این آزمون شامل ۱۰ سوال سناریومحور و چندگزینهای استاندارد است که تمامی سرفصلهای تخصصی مطرحشده را پوشش میدهد. در انتهای سوالات، کلید پاسخها و تحلیل تشریحی هر سوال درج شده است.
بخش اول: سوالات آزمون
سناریو: یک تیم داده در حال طراحی خط لوله استخراج ویژگی برای پیشبینی ارزش طول عمر مشتری (CLV) است. توزیع متغیر «میزان خرید کل» دارای چولگی شدید به راست (Right-skewed) با دادههای پرت بسیار بزرگ است. همچنین مدل مورد استفاده از خانواده مدلهای خطی تنظیمشده (Ridge/Lasso) است.
سوال: کدام ترکیب پیشپردازش بهترین رویکرد مهندسی داده برای آمادهسازی این متغیر پیش از ورود به مدل است؟
سناریو: در یک سامانه سازمانی پرسشوپاسخ بر پایه اسناد اداری با معماری RAG، کاربران گزارش دادهاند که مدل زبانی پاسخهایی تولید میکند که ظاهراً روان و منطقی هستند اما در متن اسناد بارگذاریشده وجود ندارند (توهم مدل). تیم فنی قصد دارد بدون بازآموزی مجدد مدل پایه، فرآیند بازیابی و پاسخدهی را اصلاح کند.
سوال: موثرترین راهبرد مهندسی برای ارتقای کیفیت و مهار این مشکل در سطح خط لوله RAG چیست؟
سناریو: یک سامانه بینایی ماشین در خط بستهبندی دارویی موظف است قرصهای شکسته و ناقص را با نرخ ۹۰ فریم در ثانیه با تفکیک مرز پیکسلی هر قرص مجزا بازرسی کند. دوربین به دلیل لرزش موتورهای خط دارای نویز ضربهای (نمک و فلفل) است.
سوال: مناسبترین خط لوله پیشپردازش و معماری بینایی ماشین برای دستیابی به این هدف کدام است؟
سناریو: یک پلتفرم هوش مصنوعی مولد قصد دارد مدلی با اندازه ۷۰ میلیارد پارامتر (LLaMA-3-70B) را برای پاسخگویی به هزاران درخواست همزمان مستقر کند. بودجه سختافزاری محدود به دو سرور مجهز به ۴ کارت گرافیک ۸۰ گیگابایتی (H100) است و کاهش زمان ایجاد اولین توکن (TTFT) و بیشینهسازی Throughput ضروری است.
سوال: کدام چارچوب و تکنیکهای بهینهسازی استنتاج باید در این معماری پیادهسازی شوند؟
سناریو: سامانهای برای پیشبینی احتمال کلیک روی تبلیغات آنلاین پس از دو ماه کارکرد با افت کیفیت روبهرو شده است. بررسیها نشان میدهد توزیع علایق کاربران تغییر کرده (Concept Drift)، اما فرآیند بهروزرسانی مدل مستلزم استخراج دستی داده توسط تحلیلگر، آموزش در نوتبوک و استقرار دستی فایل pickle است که ۲ هفته زمان میبرد.
سوال: ارتقای سطح بلوغ سامانه به MLOps Level 1 و حل ریشهای این مشکل مستلزم پیادهسازی کدام سازوکار است؟
سناریو: یک شرکت حقوقی قصد دارد پروژهای برای خلاصهسازی خودکار و استخراج احکام از آرای دادگاهها تعریف کند. در ارزیابی اولیه مشخص میشود که در ۳۰٪ موارد، حتی وکلای برجسته انسانی نیز بر سر تفسیر مفاد یک رای اختلافنظر دارند و توافق بین کارشناسان (Inter-Annotator Agreement) تنها ۷۰٪ است.
سوال: از منظر امکانسنجی فنی (Data & Technical Feasibility)، مدیر پروژه هوش مصنوعی باید چه تصمیمی اتخاذ کند؟
سناریو: یک کارخانه صنعتی با سرمایهگذاری اولیه ۶۰۰ میلیون تومان قصد راهاندازی سیستم بینایی ماشین جهت کنترل کیفیت را دارد. این سیستم سالانه ۳۰۰ میلیون تومان صرفهجویی ناشی از کاهش ضایعات ایجاد میکند، اما هزینه عملیاتی و نگهداری (OpEx) آن سالانه ۱۰۰ میلیون تومان است.
سوال: دوره بازگشت سرمایه ساده (Simple Payback Period) این پروژه چقدر است؟
سناریو: یک موسسه اعتباری متوجه شده است که برخی کاربران با دستکاری عمدی و ظریف در چند فیلد کماهمیت فرم درخواست آنلاین (مانند تغییر فرمت نگارش آدرس و افزودن کاراکترهای خاص)، موفق به فریب مدل هوش مصنوعی و اخذ تاییدیه وام شدهاند بدون اینکه هویت آنها تغییر کرده باشد.
سوال: این رخداد بیانگر کدام دسته از ریسکهای هوش مصنوعی است و موثرترین راهکار مقابله با آن چیست؟
سناریو: در ارزیابی یک مدل دستهبندی برای تشخیص تراکنشهای پولشویی (که تنها ۰.۱٪ از کل دادهها را تشکیل میدهند)، مدل الف به دقت (Accuracy) ۹۹.۸٪ رسیده اما مقدار Recall آن برای کلاس پولشویی ۱۰٪ است. مدل ب به دقت ۹۷٪ رسیده اما مقدار Recall کلاس پولشویی آن ۸۸٪ با Precision معادل ۷۵٪ است.
سوال: از منظر شاخصهای موفقیت کسبوکار و کارایی سیستم، کدام تحلیل صحیح است؟
سناریو: یک سامانه هوش مصنوعی برای اولویتبندی پذیرش داوطلبان پیوند عضو در بیمارستانها مستقر شده است. بر اساس مقررات و چارچوبهای استاندارد (مانند EU AI Act و اصول XAI)، سیستم ملزم است هم دلایل هر تصمیم را برای پزشک تشریح کند و هم دادههای هویتی بیماران در شبکه آزمایشگاهی فاش نشود.
سوال: کدام رویکرد ترکیبی الزامات حاکمیتی، حریم خصوصی و شفافیت این سامانه با ریسک بالا را به طور کامل پوشش میدهد؟