以下為「AI 時代的數據思維」e等公務園+測驗解答，共 20 題，供公務人員學習參考。
導入路線要兼顧風險與成效，較務實的步驟是？
- 先全域上線再補治理
- 只做短期展示忽略維運
- 先定義資料與權限與可觀測，再小範圍試點與擴散
- 單靠外包商全權決定策略
在資源受限下提升效率，較符合本課程的技術策略是？
- 一律使用高精度並縮短上下文
- 單一密集模型處理所有任務
- 注意力壓縮、稀疏專家與並行解碼等優化
- 單純增加伺服器數量
挑選優先導入的應用版圖，哪一組較符合本課程的分類？
- 製造自動化、企業自動化、知識管理、服務自動化
- 僅資料視覺化與匯出
- 單一客服問答模組
- 純內部公告系統
在資料主權與繁中需求明確時，較合適的技術選擇是？
- 僅使用封閉跨國模型且不留痕
- 全面遷移到公有雲單一供應商
- 以關鍵字規則引擎替代所有模型
- 地端部署或在地可商用模型並調整語料
衡量成效時，哪一組指標更聚焦於落地品質？
- 流程週期、正確性、追溯性與覆蓋率
- 粉絲按讚與瀏覽字數
- 頁面美觀與點擊動畫
- 投影片張數與會議時長
工廠要把裝置資料與 AI 任務串接，較合適的通訊與任務治理是？
- 定時人工抄寫回報
- 採用 OPC UA/UALink 並以容器化任務協調
- 只做看板不回饋控制
- 以電子郵件傳遞結果
希望降低訓練記憶體與時間但維持可接受誤差，較合理的選擇是？
- 全面改為整數量化
- 固定單精度不變
- 只用半精度且不調整
- 採用混合精度（如 FP8）以降低成本
讓教學助理回答專題知識並能追溯來源，較合理的架構是？
- 把所有文件一次丟進模型
- 只用全文關鍵字搜尋
- RAG 串接知識庫、語意檢索與向量儲存
- 單憑記憶生成不存證
降低偏誤並提升可解釋性，本課程主張的改進路徑是？
- 遞迴式批判與改進代理，搭配測試與稽核
- 只在結果頁加免責聲明
- 完全以人工主觀裁決
- 移除所有敏感欄位即可
在處理幻覺與責任問題時，導入初期應優先建立什麼？
- 完全關閉日誌以避免外流
- 只做視覺強化不管內容
- 先擴大模型規模再說
- 檢索增強、可追溯與權限控管機制
將 AI 做出企業價值的方向，何者更貼近本課程？
- 僅提供通用聊天視窗
- 完全依賴外部黑箱服務
- 只做一次性展示不進流程
- 聚焦垂直資料與在地語言，結合決策與平台
若外部生成平台風格差異過大且難以控管，本課程建議的品質策略是？
- 直接接受差異以追求多樣
- 建立自家模型與資料流程以維持一致性
- 僅靠濾鏡與手修
- 全面回到人工製作
為提升答案可讀性與格式一致，推理型 RL 的實務搭配為？
- 只把回覆寫得更長
- 以小規模 SFT 冷啟動並規範輸出結構
- 僅調整溫度與 top?p
- 反覆重試直到滿意
讓實體代理能感知、理解並執行任務，較符合本課程的整體構想是？
- 單一語言模型處理所有感測
- 僅做視覺分類不下指令
- 多模態學習結合空間智能與大語言模型
- 完全改為人工遙控
生成式 AI 落地時，較符合本課程精神的總體原則是？
- 只追求更大的參數模型
- 僅以成本最低為唯一準則
- 資料、場景、成本與治理並重
- 回到傳統規則庫取代模型
舊語言程式轉換（如 VB→C#）要提升可靠度，哪項方法較貼近本課程？
- 訓練與推論皆引入檢索與對齊流程
- 單次微調後直接套用
- 僅在推論時做關鍵字比對
- 完全改由人工改寫
為加速場景導入，本課程主張的研發組織做法是？
- 單一功能部門封閉開發
- 資訊、製造、生醫與法遵等跨域協作
- 全部外包給單一顧問
- 先上線再補治理與法遵
醫放報告自動生成要兼顧準確與一致，較適切的設計是？
- 僅用影像分類器產生結論
- 只靠模板替換名詞
- 僅由人工複核不引入模型
- 影像與文字雙編碼、診斷導向提示與自適性學習
跨文件推理與關聯查找時，哪種 RAG 型態更契合？
- 單層向量索引即可
- 圖結構或模組化 RAG 支援關聯推理
- 只做關鍵詞比對
- 隨機取樣段落
在邊緣與雲端之間協同推論並標準化部署，較貼近本課程的生態是？
- KubeEdge 與 ONNX/標準化推論框架的搭配
- 僅依賴單一雲端 API
- 以 NAS 與腳本手工維運
- 自製格式不對齊任何標準