iPAS AI 應用規劃師中級跟初級差別？從 150 題考古題看穿出題思維

如果你考過初級，再打開中級考古題，第一個感覺通常不是「變難了」，而是「怎麼看不懂題目在問什麼」。

初級會直接問你：情感分析的主要目的是什麼？你只要知道「判斷文本的情感傾向」就能選對。中級也有這種定義題，但更常出現的是這種問法

例如中級會問：某電商平台導入情感分析模型後，發現不同語言和族群的評論判斷結果明顯不一致，部分語氣強烈的正面評論被誤判為負面。從技術與資料治理的角度，下列哪一項描述不正確？

同一個概念，初級多數時候測你「認不認得」，中級更常測你「會不會在情境裡判斷」。中級仍會出少量基礎定義題，但整體考法明顯偏向情境應用。

這篇不是教你「第一週讀什麼」，是幫你整理 114 年中級三科共 150 題公告試題，歸納出題者常見的出題策略，三科之間重疊的核心概念，以及如果你是出題老師，下次最可能怎麼出。

目標是讓你讀完這篇之後，看到任何一題中級考題，能在 10 秒內判斷「這題在用什麼策略考我」。

出題者的 5 種常見出題策略

150 題看起來很多，但114 年第二梯次中級公告試題可概括為 5 種常見出題策略，你不需要背 150 個答案，你需要看穿這些策略。

策略一：長得很像的東西，你分得清嗎

出題者最愛做的事，就是把兩三個容易搞混的概念放在同一題的選項裡。他不是在問你「知不知道 A」，他是在確認你腦中的 A 和 B 是分開放的，不是混在一起。

考古題裡有一題問 Word2Vec 和 GloVe 的差異。如果你只背了「都是詞向量」，四個選項你分不出來。

但如果你知道 Word2Vec 是預測式詞向量模型，包含 CBOW（用上下文預測中心詞）和 Skip-gram（用中心詞預測周圍詞）兩種架構；GloVe 則是基於全域共現統計的詞向量方法，答案就很明確。

另一題問自駕車影像辨識該用哪種分割技術，選項有語義分割、物件偵測、實例分割、全景分割。

它在測你能不能分清楚這四個層級：語義分割只管「每個像素是什麼類別」，實例分割進一步區分「同類的不同個體」，全景分割則是兩者結合。題目說要同時辨識類別又要區分個體，所以答案是全景分割。

還有一題直接要你比較 VAE、GAN、Diffusion Model 三個生成模型在多模態潛在空間對齊上的根本差異。如果你只知道「都是生成模型」，這題完全沒辦法答。

這種策略在三科都出現。科目二反覆考 Label Encoding、One-Hot Encoding、Target Encoding 的差異。科目三考 L1（Lasso）和 L2（Ridge）正則化的差別，還考 Grid Search 和 Random Search 各自的優勢。

出題者的意圖：他要確認你腦中每個概念都是「獨立的抽屜」，不是一鍋粥。初級可以一鍋粥混過去，中級不行。

你該怎麼準備：每次讀到一個新概念，立刻問自己「它跟什麼最像？差在哪裡？」。如果你說不出差異，就是還沒真的懂。

下次可能怎麼考：出題者還沒考過的易混淆組合很多。例如 Batch Normalization vs Layer Normalization、Adam vs AdaGrad vs RMSProp 的完整比較、SMOTE vs Random Oversampling 的副作用差異。

策略二：給你一個症狀，你能找到真正的病因嗎

出題者會描述一個「模型出事了」的場景，然後選項裡放三個看起來合理但不是根因的東西。這是中級最核心的題型。

最明顯的例子是 Data Drift（資料漂移）。這個概念在科目一出了三題，全部都是「模型上線後表現變差」的情境，只是換了不同產業：

• 電商場景：顧客流失預測模型上線數月後，準確率明顯下降。專案團隊懷疑顧客行為模式改變，輸入特徵分佈與訓練資料不同。
• 金融場景：深度學習分類器部署到金融風控系統後，分類錯誤率顯著上升，輸入資料分佈已與原訓練集明顯不同。
• 線上服務場景：即時預測顧客流失的模型，預測準確率逐漸下降，輸入資料的分佈與訓練資料相比出現顯著偏移。

三題的病因完全一樣：模型上線後，真實世界的資料分佈改變了，但模型還在用舊的訓練資料做判斷。出題者用三個不同產業包裝同一個概念，測你能不能看穿表面場景。

但選項的陷阱都不一樣。其中一題的干擾選項是「定期重新訓練模型」，聽起來合理，但題目問的是「怎麼偵測漂移」，不是「怎麼解決」。另一題的干擾是「改用邏輯迴歸提升穩定性」，那是換模型，不是解決分佈偏移。

科目三也有一題考類似的東西：工業設備故障預測模型部署後，隨著設備運行環境改變，原有驗證集已無法反映現況，預測準確率逐漸下降。答案是改用時間序列交叉驗證（Rolling Window），讓驗證資料跟著時間演進。

同一個「症狀找病因」策略，還出現在這些場景：

• 資料增強後模型效能反而下降 → 病因是增強後的資料分佈與原始不一致，破壞了語意。
• ARIMA 模型建完後，殘差呈現週期性波動且自相關顯著不為零 → 病因是模型欠擬合，沒捕捉到時間依賴性。
• 多任務學習中，一個任務的準確率提升，另一個任務反而下降 → 病因是 Loss Function 的權重沒平衡，任務間互相競爭。
• 迴歸模型的殘差圖出現系統性彎曲 → 病因是存在異常值（Outlier）或非線性關係，違反迴歸假設。
• 影像瑕疵檢測模型使用線性激活函數，訓練準確率長期停滯 → 病因是線性激活無法學習複雜特徵，要換 ReLU。
• 英文情感模型部署到西班牙文後 F1 驟降至 0.58 → 病因是語言轉移造成 Recall 下降，模型無法辨識關鍵情緒詞彙。

出題者的意圖：他測的是診斷能力。你能不能從「模型壞了」這個症狀，回推到底是資料問題、模型問題、部署問題、還是評估問題。在真實 AI 專案裡，這就是規劃師最核心的能力。

你該怎麼準備：每次讀到一個「模型出問題」的題目，先分類：這是資料問題（漂移、偏誤、不平衡）、模型問題（過擬合、欠擬合、架構不對）、評估問題（指標選錯、驗證方法不對）、還是部署問題（環境差異、版本管理）。分類對了，答案範圍就縮小 75%。

下次可能怎麼考：「模型上線後出問題」這個母題還有很多變體沒考過。例如：Concept Drift 與 Data Drift 的獨立辨別（Concept Drift 已在監測題的選項中出現，但尚未被獨立考定義差異）、模型在 A/B 測試裡表現好但全量部署後變差（選擇偏差）、模型預測速度隨時間變慢（不是 Data Drift，是系統層問題）。

策略三：這個工具該用在什麼時候

給你一個企業場景，測你能不能選出正確的技術，這種題目的關鍵不是你認不認得那個技術名詞，而是你有沒有辦法從需求反推工具。

有一題問哪種情境最適合用 Seq2Seq 模型，選項有銷售預測、命名實體辨識、關鍵字頻率統計、自動翻譯或摘要。

關鍵判斷是：Seq2Seq 的本質是「一段序列進去，另一段序列出來」，翻譯和摘要正好是這個模式。

銷售預測是數值預測，命名實體辨識是序列標註，關鍵字統計根本不需要模型。

另一題描述媒體公司要用文字提示找圖片，而且不想標新資料，問關鍵技術特性是什麼。答案是 CLIP 的對比學習：把圖文映射到共同嵌入空間，所以能做零樣本分類。如果你不知道 CLIP 是什麼，但知道「零樣本 + 文字找圖 = 需要圖文共同空間」，也能選對。

科目二有一題問哪種情境最適合用異常偵測技術，選項有庫存預測、信用風險評估、金融可疑交易監控、登入量趨勢預測。關鍵是異常偵測的定義：找出跟正常模式「明顯不同」的資料點。金融可疑交易正好符合。其他選項都是預測任務，不是偵測異常。

科目三有一題問 AutoML 最適合哪種情境。在這題的四個選項中，AutoML 最適合的是缺乏專職工程師、時間有限、需要快速比較多種模型的情境。已有成熟 MLOps 團隊或需要高度客製化的金融模型，並非完全不能用 AutoML，而是相較之下不是這題的最佳答案。

出題者的意圖：他要你證明你不是只會背工具名稱，而是理解每個工具「解決什麼問題」和「在什麼條件下適用」。

你該怎麼準備：讀每個技術時，寫下三件事：它解決什麼問題、它的輸入和輸出是什麼、什麼時候不該用它。「不該用」比「該用」更重要，因為干擾選項通常是「看起來相關但不適合」的工具。

下次可能怎麼考：出題者可能會考更細的情境配對。例如：什麼時候該用 LoRA 微調而不是全量微調、什麼時候該用 Knowledge Distillation 而不是直接部署大模型、什麼時候該用 RAG 而不是直接微調。

策略四：AI 專案流程的角色分工

中級有一批題目不是考技術本身，而是考你知不知道 AI 專案裡每個環節「誰負責什麼」。

有一題問 Kubernetes 在 AI 模型部署中的核心功能。答案是管理和協調模型服務的部署、擴展與運行環境。如果你選了「自動化管理訓練流程」或「版本控管」，那就是搞混了 Kubernetes（部署管理）跟 Model Registry（版本管理）或 MLflow（實驗管理）的角色。

緊接著有一題問 Model Registry 用於 MLOps 的哪個階段，答案是集中管理模型版本、訓練紀錄與部署狀態。還有一題問 CI（持續整合）的核心實踐，答案是每次程式碼提交後自動觸發建置與測試。另一題問金融監管的不可否認性（Non-repudiation）怎麼落實，答案是 Hash + 數位簽章。

有一題描述醫院要導入 AI 輔助診斷系統，問漸進式部署策略怎麼選。答案是從單一專科開始逐步擴展。選項裡的「先部署在急診」「只在夜班啟用」「全院同步用提示模式」都聽起來合理，但漸進式部署的核心精神是從小範圍開始、收集回饋、確認安全後再擴展，不是一口氣全院上線。

出題者的意圖：中級的目標是培養「能跟工程師和主管一起討論 AI 專案」的人。所以你要知道專案裡的每個角色（部署、版本管理、監控、CI/CD、治理）各自負責什麼，不能全部混在一起。

你該怎麼準備：畫一張 AI 專案流程圖：資料收集 → 資料處理 → 特徵工程 → 模型訓練 → 模型評估 → 部署 → 監控 → 更新。每個環節標上對應的工具和角色。考題裡的每個選項，你都要能對應到流程圖上的正確位置。

下次可能怎麼考：Feature Store、Data Versioning（DVC）、Model Monitoring Dashboard、A/B Testing 在部署後的角色，這些都是 MLOps 流程中還沒被考到的環節。

策略五：干擾選項的固定騙術

出題者設計錯誤選項有固定套路，一旦你知道這些套路，就能快速排除：

層級搞錯：有一題問怎麼防禦對抗攻擊（adversarial attack），有個選項是「強化網路防火牆」。防火牆是網路安全層的東西，對抗攻擊是模型層的問題，層級完全不對。科目三有一題問防止過擬合的策略，有個選項是「擴增輸入特徵變數以提升模型表達能力」。增加特徵是增加複雜度，跟防止過擬合方向相反。

治標當治本：前面提到的 Data Drift 題目，有個選項是「定期重新訓練模型」。重新訓練是治標（等問題發生後才修），漂移偵測是監控與預警，重新訓練是可能的處置之一；實務上要先判斷漂移類型，再決定重訓、重新取樣或調整資料流程（在問題擴大前就發現）。

正確名詞但錯誤用途：有一題問資料有極端值時該用什麼標準化方法。Min-Max Scaling 和 Z-score 都是正確的標準化方法，但它們都容易被極端值拉偏。Robust Scaling 用中位數和四分位距，才是對極端值穩健的做法。

因果方向反了：科目三有一題描述深度神經網路訓練時收斂速度不穩定，問該調什麼超參數。選項有 Loss Function 的梯度值、每個神經元輸出、權重值。但收斂速度不穩定的直接控制項是學習率（Learning Rate），不是間接的梯度或權重。

你該怎麼準備：做題時不要只看「哪個是對的」，要同時看「其他三個為什麼是錯的」。每個錯誤選項都有一個出錯模式（層級錯、治標、名詞對但用途錯、因果反了），你要能說出它錯在哪。

三科考的其實是同一批概念

很多人以為三科完全獨立，其實不是。

出題者在三科裡反覆考同一批概念，只是角度不同，搞懂一個概念，可能同時解決三科的題目。

跨科概念	科目一	科目二	科目三	合計
過擬合與正則化	3 題	1 題	5 題	9 題
不平衡資料與評估指標	2 題	3 題	3 題	8 題
交叉驗證	2 題	2 題	3 題	7 題
隱私加密與治理	3 題	3 題	2 題	8 題
Data Drift 與模型監控	3 題	0 題	1 題	4 題
PCA 與降維	2 題	1 題	2 題	5 題
DBSCAN	2 題	1 題	1 題	4 題

這代表什麼？如果你真的搞懂「過擬合」這個概念，包含它的成因、症狀、解法、跟欠擬合的差別、跟 Data Drift 的差別，你就同時解決了三科裡至少 9 題。

如果你搞懂「不平衡資料」，包含為什麼不能只看 Accuracy、SMOTE 和 Random Oversampling 的差異、分層交叉驗證的原理，你又解決了 8 題。

150 題看起來很多，但背後可能只有 20 幾個核心概念。

怎麼準備才有用

不是給你「每週讀什麼」的時間表，是告訴你讀考古題時，應該怎麼讀才有效。

第一步：讀一題就問三個問題

每讀完一題，不要急著看下一題，先問自己：

1. 這題用的是哪一種出題策略？（長得像要你分辨？給症狀找病因？工具配情境？流程角色？）
2. 它背後真正要測的概念是什麼？（不是題目表面的場景，是底層的概念。）
3. 其他三個錯誤選項各錯在哪裡？（層級搞錯？治標？名詞對用途錯？）

如果你能回答這三個問題，這題你就真的搞懂了，不只是記住答案。

第二步：跨題歸納，建立概念卡

讀完一科 50 題後，把考同一個概念的題目放在一起，例如：

概念卡範例：過擬合

• 科目一有一題問超參數調校時怎麼避免過度調參 → 用 Cross-Validation，不要在測試集上反覆調
• 科目一有一題問在交叉驗證資料上同時調參和評估會怎樣 → 造成 Data Leakage，結果過度樂觀
• 科目三有一題問 L1 正則化（Lasso）的主要效果 → 產生稀疏模型，讓部分參數歸零
• 科目三有一題問「哪個不是防過擬合的策略」 → 擴增特徵（那是增加複雜度，方向反了）
• 科目三有一題問 Early Stopping 怎麼設定 → 設 Patience，連續多輪未改善後再停

這樣一張概念卡，你一眼就能看到出題者從哪些角度考過「過擬合」，下次再出，你就知道它可能從哪個角度切入。

第三步：預判下一題

建完概念卡後，問自己：如果我是出題老師，同一個概念我還可以怎麼考？

例如 DBSCAN 已經考過超參數（Epsilon + MinPts）、高維資料效能問題（需要用 KD-Tree / Ball Tree 加速）、雜訊點的定義。那下次可能考什麼？可能考 DBSCAN 跟 K-means 的比較（不需要預設群數 vs 需要）、DBSCAN 在密度不均勻資料上的限制、或者 HDBSCAN。

這個練習的目的不是猜題，而是讓你站在出題者的高度理解概念，當你能從出題者的角度思考，你就不會被題目的表面包裝騙到。

如果我是出題者，下次會怎麼考

基於 150 題的出題模式，以下是出題者很可能但還沒考過的方向：

Concept Drift vs Data Drift：Data Drift 已經考了 4 題，其中一題的正確選項已包含 Concept Drift。但目前還沒有獨立考「Concept Drift 和 Data Drift 的定義差異」。例如：輸入特徵看起來相近，但同樣特徵對應到的結果或決策邊界改變了。例如相同消費頻率、金額與通路，在疫情前後可能代表不同的流失風險或購買意圖。

可解釋性（Explainability）的實作：考古題有問過哪種情境需要可解釋性（答案是醫療診斷），但沒考 SHAP、LIME 這些具體工具。下次很可能考「以下哪種方法最適合解釋某模型的預測」。

生成式 AI 的治理陷阱：考古題考過著作權和隱私問題，但 Hallucination（幻覺）、Prompt Injection、生成內容的可追溯性、AI 生成內容的標示義務，這些都還沒考。

Transformer 架構的細節比較：考古題考了 BERT 的 MLM 訓練策略，但 Encoder-only（BERT）、Decoder-only（GPT）、Encoder-Decoder（T5）三種架構各自適合什麼任務，還沒系統性地比較過。

聯邦學習（Federated Learning）：隱私加密已經考了 8 題，同態加密跨科出現 3 次。但聯邦學習（模型到資料端訓練、資料不出門）還沒考，很適合搭配醫療或金融情境出題。

總結：iPAS AI 應用規劃師中級備考技巧

中級考試不是初級加深版，它是一個完全不同的考法，測的是判斷力而不是記憶力。

150 題背後只有 5 種出題策略和大約 20 幾個核心概念，如果你用「背 150 個答案」的方式準備，下次換個場景你就不會了，但如果你搞懂這 20 幾個概念，不管題目怎麼包裝你都能看穿。

接下來三篇會分別深入科目一（AI 技術應用與規劃）、科目二（大數據處理分析與應用）、科目三（機器學習技術與應用），用概念卡的方式把每科的核心概念拆開講清楚。

推薦閱讀

• iPAS AI 應用規劃師是什麼？台灣唯一官方 AI 證照完整攻略
• iPAS 初級 AI 應用規劃師考前重點！分析 115 年考古題趨勢
• iPAS AI 應用規劃師中級科目一：人工智慧技術應用與規劃 7 大核心命題
• iPAS AI 應用規劃師中級科目二：大數據處理分析與應用 6 大核心命題
• iPAS AI 應用規劃師中級科目三：機器學習技術與應用 6 大核心命題

參考資料

• iPAS AI 應用規劃師能力鑑定官方頁
• 科技翰林院：iPAS AI 應用規劃師是什麼？

FAQ