# L21302 AI 技術系統集成與部署 — 模擬試題 30 題

> 題型：四選一單選題（iPAS AI 規劃師中級 標準題型）
> 教材來源：`chunks/L21302.txt`（每題解析末標 chunks 行號）
> 視覺輔助：`output4/L21302_AI技術系統集成與部署/images/` 投影片
> 命題原則：用易混淆概念設計干擾項（同類項換位、屬性錯配、定義 partial swap）

---

## 第一部分｜前言與章節導覽（Q1）

### Q1
下列關於 AI 模型「部署」的核心觀念，何者**最正確**？
- (A) 模型部署 = 將模型上線推論，至此專案即告完成
- (B) 模型部署是一套涵蓋開發、測試、部署、監控、回訓與優化的完整技術流程，因 AI 系統具動態性與資料敏感性
- (C) AI 系統部署與傳統 IT 系統部署完全相同，無特殊需求
- (D) AI 模型一旦部署便永久有效，不會隨資料變化而效能衰退

**答案：(B)**
解析：教材明示「AI 模型的『部署』不單是模型上線，而是一套涵蓋開發、測試、部署、監控、回訓與優化的完整技術流程」。AI 部署複雜性來自動態性與資料敏感性。（chunks line 11）

---

## 第二部分｜系統集成（Q2–Q8）

### Q2
下列關於「資料管線（Data Pipeline）」的敘述，何者**正確**？
- (A) 僅負責資料儲存
- (B) 涵蓋資料擷取、格式轉換、清理與入庫流程，確保資料能持續、穩定地流入模型運行流程
- (C) 是模型訓練的別名
- (D) 只能處理結構化資料

**答案：(B)**
解析：現代 AI 系統須從 Data Warehouse、Data Lake、IoT、第三方 API 等多源取得資料，Data Pipeline = 擷取 → 格式轉換 → 清理 → 入庫 的完整流程。（chunks line 19–21）

---

### Q3
某 CRM 系統可自動根據模型推薦寄送促銷信件，ERP 根據需求預測動態調整採購。這屬於系統集成的哪一面向？
- (A) 資料來源與資料管線整合
- (B) 企業內部系統整合
- (C) 安全與權限控管
- (D) 跨雲與異質系統整合

**答案：(B)**
解析：將 AI 模型輸出整合回 ERP / CRM / POS / MES 等核心系統 = 企業內部系統整合。教材原型案例。（chunks line 23–25）

---

### Q4
下列關於「API 與平台接軌」的常見實作方式，何者**並非**教材所列？
- (A) RESTful API
- (B) gRPC
- (C) Webhooks
- (D) Docker

**答案：(D)**
解析：Docker 是**容器化工具**，不是 API 接軌方式。教材列出的 API 接軌方式 = RESTful API（最常見）/ gRPC / Webhooks，依效能與雙向通訊需求選擇。（chunks line 27–29）

---

### Q5
下列關於 AI 系統「安全與權限控管」措施的敘述，何者**錯誤**？
- (A) 使用 OAuth2 或 JWT（JSON Web Token）進行用戶身份驗證與授權
- (B) 對不同角色設定不同的存取權限
- (C) 實作 API Gateways 進行存取日誌記錄與流量控管
- (D) 為提升效能應移除所有身份驗證機制

**答案：(D)**
解析：移除驗證機制將造成嚴重安全風險，特別在處理個資、商業機密或金融應用時。教材所列三項安全措施 = OAuth2/JWT + 角色權限 + API Gateways。（chunks line 31–39）

---

### Q6
下列關於「跨雲與異質系統整合」的設計原則，何者**正確**？
- (A) AI 模型必須完全部署在單一雲端供應商以避免複雜度
- (B) 為確保資料一致性與服務連續性，需設計中介整合層或服務中樞（如 Service Mesh），統一管理資料同步、服務調用與狀態追蹤，並避免平台間的資訊孤島
- (C) 不允許部分訓練在地端、部分推論在雲端
- (D) 跨平台整合僅適用於小型新創團隊

**答案：(B)**
解析：實務 AI 部署常跨本地、邊緣、雲端 — Service Mesh 等中介層解決資料同步、服務調用、避免資訊孤島問題。（chunks line 41–43）

---

### Q7
下列何種資料儲存設施屬於「大規模非結構資料」存放的代表？
- (A) 資料倉儲（Data Warehouse）
- (B) 資料湖（Data Lake）
- (C) ERP 主檔
- (D) CRM 顧客紀錄

**答案：(B)**
解析：Data Warehouse 偏向結構化分析；Data Lake = 大規模非結構資料；ERP/CRM 是結構化業務系統。（chunks line 19）

---

### Q8
JWT（JSON Web Token）在 AI 系統中的主要用途為何？
- (A) 容器編排
- (B) 用戶身份驗證與授權（Authentication & Authorization）
- (C) 模型版本控制
- (D) 異常值偵測

**答案：(B)**
解析：JWT 與 OAuth2 並列為 AI 系統的身份驗證授權標準方案。常見干擾把 JWT 誤對到容器或模型管理。（chunks line 35）

---

## 第三部分｜系統架構設計（Q9–Q13）

### Q9
下列關於「微服務架構（Microservices Architecture）」的優點，何者**錯誤**？
- (A) 易於隔離錯誤（單一模組失效不影響全系統）
- (B) 適合跨團隊並行開發
- (C) 可依模組需求彈性調整資源
- (D) 分散式管理複雜度低，無需設計標準 API

**答案：(D)**
解析：微服務挑戰 = 模組間介接需設計標準 API + 分散式管理複雜度**高**。常見干擾把微服務挑戰當作優點。（chunks line 53–65）

---

### Q10
下列關於「容器化與編排（Containerization and Orchestration）」工具對應，何者**正確**？
- (A) Docker → 容器編排、資源調度、故障恢復
- (B) Kubernetes → 容器映像建構與執行
- (C) Docker → 容器映像建構與執行；Kubernetes → 容器編排、資源調度、故障恢復
- (D) 兩者功能完全相同可互換

**答案：(C)**
解析：Docker = 容器化（映像建構執行）；Kubernetes（K8s）= 容器**編排**（多容器調度、故障恢復）。常見干擾項把兩者功能對調。（chunks line 71–75）

---

### Q11
下列何者**並非**教材所列容器化「常見實作原則」？
- (A) 滾動更新（Rolling Update）：不中斷服務地更新容器版本
- (B) 自動擴縮（Autoscaling）：根據流量自動調整容器數量
- (C) 負載平衡（Load Balancing）：確保多個推論節點分擔請求壓力
- (D) 模型參數壓縮（Model Quantization）

**答案：(D)**
解析：模型參數壓縮屬模型優化技術，**不是**容器化實作原則。教材列出三項 = Rolling Update / Autoscaling / Load Balancing。（chunks line 79–83）

---

### Q12
下列關於「模型服務化與 API 封裝」常用工具的敘述，何者**正確**？
- (A) Flask、FastAPI、TensorFlow Serving 都是常見的模型推論服務封裝工具
- (B) 只能使用 Flask
- (C) TensorFlow Serving 是容器編排工具
- (D) FastAPI 只能用於前端開發

**答案：(A)**
解析：教材列出 Flask、FastAPI、TensorFlow Serving 為模型 HTTP/REST 推論服務的封裝工具。常見干擾把 FastAPI 與其他類型工具對調。（chunks line 87）

---

### Q13
下列關於「冗餘部署（Redundancy）」與「容錯切換（Failover）」的差異，何者**正確**？
- (A) 兩者意義相同
- (B) 冗餘部署 = 多節點部署避免單點故障；容錯切換 = 一個節點故障時自動切換至備援節點
- (C) 冗餘部署 = 容器自動擴縮；容錯切換 = 滾動更新
- (D) 容錯切換只用於開發環境

**答案：(B)**
解析：Redundancy = **預備多節點**；Failover = **故障時自動切換** — 兩者搭配組成高可用設計，常被混淆。（chunks line 99–101）

---

## 第四部分｜部署模式（Q14–Q19）

### Q14
下列關於「公有雲部署（Public Cloud）」的敘述，何者**錯誤**？
- (A) 由雲端服務供應商提供基礎設施與運算平台，如 AWS、Microsoft Azure、Google Cloud Platform（GCP）
- (B) 優勢包括資源彈性擴充、部署速度快、按量付費
- (C) 對處理敏感資料的應用，需特別關注法規遵循（如 GDPR）、資料主權與供應商鎖定風險
- (D) 完全沒有任何資料安全與合規風險，可放心處理任何敏感資料

**答案：(D)**
解析：公有雲對敏感資料**有風險**（GDPR / 資料主權 / vendor lock-in），這是教材明示的挑戰。常見干擾忽略此風險。（chunks line 109–115）

---

### Q15
某政府機關處理民眾敏感個資，對資料保護要求嚴格，希望資料僅在內部可控環境不外流。最適合的部署模式為？
- (A) 公有雲部署（Public Cloud）
- (B) 私有雲部署（Private Cloud）
- (C) 邊緣運算（Edge Computing）
- (D) 完全不部署任何 AI 系統

**答案：(B)**
解析：私有雲 = 企業自建專屬雲端，資安風險可控、資料不外流，適用政府、金融、醫療等嚴格法規領域。（chunks line 117–125）

---

### Q16
下列關於「邊緣運算（Edge Computing）」的優勢，何者**並非**教材所列？
- (A) 即時反應、降低傳輸延遲
- (B) 提升隱私保護（資料不需上傳雲端）
- (C) 適用於工業設備監控、智慧城市、車聯網等情境
- (D) 提供全球節點支援與無限制的運算資源

**答案：(D)**
解析：「全球節點支援」是公有雲優勢；邊緣運算**挑戰** = 運算資源有限。常見干擾把公有雲優勢塞給邊緣運算。（chunks line 129–137）

---

### Q17
下列關於「混合部署（Hybrid Deployment）」的特性，何者**最正確**？
- (A) 只能結合公有雲與私有雲，無法納入邊緣
- (B) 結合公有雲、私有雲與邊緣架構，針對不同任務配置最合適的執行位置，例如雲端進行模型訓練、邊緣進行即時推論
- (C) 比單一雲端部署更簡單，不需特別整合設計
- (D) 不適用於 AI 系統，只用於傳統 IT

**答案：(B)**
解析：Hybrid 核心 = 雲端 + 私有雲 + 邊緣多元組合；典型範例 = 雲端訓練 + 邊緣推論。挑戰 = 系統整合難度高 + 同步機制設計。（chunks line 139–147）

---

### Q18
下列何者**最符合**邊緣運算的典型應用情境？
- (A) 跨地區大型 GPU 訓練叢集
- (B) 工業設備監控、智慧城市、車聯網、邊緣 AI 智慧應用
- (C) 集中式資料倉儲分析
- (D) 雲端 BI 報表展示

**答案：(B)**
解析：邊緣運算用於資料來源端裝置（IoT、手機、車載）做即時推論。教材所列適用情境。（chunks line 135）

---

### Q19
下列關於四種部署模式適用情境的對應，何者**錯誤**？
- (A) 公有雲：新創團隊、中大型企業 AI 專案、跨地區部署
- (B) 私有雲：政府、金融、醫療等資料保護要求嚴格的領域
- (C) 邊緣運算：工業設備監控、智慧城市、車聯網
- (D) 混合部署：只適用於小型試驗性專案，無法支援大規模生產

**答案：(D)**
解析：Hybrid 反而**因彈性高**適合多元情境，常用於大型企業實務部署（如訓練在雲端、推論在邊緣）。常見干擾誤導其適用範疇。（chunks line 109–147）

---

## 第五部分｜MLOps 與持續維運（Q20–Q25）

### Q20
下列關於 MLOps 的核心定義，何者**最正確**？
- (A) MLOps 是 DevOps 的對立概念，兩者不相容
- (B) MLOps 是 DevOps 在 AI 領域的延伸，強調將模型訓練、測試、部署與監控進行持續整合與自動化，確保模型在全生命週期中的一致性、效率與可追蹤性
- (C) MLOps 只負責模型訓練階段的自動化
- (D) MLOps 不需要監控機制

**答案：(B)**
解析：MLOps = DevOps × ML 全生命周期整合 — 涵蓋訓練/測試/部署/監控。常見干擾窄化其範疇。（chunks line 153）

---

### Q21
下列關於「持續整合（CI, Continuous Integration）」與「持續部署（CD, Continuous Deployment）」的內容對應，何者**錯誤**？
- (A) CI：原始碼與資料變動即觸發模型訓練與測試流程
- (B) CI：整合單元測試、模型準確率驗證與效能基準比較
- (C) CD：通過測試門檻的模型，自動部署至測試或生產環境
- (D) CD：原始碼變動觸發訓練流程

**答案：(D)**
解析：(D) 描述的是 CI 的觸發機制，不是 CD。CD = 通過測試後**自動部署**並支援 A/B 測試或藍綠部署。（chunks line 161–171）

---

### Q22
下列關於「模型版本控管（Model Versioning）」工具的對應，何者**正確**？
- (A) MLflow → 容器編排工具
- (B) DVC（Data Version Control）→ 模型推論服務封裝
- (C) MLflow 是開源平台用於管理機器學習全流程；DVC 是版本控制工具專為 ML 項目設計，支援資料集與模型的版本追蹤與再現性
- (D) MLflow 與 DVC 都是雲端部署平台

**答案：(C)**
解析：MLflow = ML 全流程管理（實驗記錄/訓練/部署/版本）；DVC = 資料與模型版本控制專用。常見干擾把兩者用途錯配到容器或推論工具。（chunks line 175–179）

---

### Q23
下列關於「藍綠部署（Blue-Green Deployment）」與「金絲雀部署（Canary Deployment）」的敘述，何者**正確**？
- (A) 兩者都是 MLOps 中支援風險控制的部署策略
- (B) 藍綠部署需要關閉整個服務後才能更新
- (C) 金絲雀部署是非自動化、需手動操作
- (D) 兩者都會中斷服務

**答案：(A)**
解析：兩者皆用於 CD 中**降低新模型不穩定風險**的部署策略：藍綠 = 同時保留新舊兩版本切換；金絲雀 = 小流量先試水溫。教材於 CD 與成效追蹤章節均提及。（chunks line 171、241）

---

### Q24
下列何者**並非**教材所列 MLOps 模型監控的常見監控項目？
- (A) 模型漂移（Model Drift）
- (B) 資料漂移（Data Drift）
- (C) 錯誤率、延遲、吞吐量等效能指標
- (D) 開發人員員工滿意度

**答案：(D)**
解析：員工滿意度為人資 / 組織指標，**不是** MLOps 監控項目。教材所列 = Model Drift / Data Drift / 錯誤率 / 延遲 / 吞吐量。（chunks line 185–191）

---

### Q25
下列關於 MLOps「回饋與自動修正流程」的敘述，何者**錯誤**？
- (A) 設定觸發門檻（如準確率下降 5%）
- (B) 啟動再訓練流程（Retraining Pipeline）
- (C) 透過熱更新（Hot Swap）或滾動更新（Rolling Update）替換模型版本
- (D) 整合 Prometheus + Grafana 後即可完全省略自動再訓練流程

**答案：(D)**
解析：Prometheus + Grafana 是可視化與預警工具，**不能取代**再訓練流程；兩者搭配使用。常見干擾項。（chunks line 193–205）

---

## 第六部分｜成效追蹤、優化與跨部門整合（Q26–Q30）

### Q26
下列關於 AI 系統 KPI 三層級設計的對應，何者**正確**？
- (A) 系統層級：推論延遲、吞吐量、服務可用率、資源使用率
- (B) 應用層級：投資報酬率 ROI、轉換率、成本節省
- (C) 業務層級：F1-Score、Accuracy、預測準確率
- (D) 三層級指標完全相同無需區分

**答案：(A)**
解析：教材三層級 = 系統層（延遲/吞吐/Uptime/GPU 用量）、應用層（CTR/Accuracy/F1）、業務層（ROI/轉換率/客戶留存）。常見干擾把三層指標對調。（chunks line 215–221）

---

### Q27
下列關於「資料與績效回收週期（Feedback Loop）」的設計，何者**最符合**教材建議？
- (A) 每日監控推論效能與使用情況；每週收集錯誤樣本與業務回饋；每月進行一次模型重新評估或 retraining 需求確認
- (B) 一年回收一次足矣
- (C) 完全不需要回收週期
- (D) 只在模型出現重大故障時才回收

**答案：(A)**
解析：教材建議的回收週期 = 每日（效能）+ 每週（錯誤樣本）+ 每月（重評估）多層次節奏。常見干擾把週期拉到極端。（chunks line 225–231）

---

### Q28
下列關於「跨層級指標聯動」的敘述，何者**最正確**？
- (A) 單一層級指標即可全面反映系統效能
- (B) 實務中建議採「技術指標 + 業務指標」雙軌制，讓工程團隊與業務部門有共同語言與追蹤重心
- (C) 工程指標與業務指標完全衝突無法協調
- (D) 業務團隊不應介入技術指標討論

**答案：(B)**
解析：教材建議雙軌制 = 技術 + 業務指標，確保跨部門共同語言。常見干擾項把單一指標當成全面評估。（chunks line 233–235）

---

### Q29
下列關於跨部門整合的部門角色與責任對應，何者**錯誤**？
- (A) 業務與行銷部門：提供實際需求情境與績效指標
- (B) 客服與營運部門：回收實際互動案例與異常反應，用於持續優化模型
- (C) 法務與風險部門：針對資料隱私、模型公平性與風險揭露進行審查
- (D) 資訊部門：負責資料標註與行銷文案撰寫

**答案：(D)**
解析：資訊部門負責**部署、權限管理、API 整合與維運支援**，不是資料標註與行銷文案。常見干擾把部門角色錯配。（chunks line 261–267）

---

### Q30
下列關於將 AI 納入組織治理流程的措施，何者**並非**教材所列？
- (A) 設立 AI 治理委員會：統籌資源分配、風險審查與戰略發展
- (B) 內部 AI 產品經理或協調人員：作為技術與部門間的橋梁
- (C) 跨部門培訓與教育機制：強化非技術人員對 AI 模型意義與限制的理解
- (D) 取消所有跨部門協作會議以提升開發速度

**答案：(D)**
解析：教材強調 AI 治理需建立常態溝通與決策機制，**取消跨部門協作**會造成需求脫節、責任模糊（教材在風險章節也警示此問題）。（chunks line 281–287）

---

## 答案速查表

| Q | 答 | Q | 答 | Q | 答 |
|---|---|---|---|---|---|
| 1 | B | 11 | D | 21 | D |
| 2 | B | 12 | A | 22 | C |
| 3 | B | 13 | B | 23 | A |
| 4 | D | 14 | D | 24 | D |
| 5 | D | 15 | B | 25 | D |
| 6 | B | 16 | D | 26 | A |
| 7 | B | 17 | B | 27 | A |
| 8 | B | 18 | B | 28 | B |
| 9 | D | 19 | D | 29 | D |
| 10 | C | 20 | B | 30 | D |

## 命題分布統計

| 章節 | 題號 | 題數 | 重點 |
|---|---|---:|---|
| 前言與章節導覽 | Q1 | 1 | AI 部署 ≠ 上線；含全生命周期 |
| 系統集成 | Q2–Q8 | 7 | Data Pipeline、ERP/CRM 整合、API 接軌、安全（OAuth2/JWT）、跨雲整合 |
| 系統架構設計 | Q9–Q13 | 5 | 微服務、Docker vs K8s、滾動更新、模型服務化、Redundancy vs Failover |
| 部署模式 | Q14–Q19 | 6 | 公有雲/私有雲/邊緣/混合部署四模式 |
| MLOps 與持續維運 | Q20–Q25 | 6 | CI/CD、MLflow/DVC、藍綠/金絲雀部署、Model Drift/Data Drift 監控 |
| 成效追蹤、優化與跨部門整合 | Q26–Q30 | 5 | KPI 三層級、Feedback Loop、部門角色責任、AI 治理委員會 |
| **合計** | — | **30** | — |

## 易混淆考點清單（找混淆提示詞輸出）

| # | 易混淆對 | 差異 |
|---|---|---|
| 1 | Docker vs Kubernetes | Docker = 容器映像建構/執行；K8s = 容器編排/調度/故障恢復（Q10） |
| 2 | Redundancy vs Failover | Redundancy = 預備多節點；Failover = 故障自動切換（Q13） |
| 3 | 四種部署模式 | 公有雲（彈性快/合規風險）vs 私有雲（可控/成本高）vs 邊緣（即時/算力限）vs 混合（彈性/整合難）（Q14–Q19） |
| 4 | CI vs CD | CI = 訓練/測試整合；CD = 自動部署 + A/B 測試 + 藍綠部署（Q21） |
| 5 | MLflow vs DVC | MLflow = ML 全流程管理；DVC = 資料與模型版本控制（Q22） |
| 6 | 藍綠部署 vs 金絲雀部署 vs 滾動更新 | 三種風險控制部署策略，皆用於降低新模型上線風險（Q23） |
| 7 | Model Drift vs Data Drift | Model Drift = 預測分佈與訓練時不同；Data Drift = 輸入資料統計特徵改變（Q24） |
| 8 | KPI 三層級 | 系統層（延遲/吞吐/Uptime）/ 應用層（CTR/Accuracy/F1）/ 業務層（ROI/轉換率）（Q26） |
| 9 | OAuth2/JWT vs API Gateway vs Docker | 身份驗證 vs 流量管控 vs 容器化 — 用途不可混（Q4/Q5/Q8） |
| 10 | 部門角色責任 | 業務（需求/績效）/ 客服（互動回饋）/ 法務（隱私/公平/合規）/ 資訊（部署/API/維運）（Q29） |

---

— 命題：Heiter（2026-05-12）
— 對應教材版本：iPAS AI 規劃師中級 科目一 L21302 5.2 AI技術系統集成與部署