 輪複習）
多數導入目標是人機協作，自動化重複工作並輔助判斷。
解題提示
複習時把關鍵詞遮住，試著自己說出差異。
例子
AI 可整理資料，主管仍需做策略判斷。
雲端和邊緣部署怎麼選？（第 2 輪複習）
雲端適合集中運算與彈性擴充，邊緣適合低延遲與資料不易外傳場景。
解題提示
複習時把關鍵詞遮住，試著自己說出差異。
例子
即時工安偵測可能較適合邊緣部署。
可解釋性為何重要？（第 2 輪複習）
它幫助使用者理解模型依據，提升信任、稽核與申訴可能性。
解題提示
複習時把關鍵詞遮住，試著自己說出差異。
例子
授信模型若拒絕申請，應能說明主要影響因素。
生成式 AI 適合處理機密資料嗎？（第 2 輪複習）
未經安全與合約確認，不應把機密或個資輸入外部 AI 工具。
解題提示
複習時把關鍵詞遮住，試著自己說出差異。
例子
客戶名單不應直接貼到公開聊天工具。
模型上線後就結束了嗎？（第 2 輪複習）
不是。上線後要監控效能、資料漂移、成本與錯誤回報。
解題提示
複習時把關鍵詞遮住，試著自己說出差異。
例子
使用者行為改變後，推薦模型可能需要更新。
去識別化等於完全匿名嗎？（第 2 輪複習）
不一定。去識別化降低識別風險，但仍可能被重新識別。
解題提示
複習時把關鍵詞遮住，試著自己說出差異。
例子
郵遞區號、年齡和職業組合可能仍能縮小個人範圍。
為什麼需要人工覆核？（第 2 輪複習）
因為 AI 可能錯誤、偏見或缺乏脈絡，高風險場景需由人確認。
解題提示
複習時把關鍵詞遮住，試著自己說出差異。
例子
醫療與金融決策通常需要人工覆核。
AI 導入第一步是選模型嗎？（第 2 輪複習）
不是。通常應先定義問題、目標、資料與成功指標。
解題提示
複習時把關鍵詞遮住，試著自己說出差異。
例子
先確認客服等待時間是否真是要解決的痛點。
資料量越多越好嗎？（第 2 輪複習）
不一定。資料品質、代表性與相關性比單純數量更重要。
解題提示
複習時把關鍵詞遮住，試著自己說出差異。
例子
過期或錯誤資料增加，可能反而降低模型表現。
Prompt 寫得好就不會錯嗎？（第 2 輪複習）
不會。Prompt 可改善輸出，但仍需驗證事實、來源與限制。
解題提示
複習時把關鍵詞遮住，試著自己說出差異。
例子
重要報告應查證官方資料或原始文件。
RAG 的目的是什么？（第 2 輪複習）
先檢索資料再生成回答，讓答案更貼近指定知識來源。
解題提示
複習時把關鍵詞遮住，試著自己說出差異。
例子
回答公司制度時，RAG 可先找制度文件再整理答案。
Accuracy 一定是最佳指標嗎？（第 2 輪複習）
不一定。資料不平衡或錯誤成本不同時，應看 precision、recall 或 F1。
解題提示
複習時把關鍵詞遮住，試著自己說出差異。
例子
詐欺偵測若只看 accuracy，可能忽略少數詐欺案例。
什麼是過擬合？（第 2 輪複習）
模型在訓練資料表現很好，但在新資料表現變差。
解題提示
複習時把關鍵詞遮住，試著自己說出差異。
例子
簡化模型或增加資料可降低過擬合。
監督式和非監督式學習差在哪裡？（第 2 輪複習）
監督式有標籤答案，非監督式沒有標籤答案。
解題提示
複習時把關鍵詞遮住，試著自己說出差異。
例子
顧客分群通常是非監督式。
分類和迴歸差在哪裡？（第 2 輪複習）
分類輸出類別，迴歸輸出連續數值。
解題提示
複習時把關鍵詞遮住，試著自己說出差異。
例子
預測是否流失是分類；預測下月銷售額是迴歸。
AI 專案成功只看模型分數嗎？
不是。還要看業務效益、流程整合、使用者接受度、風險與維運成本。
解題提示
今天先抓定義，再想一個真實應用情境。
例子
客服模型要看是否降低等待時間與提升滿意度。
模型越複雜越好嗎？
不一定。複雜模型可能提高成本、降低可解釋性並增加過擬合風險。
解題提示
今天先抓定義，再想一個真實應用情境。
例子
簡單決策樹有時比黑箱模型更適合需解釋的場景。
為什麼要做資料標註規範？
標註規範可提高一致性，避免模型學到混亂答案。
解題提示
今天先抓定義，再想一個真實應用情境。
例子
瑕疵邊界若沒定義，標註者可能判斷不一致。
什麼是資料漂移？
上線後新資料分布和訓練資料不同，導致模型表現下降。
解題提示
今天先抓定義，再想一個真實應用情境。
例子
疫情前後消費行為不同，需求預測模型可能失準。
資料偏誤只會影響準確率嗎？
不是，也會影響公平性、使用者信任與法律風險。
解題提示
今天先抓定義，再想一個真實應用情境。
例子
招募模型若偏好某族群，可能造成歧視風險。
AI 會完全取代人嗎？
多數導入目標是人機協作，自動化重複工作並輔助判斷。
解題提示
今天先抓定義，再想一個真實應用情境。
例子
AI 可整理資料，主管仍需做策略判斷。
雲端和邊緣部署怎麼選？
雲端適合集中運算與彈性擴充，邊緣適合低延遲與資料不易外傳場景。
解題提示
今天先抓定義，再想一個真實應用情境。
例子
即時工安偵測可能較適合邊緣部署。
可解釋性為何重要？
它幫助使用者理解模型依據，提升信任、稽核與申訴可能性。
解題提示
今天先抓定義，再想一個真實應用情境。
例子
授信模型若拒絕申請，應能說明主要影響因素。
生成式 AI 適合處理機密資料嗎？
未經安全與合約確認，不應把機密或個資輸入外部 AI 工具。
解題提示
今天先抓定義，再想一個真實應用情境。
例子
客戶名單不應直接貼到公開聊天工具。
模型上線後就結束了嗎？
不是。上線後要監控效能、資料漂移、成本與錯誤回報。
解題提示
今天先抓定義，再想一個真實應用情境。
例子
使用者行為改變後，推薦模型可能需要更新。
去識別化等於完全匿名嗎？
不一定。去識別化降低識別風險，但仍可能被重新識別。
解題提示
今天先抓定義，再想一個真實應用情境。
例子
郵遞區號、年齡和職業組合可能仍能縮小個人範圍。
為什麼需要人工覆核？
因為 AI 可能錯誤、偏見或缺乏脈絡，高風險場景需由人確認。
解題提示
今天先抓定義，再想一個真實應用情境。
例子
醫療與金融決策通常需要人工覆核。
AI 導入第一步是選模型嗎？
不是。通常應先定義問題、目標、資料與成功指標。
解題提示
今天先抓定義，再想一個真實應用情境。
例子
先確認客服等待時間是否真是要解決的痛點。
資料量越多越好嗎？
不一定。資料品質、代表性與相關性比單純數量更重要。
解題提示
今天先抓定義，再想一個真實應用情境。
例子
過期或錯誤資料增加，可能反而降低模型表現。
Prompt 寫得好就不會錯嗎？
不會。Prompt 可改善輸出，但仍需驗證事實、來源與限制。
解題提示
今天先抓定義，再想一個真實應用情境。
例子
重要報告應查證官方資料或原始文件。
RAG 的目的是什么？
先檢索資料再生成回答，讓答案更貼近指定知識來源。
解題提示
今天先抓定義，再想一個真實應用情境。
例子
回答公司制度時，RAG 可先找制度文件再整理答案。
Accuracy 一定是最佳指標嗎？
不一定。資料不平衡或錯誤成本不同時，應看 precision、recall 或 F1。
解題提示
今天先抓定義，再想一個真實應用情境。
例子
詐欺偵測若只看 accuracy，可能忽略少數詐欺案例。
什麼是過擬合？
模型在訓練資料表現很好，但在新資料表現變差。
解題提示
今天先抓定義，再想一個真實應用情境。
例子
簡化模型或增加資料可降低過擬合。
監督式和非監督式學習差在哪裡？
監督式有標籤答案，非監督式沒有標籤答案。
解題提示
今天先抓定義，再想一個真實應用情境。
例子
顧客分群通常是非監督式。
分類和迴歸差在哪裡？
分類輸出類別，迴歸輸出連續數值。
解題提示
今天先抓定義，再想一個真實應用情境。
例子
預測是否流失是分類；預測下月銷售額是迴歸。