1. A. 將文字壓縮成更小的檔案
2. B. 將中文翻譯成英文
3. C. 移除文件中的停用詞
4. D. 將詞語映射為數值向量，使語意相近的詞在向量空間中距離較近

答案：D。詞向量（如 Word2Vec、FastText）把語言單位轉成可計算的數值表示，是語意搜尋、推薦與下游模型的特徵基礎。

1. A. 推理速度一定比規則快
2. B. 完全不需要訓練資料
3. C. 保證不會誤分類
4. D. 能從大量標註資料自動學習複雜語意模式，減少人工特徵工程

答案：D。深度模型的優勢在於自動從資料學習特徵與模式；但仍需標註資料、且無法保證零錯誤。

1. A. 大型語言模型（LLM）直接讀取影像檔名
2. B. 影像分類／目標偵測模型（如 CNN、YOLO 系列）
3. C. 關係型資料庫查詢
4. D. 規則式正則表達式比對

答案：B。瑕疵檢測屬影像分類或目標偵測任務，以卷積神經網路（CNN）或 YOLO 等偵測架構為主流做法。

1. A. 能同時處理與整合文字、圖像、聲音等多種資料型態的 AI
2. B. 只能處理單一資料型態的模型
3. C. 使用多種程式語言開發的 AI
4. D. 同時部署多個模型副本

答案：A。多模態模型（如 GPT-4V、Gemini）能跨文字／圖像／音訊理解與生成，例如看圖回答問題、聽語音轉摘要。

1. A. 先從知識庫檢索相關文件片段，再將其注入提示詞供模型生成有依據的回答
2. B. RAG 完全消除幻覺，無需人工審核
3. C. RAG 是重新訓練模型參數的方法
4. D. RAG 只能用於英文資料

答案：A。RAG＝Retrieval-Augmented Generation：以外部知識檢索補強 LLM，降低幻覺並讓答案可溯源，但不保證零幻覺。

1. A. 提高 GPU 時脈與記憶體頻率
2. B. 增加 prompt 字數與更換字型
3. C. 微調（fine-tuning）與 RAG 檢索外掛知識庫
4. D. 提高 Temperature 與提高 max tokens

答案：C。讓模型掌握領域知識的兩大路線：調整模型參數（微調）或外挂檢索知識庫（RAG）；後者成本低、更新彈性高。

1. A. 問題是否有足夠且品質合格的資料可供學習或檢索
2. B. AI 廠商的品牌知名度
3. C. 員工是否熟悉社群媒體
4. D. 是否需要採購最新 GPU

答案：A。AI 導入可行性三要素：資料可用性與品質、問題是否可被模型化、成效與成本可衡量——資料是起點。

1. A. 自動化節省的人力工時
2. B. 資料清理與標註、模型開發維運、人工覆核與異常處理人力
3. C. 新產品線帶來的營收成長
4. D. 導入後錯誤率下降帶來的客訴減少

答案：B。ROI 計算須計入資料工程、開發、維運、人工覆核等隱性成本；只算模型推理費會嚴重低估總成本。

1. A. 所有回覆都由人工逐字重新輸入
2. B. AI 全權處理，出事再補救
3. C. 只讓主管看每日報表
4. D. 低信心或高風險回答轉人工處理，並抽样（抽樣）覆核 AI 回覆品質

答案：D。依模型信心分數分流＋抽樣覆核，兼顧自動化效率與風險控制，是 AI 導入治理的標準做法。

1. A. 忽略之，模型會自行恢復
2. B. 直接關閉系統等待廠商處理
3. C. 提高 Temperature 讓模型更靈活
4. D. 監控輸入分布與模型效能指標，必要時重新訓練或更新模型

答案：D。資料漂移＝線上資料分布偏離訓練資料，模型效能會衰減；MLOps 要求持續監控、觸發再訓練。