快樂學習 iPAS 一次就過！

iPAS AI 2026 優先背誦 12 個考點

依 2026 年 3 月試題整理

1. 資料洩漏（Data Leakage）

定義：

測試資料或未來資訊不小心參與訓練流程，導致評估成績看起來很好，但上線後表現變差。

常見考法：

標準化、正規化、特徵選擇、缺失值補值等資料前處理，應該先切分訓練集與測試集，再只用訓練集計算統計量，最後套用到測試集。

易錯點：

不能先對全資料集算平均值、標準差後再切分，這會讓測試集資訊提前被模型看到。

一句話記法：

所有會「學到資料分布」的前處理，都只能 fit 在訓練集。

2. SMOTE

定義：

SMOTE 是處理類別不平衡的過採樣方法，會根據少數類別樣本，在特徵空間中合成新的少數類別樣本。

常見考法：

詐欺偵測、罕見疾病、洗錢偵測等少數類別比例很低時，模型容易偏向預測多數類別。

易錯點：

SMOTE 不是刪除多數類別，也不是調整 loss 權重；它是「合成少數類別樣本」。

一句話記法：

SMOTE = Synthetic Minority Over-sampling，合成少數類。

3. F1 / Recall

定義：

Recall 召回率衡量真正陽性中有多少被找出；F1 是 Precision 與 Recall 的調和平均。

常見考法：

癌症篩檢、詐欺偵測、異常偵測等題目常問要降低漏診或漏抓，通常重 Recall；類別不平衡時常用 F1。

易錯點：

Accuracy 在不平衡資料中很容易誤導。例如 99% 都正常，模型全猜正常也有 99% accuracy，但完全抓不到異常。

一句話記法：

怕漏掉，用 Recall；類別不平衡，看 F1。

4. XAI / LIME / SHAP

定義：

XAI 是可解釋 AI；LIME 與 SHAP 是常見的 post-hoc 解釋方法，用來解釋已訓練模型的預測。

常見考法：

LIME：

用局部近似方式解釋單一預測。

SHAP：

用 Shapley value 分配各特徵對單一預測結果的貢獻。

Saliency Map：

在影像或輸入中標示對預測影響大的區域。

Counterfactual：

問「如果哪些條件改變，結果會不同」。

易錯點：

LIME 不是模型本身透明，而是訓練後再解釋黑盒模型，屬 post-hoc。

一句話記法：

LIME / SHAP 都是黑盒模型訓練後的解釋工具。

5. RAG / Chunking / MCP

定義：

RAG 是檢索增強生成，讓模型先查外部知識再生成回答；Chunking 是把長文件切成小片段以提升檢索品質；MCP 是讓模型連接外部工具或系統的協議。

常見考法：

內部文件、法規、歷史案例、知識庫查詢：

優先想到 RAG。

長文件檢索不準：

用 Chunking。

模型要操作外部工具或系統：

想到 MCP。

易錯點：

RAG 不是重新訓練模型；MCP 不是資料檢索技術。RAG 補知識，MCP 接工具。

一句話記法：

RAG 查資料，Chunking 切文件，MCP 接工具。

6. LoRA / PEFT

定義：

PEFT 是參數高效微調，目標是在不更新全部模型參數的情況下完成微調；LoRA 是常見 PEFT 方法，透過低秩適配降低需更新的參數量。

常見考法：

GPU、記憶體或訓練資源有限，但仍想做 LLM 微調。

易錯點：

LoRA 不是 Prompt Engineering，也不是知識蒸餾。LoRA 是微調方法；知識蒸餾是讓小模型學大模型行為。

一句話記法：

資源有限要微調，選 LoRA / PEFT。

7. Token Economics

定義：

Token Economics 是分析模型推論時 token 使用量與費用，包括輸入 token、輸出 token、API 呼叫次數與推論成本。

常見考法：

估算大量文件生成、客服回覆、報告產出時的 API 費用。

易錯點：

Token Economics 通常看推論階段的 token 成本，不是訓練階段 GPU 記憶體成本。

一句話記法：

Token Economics = 輸入幾個 token、輸出幾個 token、花多少錢。

8. ROI / TCO

定義：

ROI 是投資報酬率，常用來看導入 AI 後節省多少成本、多久回本；TCO 是總體擁有成本，包含直接與間接成本。

常見考法：

ROI：

人工成本 - API 成本 = 每月節省；初期整合成本 / 每月節省 = 回收月數。

TCO：

不只 API 費、人力、基礎設施，也要包含訓練、系統整合、資安、合規、維運。

易錯點：

TCO 不能只看 API 成本；ROI 計算要記得扣掉 AI 使用成本。

一句話記法：

ROI 算回本，TCO 算全部成本。

9. Prompt / RAG 分工

定義：

Prompt Engineering 用來控制模型的語氣、格式、角色與推理方式；RAG 用來補充最新或內部知識。

常見考法：

客服助理要維持品牌語氣，又要每天更新商品或促銷資訊。最佳策略通常是 Prompt 控風格，RAG 補最新資訊。

易錯點：

不要用 Fine-tuning 追每日更新資料，成本高又不穩；也不要期待 RAG 自動學會品牌語氣。

一句話記法：

Prompt 控表達，RAG 補知識。

10. Agent / CoT / Graph Prompting

定義：

Agent 是能依任務狀態、工具、上下文做決策的 AI 系統；CoT 是要求模型逐步推理；Graph Prompting 是用結構化關聯呈現多因素問題。

常見考法：

Context-aware Agent：

利用對話歷史與任務狀態調整行為。

CoT：

逐步說明判斷依據再給結論。

Graph Prompting：

庫存、促銷、物流、區域差異等多條件互相關聯時使用。

易錯點：

CoT 是線性逐步推理；Graph Prompting 更適合多因素關聯，不只是把步驟列出來。

一句話記法：

Agent 會行動，CoT 逐步想，Graph Prompting 畫關係。

11. 同態加密與私有部署

定義：

同態加密允許在加密資料上進行計算；私有部署是把模型放在企業可管理環境中，以降低資料外傳風險。

常見考法：

資料加密狀態下仍需計算：

同態加密。

金融、監理、醫療等高度敏感資料：

偏向私有部署、存取控管、稽核機制。

易錯點：

聯邦學習是資料分散在各端不集中；同態加密是資料加密狀態仍可計算。兩者不要混。

一句話記法：

加密還能算，是同態加密；資料不想外傳，選私有部署。

12. Bias Detection vs Bias Mitigation

定義：

Bias Detection 是檢測偏見是否存在；Bias Mitigation 是採取措施降低偏見。

常見考法：

Detection：

比較不同族群的預測分布、錯誤率、結果差異。

Mitigation：

重新加權樣本、平衡資料分布、調整決策閾值、加入輸出過濾、人工審查與修正。

易錯點：

只是在量測或比較，是檢測；有改資料、改模型、改輸出，就是緩解。

一句話記法：

Detection 是發現問題，Mitigation 是修正問題。

考前總複習口訣

資料先切再標準化，避免 Data Leakage。

少數類別太少，SMOTE 合成少數樣本。

怕漏診看 Recall，不平衡看 F1。

LIME / SHAP 是 post-hoc 解釋。

RAG 查資料，Chunking 切文件，MCP 接工具。

資源有限微調，LoRA / PEFT。

Token Economics 算推論 token 成本。

ROI 算回本，TCO 算全部成本。

Prompt 控語氣格式，RAG 補最新知識。

Agent 會行動，CoT 逐步推理，Graph Prompting 表關聯。

加密仍可計算是同態加密，敏感資料重私有部署。

Bias Detection 是量測，Bias Mitigation 是修正。

 iPAS AI 應用規劃師（初級）2026 年備考注意事項（115 年最新趨勢）

 針對 115 年度 iPAS AI 應用規劃師新增之「關鍵法規與評測架構」考綱內容，整理重點與精選題目解析如下：

一、《人工智慧基本法》：AI 治理新高度

重點整理：

1. 生效時間與定位： 台灣首部 AI 專法於 2026 年 1 月正式生效，象徵 AI 治理正式納入國家能力鑑定範疇。
2. 主管機關陷阱（必考重點）：
   • 中央主管機關及 AI 戰略幕僚單位為**「國家科學及技術委員會（國科會）」**。
   • 數位發展部的主要角色是建立「風險分類框架」及提供評測工具。
3. AI 的法律定義： 系統必須具備**「自主運行能力」**，並能產生預測、建議或決策。 僅依固定規則執行的「規則式軟體」（Rule-based）不被視為 AI。
4. 七大基本原則（口訣：永人隱資透公問）：
   • 永續發展： 兼顧社會公平與環境。
   • 人類自主： 確保人為可控，不取代人類道德判斷。
   • 隱私保護： 採資料最小化原則，保護個資。
   • 資安安全： 建立防護措施，確保系統穩健。
   • 透明可解釋： 產出需標記，讓使用者理解其運作邏輯。
   • 公平不歧視： 避免演算法產生偏差或歧視特定群體。
   • 問責機制： 各階段開發與部署者需承擔相應責任。

---

二、AIEC 產品與系統評測：落實可信任 AI

重點整理：

1. 評測單位： 數位發展部成立 AIEC（AI 產品與系統評測中心），作為 AI 界的「國家級檢驗局」。
2. 五大防呆指標（評測支柱）：
   • 準確性（Accuracy）： 提供精確、即時的事實。
   • 可靠性（Reliability）： 在極端或未知情況下仍能穩定運作。
   • 公平性（Fairness）： 確保無性別、年齡或社會價值偏見。
   • 隱私（Privacy）： 防止對話紀錄或資料外洩。
   • 資安（Secure）： 抵禦惡意誘騙與安全威脅。
3. 在地化測試： 強調 AI 必須符合台灣社會共識與語言文化（例如分辨優酪乳與酸奶的用語差異）。

---

精選練習題與解析

題目 1：根據《人工智慧基本法》，關於我國 AI 政策的統籌協調、推動及督導，其幕僚作業單位為下列何者？ (A) 數位發展部 (B) 國家科學及技術委員會（國科會） (C) 經濟部產業發展署 (D) 國家資通安全研究院

• 解答： (B)
• 解析： 這是 115 年考綱中的核心陷阱題。中央主管機關與戰略委員會的幕僚作業由「國科會」辦理，數位部則負責風險分類框架等實務執行面。

題目 2：數位部 AIEC 針對 AI 產品提出的五大評測指標中，哪一項最強調系統在面對突發數據或極端壓力環境下，仍能穩健運作且不隨意崩潰？ (A) 準確性 (B) 公平性 (C) 可靠性 (D) 資安

• 解答： (C)
• 解析： 「可靠性」指標旨在確保 AI 能穩定應對非預期狀況，而不僅僅是給出正確答案（準確性）。

題目 3：關於《人工智慧基本法》中所定義之 AI 系統原則，下列敘述何者不符合「人類自主性」之要求？ (A) 必須允許人類進行監督 (B) AI 系統應能完全取代人類進行關鍵醫療診斷決策 (C) 尊重人格權及文化價值 (D) 確保人類在生命週期中保有最終控制權

• 解答： (B)
• 解析： 人類自主原則強調「AI 不可完全取代人類決策」，在關鍵場景如醫療或金融，必須保留人類最終決策權，此即 Human-in-the-loop 的概念。

題目 4：下列何種應用場景最符合 115 年考綱新增之「AI 產品與系統評測」中的「公平性」指標測試範疇？ (A) 測試 AI 翻譯系統是否會將「優酪乳」翻成「酸奶」 (B) 檢查 AI 信用評分模型是否會因為申請者的性別或出生地而降低信用額度 (C) 驗證 AI 系統是否能在離線環境下保護用戶數據 (D) 測試模型在遭受駭客攻擊時是否會產生錯誤回報

• 解答： (B)
• 解析： 公平性指標專注於檢測演算法是否產生偏見，避免因特定屬性對群體造成歧視之結果。選項 (A) 為在地化，(C) 為隱私，(D) 為資安。

題目 5：依據法律規範，下列何者「不屬於」《人工智慧基本法》所定義之 AI 系統？ (A) 能自動生成廣告文案的大型語言模型 (B) 根據即時感測資訊進行路況判斷的自動駕駛系統 (C) 僅依照固定之「If-Then」條件式邏輯執行的規則式軟體 (D) 具備自主學習能力的智慧推薦演算法

• 解答： (C)
• 解析： 法規定義 AI 需具備「自主運行能力」並透過機器學習與演算法運作，傳統的「規則式軟體」（Rule-based）被排除在定義之外。

 針對 115 年度 iPAS AI 應用規劃師科目二「生成式 AI 應用與規劃」新增之評鑑內容，整理重點與精選題目解析如下：

一、 生成式 AI 核心變革重點

1. 提示工程（Prompt Engineering）深度化：

   • 從簡單的指令撰寫轉向更複雜的框架設計與優化。
   • 新增技術項目： 包含 Few-shot（少樣本學習）、CoT（思考鏈）、ToT（思維樹） 與 APE（自動提示工程）。重點在於如何透過結構化提示引導 LLM 進行複雜邏輯推理。

2. 檢索增強生成（RAG）實務應用：

   • 核心功能： 讓 AI 在回答前先「查閱外部知識庫」，有效解決 AI 的**幻覺（Hallucination）**問題與知識過時問題。
   • 評鑑重點： 著重於 RAG 架構的導入規劃，以及如何整合企業內部文件系統。

3. 人工智慧代理系統（AI Agent）：

   • 技術躍升： 從「對話機器人」進化為能自主任務規劃、執行 API 調用並進行多代理協作的系統。
   • 關鍵協議： 納入最新的 MCP（Model Context Protocol） 模型上下文協議等架構考量。

4. 現代化開發與導入工具：

   • 編輯器體驗： 區分 Cursor（強項在於跨檔案的上下文理解）與 GitHub Copilot（強項在於代碼行內補全）。
   • 企業平台： 納入 Copilot Studio 等 No-code / Low-code 工具，強調 AI 民主化與快速原型開發。

5. 導入評估框架（技法組效）：

   • 企業導入 AI 必須從四大面向評估：技術面向、法規面向、組織面向、效益面向（簡稱「技法組效」）。
   • 風險管理： 強調個人識別資訊（PII）處理、資料最小化原則、去識別化，以及 AI 生成內容必須經由人類覆核的問責機制。

---

精選練習題與解析

題目 1：在企業導入生成式 AI 系統時，若希望有效解決大型語言模型（LLM）因缺乏即時資訊而產生的「幻覺」現象，應優先考量下列哪項技術？ (A) 增加模型微調（Fine-tuning）的資料量 (B) 使用更長的核心採樣（Nucleus Sampling）參數 (C) 導入檢索增強生成（RAG）架構 (D) 擴大模型的參數量（Parameter Size）

• 解答： (C)
• 解析： RAG 技術讓模型在回答前先從外部資料庫檢索相關事實，是目前公認降低幻覺與解決時效性問題最直接且有效的方法。

題目 2：關於提示工程（Prompt Engineering）技術，下列何者能引導模型逐步拆解問題，並展現邏輯推理過程以提高答案準確度？ (A) Zero-shot (B) Chain of Thought (CoT) (C) Automatic Prompt Engineering (APE) (D) Few-shot

• 解答： (B)
• 解析： CoT（思考鏈）透過提示模型「一步步思考」，引導其在輸出最終答案前先進行中間邏輯推理。

題目 3：根據 115 年度考綱定義，AI Agent（人工智慧代理）與傳統 Chatbot（聊天機器人）最顯著的技術區別為何？ (A) 能更精準地識別使用者的語氣與情緒 (B) 具備自主任務規劃、工具使用與 API 調用的能力 (C) 能夠支援更多種語言的即時翻譯 (D) 僅能處理文字資訊，無法處理多模態資料

• 解答： (B)
• 解析： AI Agent 的核心特質在於其自主性，能根據目標主動調用外部工具（如執行 Python 代碼、查詢資料庫 API），而非單純被動回應。

題目 4：某製造業公司在導入 AI 專案時，特別針對「既有工作流程的變動幅度」以及「員工接受度」進行分析。這屬於導入評估（技法組效）中的哪一個面向？ (A) 技術面向 (B) 法規面向 (C) 組織面向 (D) 效益面向

• 解答： (C)
• 解析： 組織面向專注於評估 AI 對組織架構、員工心理及業務流程變革帶來的影響。

題目 5：關於開發工具 Cursor 與 GitHub Copilot 在 115 年度評鑑中的區分重點，下列敘述何者正確？ (A) Cursor 僅限於單一檔案代碼生成 (B) GitHub Copilot 是獨立的作業系統，Cursor 是網頁工具 (C) Cursor 提供深度整合的「跨檔案上下文理解」，GitHub Copilot 則以「行內自動補全」著稱 (D) 兩者功能完全重疊，考綱僅視為同義詞

• 解答： (C)
• 解析： Cursor 強調的是整個編輯器級別的 AI 理解力（全專案感知），而 Copilot 最初的核心競爭力在於代碼編輯器中的即時補全功能。

 115 年度 iPAS AI 應用規劃師科目一（基礎概論）新增之評鑑內容，整理重點與精選題目解析如下：

一、 AI 治理與法規

重點整理：

1. 《人工智慧基本法》：
   • 主管機關： 中央主管機關與 AI 戰略幕僚單位為**「國家科學及技術委員會（國科會）」**，而非數位發展部，這是考試最常見的陷阱題。
   • AI 的法律定義： 系統必須具備**「自主運行能力」**，並透過機器學習及演算法實現預測、內容、建議或決策。傳統的規則式軟體（Rule-based）不被視為 AI。
   • 七大基本原則： 永續發展與福祉、人類自主、隱私保護與資料治理、資安與安全、透明與可解釋、公平與不歧視、問責。
   • 創新實驗環境： 參考歐盟制度，推動 Regulatory Sandbox（監理沙盒/創新實驗環境），讓企業在受控環境下進行開發與測試。
2. 金融業 AI 運用指引：
   • 核心理念： 包含治理與問責、重視公平性、保護隱私及客戶權益、確保系統穩健性與安全性、落實透明性與可解釋性、促進永續發展。
   • 系統生命週期： 明確分為「系統規劃及設計」、「資料蒐集及輸入」、「模型建立及驗證」、「系統部署及監控」四個階段。
3. AI 產品與系統評測：
   • 評測單位： 數位發展部成立 AIEC（AI 產品與系統評測中心） 作為國家級檢驗機構。
   • 五大指標（防呆支柱）： 準確性、可靠性、公平性、隱私、資安。

--------------------------------------------------------------------------------

二、 資料處理深化

重點整理：

1. 特徵工程（Feature Engineering）：
   • 定義： 透過數據轉換提升模型對目標變數的預測能力。
   • 實務方法：
     • 特徵縮放： 處理異常大的值或不同量級的數據，避免特定特徵主導訓練。
     • 特徵交叉（Feature Cross）： 將多個特徵組合以捕捉非線性關係（如：星期 + 小時）。
     • One-hot 編碼： 將類別型資料（如：交通方式）轉化為數值。
2. 資料標準化（Standardization / Scaling）：
   • 最小-最大縮放（Min-Max Scaling）： 將數據壓縮到 0 與 1 之間。
   • Z-score 標準化： 將數據轉換為均值為 0，標準差為 1 的分佈。
   • 目的： 消除單位影響（如：房價 vs. 坪數），提升梯度下降演算法的收斂速度與模型穩定性。
3. 實務流程（ETL）： 包含資料抽取（Extract）、轉換（Transform，含清理與排序）與載入（Load）。

--------------------------------------------------------------------------------

三、 多模態學習（Multimodal AI）

重點整理：

1. 定義： 同時利用多種資料類型（文字、圖像、音訊、影片等模態）進行洞察、預測或產生內容的 AI 系統。
2. 技術特性：
   • 共同嵌入空間（Shared Embedding Space）： 將不同模態（如圖、文）映射至同一空間，實現跨模態理解。
   • 對比式學習（Contrastive Learning）： 如 CLIP 模型，透過文字提示直接進行影像識別，達成「零樣本分類」。
3. 企業應用： 多用於自動駕駛（感知多種感測器資料）、醫療診斷（影像結合病歷文字）、智慧客服（語音結合文本意圖）。

--------------------------------------------------------------------------------

精選練習題與解析

題目 1：根據《人工智慧基本法》，關於我國 AI 政策的統籌與戰略幕僚作業單位，下列何者正確？ (A) 數位發展部 (B) 國家科學及技術委員會（國科會） (C) 經濟部產業發展署 (D) 工業技術研究院

• 解答： (B)
• 解析： 根據法規，中央主管機關與戰略特別委員會的幕僚作業均由「國科會」辦理。

題目 2：數位發展部 AI 產品與系統評測中心（AIEC）提出的「五大防呆支柱」中，旨在確保 AI 不會因性別或年齡給出歧視性建議的指標為何？ (A) 準確性 (B) 可靠性 (C) 公平性 (D) 資安

• 解答： (C)
• 解析： 公平性指標專注於檢測模型是否存在演算法偏見、歧視，並確保在地化社會價值。

題目 3：在資料處理流程中，若發現某些屬性出現異常大的數值，可能誤導模型訓練，應採取何種處理使所有值轉換到 0 至 1 之間？ (A) 資料組織 (B) 資料特徵縮放 (C) 資料清理 (D) 資料分析

• 解答： (B)
• 解析： 特徵縮放中的「最小-最大縮放」可將數據壓縮至 0 到 1 之間，確保所有特徵在相同量級運作。

題目 4：關於多模態學習模型 CLIP 的關鍵技術特性，下列敘述何者正確？ (A) 僅能處理單一模態的文字資料 (B) 透過對比式學習將影像與文字映射至共同嵌入空間 (C) 需依賴大量標註影像才能識別新內容 (D) 核心技術為傳統的決策樹演算法

• 解答： (B)
• 解析： CLIP 的優勢在於將圖像與文字映射至共同嵌入空間，使其能透過文字提示直接進行零樣本分類，不需額外標註訓練。

題目 5：在金融業 AI 運用生命週期中，哪一個階段的工作重點包含「選擇與建立模型演算法」及「驗證效能、安全性與機密性」？ (A) 系統規劃及設計 (B) 資料蒐集及輸入 (C) 模型建立及驗證 (D) 系統部署及監控

• 解答： (C)
• 解析： 模型建立及驗證階段專注於演算法選擇、模型訓練以及安全性的最終確認。

 115 年度（2026年）iPAS AI 應用規劃師能力鑑定的主要變革，整理如下：

一、 報名費用大幅調降（115-116年限定）

為了擴大培養國內 AI 人才，政府推出專案優惠，將報名費降至原價的約三分之一：

• 初級： 從 1,200 元降至 400 元/科。
• 中級： 從 1,500 元降至 500 元/科。
• 注意： 此優惠僅限 115 年至 116 年，117 年起將恢復原價。

二、 證書效期與維護變更

• 初級證書： 維持永久有效，不需換發。
• 中級證書： 效期由原本的 5 年縮短為 3 年。
• 換證要求（中級）： 需在 3 年內接受 48 小時以上的訓練（工作年資每一年可折抵 8 小時）。

三、 考試行政與地點擴張

• 初級考試時間調整： 115 年第一次考試（3月21日）調整至上午 9 點開始（過去多在下午）。
• 名額翻倍： 中級考試每梯次名額從 1,500 人增至 3,000 人。
• 新增考區： 初級新增花蓮、嘉義、屏東考區；中級新增桃園考區。

四、 評鑑內容範圍（11502 更新版）

考試方向從單純的「工具理解」轉向「AI 導入規劃能力」。

• 科目一（基礎概論）新增：
  • AI 治理與法規： 包含《人工智慧基本法》、金融業 AI 指引及 AI 產品評測。
  • 資料處理深化： 納入特徵工程、資料標準化等實務流程。
  • 多模態學習（Multimodal AI）： 貼近企業 AI 系統架構。
• 科目二（生成式 AI）新增：
  • 提示工程（Prompt Engineering）： 包含 Few-shot、CoT、ToT、APE 等技術。
  • 檢索增強生成（RAG）： 著重於降低 AI 幻覺（Hallucination）。
  • AI Agent（人工智慧代理）： 納入多代理協作、自主任務規劃與 API 調用。

五、 關鍵法規與評測架構入考綱

• 《人工智慧基本法》： 2026 年 1 月正式生效，AI 治理正式納入考綱。
  • 主管機關陷阱： AI 政策統籌單位為「國科會」而非數發部。
  • 七大原則： 包含永續發展、人類自主、隱私保護、資安安全、透明可解釋、公平不歧視、問責機制。
• AI 產品與系統評測： 納入數位發展部 AIEC（AI 產品與系統評測中心）的五大指標：準確性、可靠性、公平性、隱私、資安。

六、 成績抵免政策

• 持有 iPAS 巨量資料分析師或機器學習工程師證書者，在 116 年底前可申請抵免對應科目（例如持有初級機器學習工程師證書，加考「人工智慧技術應用與規劃」一科及格即可取得中級 AI 證書）。