中級iPAS AI 應用規劃師科目三模擬試題（2）
三句話摘要
針對 iPath AI 規劃師認證考試，系統性拆解 20 個高頻核心考點，從數學基礎到 AI 治理風險建立完整知識體系。 AI 規劃師的核心競爭力不在記住定義，而在理解每個設計決策背後的「為什麼」，以及當模型上線後如何持續守護它的可靠性與安全性。 數學原理決定策略思維底層：貝氏定理讓模型能根據新行為動態更新預測；蒙地卡羅透過大量隨機模擬量化不確定風險；PCA 則以保留 80–90% 變異量為目標做維度精簡，三者分別對應不同類型的規劃場景。
重點整理
重點- 1
數學原理決定策略思維底層：貝氏定理讓模型能根據新行為動態更新預測；蒙地卡羅透過大量隨機模擬量化不確定風險；PCA 則以保留 80–90% 變異量為目標做維度精簡，三者分別對應不同類型的規劃場景。
- 2
VGG16 的一個易錯考點：參數量最多的是全連接層，但計算量（FLOPs）最大的反而是卷積層；MSE 的平方設計讓大誤差受到更重懲罰，兩者的差異在考題中反覆出現。
- 3
AutoML 是資源受限場景的戰略解：當團隊無資料科學家且時程緊迫時，AutoML 可自動完成特徵處理、模型挑選、超參數優化，快速產出可用模型，而非慢慢試驗。
- 4
AI 治理不是上線後的選項，而是前提：對抗性攻擊可讓 98% 信心辨識「貓」的模型，在疊加人眼不可見雜訊後，以 95% 信心誤判為「烤麵包機」；此外概念飄移（如央行升息後的房價模型失效）是更難防範的長期風險。
實用技巧與重點
乾貨- 工具 / 模型名稱：Adam 優化器、ReLU 激活函數、Transformer（多頭注意力機制）、VGG16、AutoML、PCA
- 關鍵程式碼：`param.requires_grad = False`（凍結遷移學習的預訓練層）
- 具體數字：PCA 目標保留 80–90% 變異量；對抗性攻擊範例：原模型 98% 辨識貓 → 攻擊後 95% 誤判為烤麵包機
- VGG16 考點：參數量最多 = 全連接層；計算量最大 = 卷積層
- 診斷工具：殘差圖（迴歸模型診斷，香蕉形 = 線性模型不足）、Stratified K-Fold（類別不均衡時的交叉驗證）
- 安全技術：差分隱私（查詢加入設計雜訊保護個資）、單向雜湊函數（驗證資料完整性，非加密）
- 兩大模型衰退原因：取樣偏差（訓練資料有系統性缺陷）、概念飄移（現實規則改變導致舊模型失準）
- 特徵工程技巧：互動特徵（兩變數相乘創造交叉項，捕捉 1+1>2 的組合效應）
- 時間複雜度警示：O(n²) 場景——每位用戶與所有其他用戶比對，規模翻倍則等待時間變四倍
結論
結論“AI 規劃師的核心競爭力不在記住定義，而在理解每個設計決策背後的「為什麼」，以及當模型上線後如何持續守護它的可靠性與安全性。”
完整解析
詳細這支影片以 iPath AI 規劃師認證考試為核心，系統性整理 20 個高頻考點，並將內容劃分為四個學習階段：數學基礎、模型引擎、實作挑戰、治理與風險。影片的核心主張是：考試真正拉開差距的不是記住定義，而是理解「為什麼這樣設計」。
第一階段從數學基礎切入。貝氏定理被描述為一套動態更新信念的框架，類比偵探隨新證據持續調整嫌疑人可能性，應用到商業場景就是模型根據用戶最新行為即時調整預測。蒙地卡羅方法則是面對供應鏈中斷等不確定場景時的模擬工具，透過大量隨機模擬覆蓋多種可能結果。PCA 扮演「精明編輯」角色，在高維資料中保留能解釋 80–90% 全貌的主成分並去除雜訊。時間複雜度 O(n²) 的警示則點出：系統規模翻倍，等待時間可能變四倍，這在大規模用戶比對場景中是災難性的。
第二階段聚焦深度學習的核心元件。Adam 優化器以「頂規全地形越野車」作比喻：它能根據梯度自動調整學習率，同時帶有動量機制，讓優化器有機會衝出局部極小值，因此成為最穩定的優化器之一。ReLU 激活函數賦予神經元「轉彎能力」（非線性），是深度學習能擬合複雜模式的根本原因。Transformer 的多頭注意力機制讓模型同時從多個角度解讀語句上下文。考試易錯點特別強調：VGG16 中參數最多是全連接層，但計算量（FLOPs）最大是卷積層；MSE 因平方設計對大誤差懲罰更重，這是它與 MAE 的本質差異。
第三階段進入實務操作。互動特徵工程示範了將「商品價格」與「顧客滿意度」相乘後，意外發現「低價高滿意度」組合才是銷量關鍵，展示特徵組合可捕捉線性模型看不見的非線性效應。在資源受限、無資料科學家的情境下，AutoML 被定位為戰略工具，可自動完成特徵處理到超參數優化的完整流程。遷移學習部分以 VGG16 為例，用 `param.requires_grad = False` 凍結前段已學會辨識邊緣與紋理的基礎層，僅微調最後幾層以適應特定任務，兼顧效率與效果。診斷工具方面，殘差圖呈現香蕉或彩虹形代表線性模型欠擬合；類別不均衡時應改用 Stratified K-Fold，確保每次切分維持各類別比例，避免準確度評估失真。
最後一階段談 AI 治理。模型上線後的兩大衰退殺手——取樣偏差（訓練資料本身有系統性缺陷，如信貸模型只用男性資料）和概念飄移（現實規則改變使舊模型失效，如央行升息後房價模型的預測邏輯整個崩潰）——強調模型維護是持續性工作。對抗性攻擊的具體案例則直接點出 AI 安全的脆弱性：疊加人眼不可見的微小雜訊，就能讓高信心模型完全誤判。防護技術上，差分隱私透過在查詢結果加入設計過的雜訊保護個人隱私，單向雜湊函數則用於驗證資料完整性而非加密。影片以「規劃師的長期責任」作結：準確率之外，穩健性、安全性與可信賴性才是 AI 系統真正的長期價值。
關鍵時刻
Pipeline v2帶時間戳的重點，會在逐字稿層級分析上線後產生。目前請先透過原始影片觀看。
事實查核
Pipeline v2說法查證是下一次管線升級的一部分。KeyFrame 只會顯示它真正能驗證的內容。
