2025北京中航集团（国航股份）人工智能专家招聘1人笔试历年参考题库附带答案详解

2025北京中航集团（国航股份）人工智能专家招聘1人笔试历年参考题库附带答案详解一、选择题从给出的选项中选择正确答案（共50题）1、人工智能技术在航空领域的应用日益广泛，下列关于机器学习算法在航班延误预测中的描述，最准确的是：A.监督学习通过历史标注数据训练模型，可建立气象、流量等特征与延误结果的映射关系B.无监督学习能直接输出航班是否延误的概率值，无需人工标注样本C.强化学习仅适用于实时调度决策，完全不能用于延误趋势分析D.半监督学习在航空数据场景中因标注成本高而无法应用2、某航空公司拟部署大语言模型辅助客服应答，为降低“幻觉”风险并保障信息准确性，下列技术策略中最优先采用的是：A.增大模型参数量以提升生成流畅度B.采用检索增强生成（RAG）机制，将回答锚定于权威知识库C.仅使用通用语料继续预训练模型D.关闭所有外部接口以杜绝错误信息来源3、在构建航空安全事件文本分类模型时，若训练数据存在严重类别不平衡（如“机械故障”样本远多于“人为差错”），下列处理方法最合理的是：A.直接删除多数类样本以使各类别数量相等B.仅使用准确率（Accuracy）作为模型评估指标C.采用过采样少数类或代价敏感学习策略D.忽略类别分布差异，认为模型会自动适应4、关于自然语言处理技术在民航旅客服务中的应用，下列说法错误的是：A.情感分析可用于识别投诉文本中的负面情绪强度B.命名实体识别能从工单中自动提取航班号、机场代码等关键信息C.机器翻译可完全替代人工翻译处理所有法律条款类文件D.意图识别有助于智能客服精准理解旅客查询目的5、在航空维修预测性维护系统中，若传感器数据采集频率高但标签稀缺，最适合采用的学习范式是：A.全监督学习B.自监督学习C.传统规则引擎D.纯人工经验判断6、下列关于人工智能模型可解释性在航空安全审核中的意义，表述最恰当的是：A.可解释性仅用于学术研究，对实际安全审核无实质帮助B.高可解释性模型必然牺牲预测精度，不应在安全关键系统使用C.可解释性有助于验证模型逻辑是否符合航空规章与工程常识D.只要模型准确率高，无需关心其内部决策机制7、在部署AI视觉检测系统用于飞机表面缺陷识别时，下列哪项措施最能保障模型在真实机坪环境下的鲁棒性？A.仅在实验室理想光照条件下采集训练数据B.使用数据增强模拟雨雾、阴影、反光等真实干扰因素C.选用参数量最大的模型而不考虑推理延迟D.避免收集任何负样本以防止误报8、关于联邦学习在多家航空公司协同训练延误预测模型中的应用优势，下列说法正确的是：A.各公司需将原始数据集中上传至中央服务器B.可在不共享原始数据的前提下联合建模，保护商业隐私C.联邦学习训练效率一定高于集中式训练D.仅适用于图像数据，不适用于结构化航班数据9、在评估AI模型对航空燃油消耗优化的效果时，下列评价指标最贴合业务目标的是：A.模型训练时间B.测试集上的均方误差（MSE）C.实际运营中单位座公里燃油成本的下降幅度D.模型参数数量10、下列关于人工智能伦理在航空AI系统设计中的体现，最符合行业规范的是：A.为追求极致效率，可忽略对弱势旅客群体的公平性考量B.模型决策过程应保留人工复核环节，确保责任可追溯C.算法透明度不重要，只要结果正确即可D.数据采集无需告知旅客，因其属于企业内部优化行为11、人工智能技术在航空领域的应用日益广泛，下列关于机器学习算法在航班延误预测中的描述，正确的是：A.监督学习算法无需历史标签数据即可训练模型B.无监督学习最适合用于已知延误原因的精确分类C.强化学习通过试错机制优化动态调度决策D.半监督学习完全依赖人工标注数据进行特征提取12、在自然语言处理中，Transformer架构相较于传统RNN模型的主要优势在于：A.参数量更少，计算效率更高B.能够并行处理序列数据并捕捉长距离依赖C.仅适用于短文本分类任务D.不需要位置编码即可理解语序13、下列哪项属于人工智能伦理治理中的“算法公平性”核心要求？A.模型推理速度达到毫秒级响应B.训练数据来源合法且获得授权C.模型输出不因性别、种族等敏感属性产生系统性歧视D.算法逻辑完全公开透明可解释14、在计算机视觉任务中，卷积神经网络（CNN）之所以优于全连接网络处理图像，主要得益于其：A.使用循环结构记忆像素时序关系B.局部感受野与权值共享机制降低参数冗余C.无需激活函数即可拟合非线性映射D.仅适用于灰度图像处理15、下列关于大语言模型“幻觉”现象的描述，准确的是：A.指模型因硬件故障产生的随机乱码输出B.是模型故意编造虚假信息以误导用户C.表现为生成内容看似合理但与事实不符或缺乏依据D.仅在微调阶段出现，预训练模型不会产生16、在数据安全与隐私保护中，联邦学习的核心价值在于：A.将各方原始数据集中到中心服务器统一训练B.在不交换原始数据的前提下协同训练模型C.完全替代加密技术保障数据传输安全D.仅适用于政府机构内部数据共享17、下列哪项最能体现人工智能系统在航空维修中的“预测性维护”理念？A.按固定周期更换发动机部件B.故障发生后立即启动应急维修流程C.基于传感器数据预判部件剩余寿命并安排维修D.依赖资深技师经验判断设备状态18、关于知识图谱在智能客服中的应用，下列说法错误的是：A.可提供结构化业务知识支撑精准问答B.能弥补纯语言模型缺乏事实grounding的缺陷C.构建过程无需人工参与，全自动完成D.支持多跳推理以回答复杂关联问题19、在评估人工智能模型性能时，若正负样本极度不平衡，应优先选用哪个评价指标？A.准确率（Accuracy）B.F1分数C.均方误差（MSE）D.R²决定系数20、下列关于边缘计算在机载AI系统中作用的描述，正确的是：A.将所有数据传回云端处理以降低本地算力需求B.在飞机端侧实时执行推理，减少通信延迟与带宽依赖C.仅用于存储飞行日志，不参与智能决策D.无法支持任何深度学习模型运行21、人工智能技术在航空领域的应用日益广泛，其中“预测性维护”主要依赖于以下哪种核心技术来实现对飞机发动机故障的提前预警？A.自然语言处理B.计算机视觉C.时间序列分析与机器学习D.语音识别22、在构建航空安全相关的AI决策系统时，为符合民航局关于“可解释人工智能”的监管要求，系统设计应优先避免使用以下哪种模型？A.逻辑回归B.决策树C.深度神经网络（黑盒模型）D.线性判别分析23、某航司拟利用AI优化航班调度，若训练数据仅包含历史正常航班记录而缺乏极端天气下的延误样本，最可能导致模型出现哪种问题？A.过拟合B.欠拟合C.数据偏差导致的泛化能力不足D.梯度消失24、在航空客服智能问答系统中，为解决用户提问表述多样但意图相同的问题，应采用以下哪种自然语言处理技术？A.命名实体识别B.语义相似度匹配C.情感分析D.关键词提取25、依据《个人信息保护法》，航空公司在使用旅客生物识别信息进行AI身份验证时，必须遵循的首要原则是？A.效率优先原则B.最小必要原则C.技术先进原则D.成本节约原则26、在航空器表面缺陷检测任务中，若标注样本极少但无标签图像丰富，最适合采用哪种学习范式以提升模型性能？A.监督学习B.半监督学习C.强化学习D.规则引擎27、为保障AI系统在航空运行中的持续可靠性，部署后应建立哪种机制以应对数据漂移问题？A.一次性离线评估B.定期人工复核所有输出C.在线监控与模型再训练闭环D.固定阈值告警28、在航空燃油消耗优化AI模型开发中，若发现模型对某些老旧机型的预测误差显著高于新机型，最合理的改进方向是？A.增加所有机型的训练数据量B.仅保留新机型数据重新训练C.引入机型特征工程或分层建模D.提高模型整体复杂度29、根据人工智能伦理准则，在航空乘客服务AI系统中，为避免算法歧视，应在哪个阶段嵌入公平性评估？A.仅在项目立项时B.仅在系统上线前C.贯穿数据准备、模型训练、部署及运维全生命周期D.仅在收到投诉后30、在航空行李分拣AI视觉系统中，若需区分外观高度相似的黑色软包与硬壳箱，除颜色外还应重点利用哪种视觉特征？A.像素均值B.纹理与边缘形状C.图像文件大小D.拍摄时间戳31、人工智能技术在航空领域的应用日益广泛，下列关于机器学习算法在航班延误预测中的描述，最准确的是：A.监督学习通过无标签数据自动发现延误规律B.强化学习主要用于历史数据的静态分类任务C.决策树模型能够处理非线性关系且具备一定可解释性D.聚类分析是预测具体延误时长的首选方法32、在自然语言处理中，Transformer架构相较于传统RNN的主要优势在于：A.参数规模更小，推理速度更快B.无需任何位置编码即可理解语序C.支持并行计算并能有效捕获长距离依赖D.仅适用于文本生成任务33、某航空公司拟部署AI客服系统，为保障用户隐私合规，下列数据处理措施中最符合《个人信息保护法》要求的是：A.将原始对话日志永久存储以备模型迭代B.未经告知直接使用用户语音训练声纹识别C.对敏感信息进行去标识化处理后再用于模型训练D.默认开启个性化推荐并允许第三方共享数据34、在计算机视觉应用于飞机表面缺陷检测时，下列哪种数据增强策略最有助于提升模型泛化能力？A.仅使用高分辨率原图训练B.对图像进行旋转、翻转及光照模拟变换C.删除所有含噪声的样本以保证数据纯净D.统一裁剪为固定尺寸而不考虑目标位置35、关于人工智能伦理中的“算法公平性”，下列说法正确的是：A.只要训练数据量大，模型自然公平B.公平性仅需关注输出结果的统计均等C.应结合业务场景定义公平指标并持续监测D.技术中立意味着无需人工干预算法设计36、在大模型微调过程中，LoRA（Low-RankAdaptation）方法的核心思想是：A.全量更新所有模型参数以适应新任务B.冻结预训练权重，仅训练低秩分解矩阵C.替换原始注意力机制为线性层D.增加模型深度以提升表达能力37、下列关于知识图谱在智能运维中的应用，表述错误的是：A.可整合设备手册、故障记录等多源异构知识B.支持基于语义的故障根因推理C.完全替代传统规则引擎，无需人工维护D.能辅助技术人员快速定位关联部件38、在评估AI模型性能时，若正负样本极度不平衡（如罕见故障检测），下列指标比准确率更合适的是：A.精确率B.F1分数C.均方误差D.R²决定系数39、关于联邦学习在航空数据协作中的应用，下列说法正确的是：A.各参与方需上传原始数据至中心服务器B.仅交换模型梯度或参数，原始数据不出本地C.无法保证通信过程中的数据安全D.仅适用于图像类数据的联合建模40、在部署AI模型至生产环境时，下列哪项不属于模型监控的关键内容？A.输入数据分布漂移检测B.模型预测延迟与吞吐量C.训练代码的版本控制D.预测结果的业务指标反馈41、人工智能技术在航空领域的应用日益广泛，下列关于机器学习算法在航班延误预测中的描述，最准确的是：A.监督学习通过历史延误数据训练模型，可识别天气、流量等特征与延误的关联规律B.无监督学习能直接输出未来3小时航班延误的具体时长数值C.强化学习无需任何历史数据，仅靠实时反馈即可完成延误预测建模D.半监督学习在完全无标签数据下仍能精准预测延误概率42、在自然语言处理技术应用于智能客服系统时，下列哪项技术主要用于理解用户提问的语义意图？A.光学字符识别（OCR）B.命名实体识别（NER）C.文本分类与意图识别模型D.语音合成（TTS）43、关于深度学习模型在航空图像识别中的应用，下列说法正确的是：A.卷积神经网络（CNN）因具有平移不变性和局部连接特性，适合处理飞机表面缺陷检测图像B.循环神经网络（RNN）是处理静态航空影像的首选架构C.生成对抗网络（GAN）主要用于提升图像分类准确率D.Transformer架构在单张图像目标检测中性能显著优于CNN44、在构建航空安全风险评估的人工智能模型时，下列哪项措施最有助于缓解模型对历史数据的过拟合问题？A.增加模型参数数量以提升表达能力B.采用L1/L2正则化或Dropout技术C.仅使用最近一个月的数据进行训练D.移除所有验证集以扩大训练样本量45、下列关于人工智能伦理在航空运营中应用的表述，符合行业共识的是：A.为提升效率，可默认收集乘客生物信息用于个性化服务而无需告知B.算法决策应保留人工复核机制，确保关键安全判断的可解释性与问责性C.模型训练数据无需考虑多样性，只要准确率高即可部署D.自动化系统一旦上线，应完全取代人工操作以避免人为失误46、在知识图谱技术支撑的航空维修知识库建设中，下列哪项是其核心优势？A.能以结构化方式表达设备、故障、工卡等实体及其语义关系，支持推理问答B.可直接替代传统关系型数据库存储所有维修记录C.无需人工标注即可自动构建完整准确的领域知识体系D.主要功能是生成高清维修操作视频47、关于联邦学习在航空公司数据协作中的应用，下列描述正确的是：A.各航司在不共享原始数据前提下联合训练模型，兼顾隐私保护与模型性能B.必须将所有参与方的数据集中到中央服务器才能启动训练C.仅适用于图像数据，无法处理结构化运控数据D.训练过程中各节点模型参数始终保持完全一致48、在评估人工智能模型用于航空燃油消耗优化时，下列哪项指标最能反映其实际业务价值？A.模型在测试集上的R²值为0.95B.模型推理延迟低于10毫秒C.实际应用后单位座公里油耗下降3%D.训练过程收敛速度比基线模型快20%49、下列关于大语言模型（LLM）在航空文档处理中局限性的描述，最为恰当的是：A.无法处理任何中文文本B.可能生成看似合理但与现行规章不符的内容，需专业审核C.完全不能用于摘要生成或信息抽取任务D.其参数量越小，准确性必然越高50、在航空人工智能系统开发中，下列哪项做法最符合MLOps（机器学习运维）最佳实践？A.模型上线后不再更新，以保持稳定性B.建立数据、模型、代码的版本管理与持续监控机制C.仅由算法工程师负责全流程，无需运维团队参与D.监控指标仅限于训练损失函数值

参考答案及解析1.【参考答案】A【解析】监督学习依赖带标签的历史数据（如过往航班延误记录及对应气象、空管等特征），通过学习输入特征与输出标签间的函数关系实现预测，是延误预测的主流方法。无监督学习主要用于聚类或异常检测，无法直接输出概率预测；强化学习虽侧重决策优化，但也可结合模拟环境进行趋势分析；半监督学习恰可利用少量标注+大量未标注数据缓解标注成本问题，在航空大数据场景具有应用价值。故A正确。2.【参考答案】B【解析】大模型“幻觉”源于其参数化记忆的不完备与过时。检索增强生成（RAG）通过在生成前动态检索企业知识库、运价规则等结构化/非结构化权威资料，并将检索结果作为上下文输入模型，使回答有据可依，显著降低事实性错误。单纯增大参数或继续通用预训练无法解决领域知识缺失问题；关闭外部接口虽减少噪声，但也切断了实时更新能力，不符合业务需求。因此RAG是当前工业界首选方案。3.【参考答案】C【解析】类别不平衡会导致模型偏向多数类。删除多数类样本会丢失重要信息；准确率在不平衡数据下具有误导性（如99%样本为多数类时，全判多数类即可达99%准确率）。过采样（如SMOTE）可增加少数类代表性，代价敏感学习则通过调整损失函数权重使模型更关注少数类误判成本，二者均为标准解决方案。模型不会自动纠正偏差，必须主动干预。故C正确。4.【参考答案】C【解析】情感分析、命名实体识别和意图识别均为成熟NLP技术，在旅客情绪监测、信息抽取和对话系统中广泛应用。然而，法律条款涉及高度专业术语、责任界定及合规要求，机器翻译目前仍存在语义模糊、文化语境缺失等风险，无法“完全替代”人工翻译，尤其在具有法律效力的文件中必须经专业人员审校。C项表述绝对化，不符合当前技术实际，故为错误选项。5.【参考答案】B【解析】预测性维护常面临“数据丰富、标签匮乏”困境。全监督学习依赖大量故障标签，难以实施；规则引擎和人工判断无法有效利用高频时序数据中的复杂模式。自监督学习通过设计pretexttask（如掩码重建、对比学习）从无标签数据中学习设备运行表征，再在少量标签上微调，能充分挖掘未标注数据的价值，已成为工业物联网场景下的主流预训练范式。故B最合适。6.【参考答案】C【解析】航空安全审核强调合规性与可追溯性。可解释性使审核人员能理解模型为何做出某项判断（如判定某部件需更换），从而验证其推理是否契合适航规章、维修手册等专业知识，避免“黑箱”决策带来的信任危机与合规风险。虽然部分高精度模型可解释性较低，但可通过事后解释技术弥补，并非必然牺牲精度；忽视决策机制在安全关键领域不可接受。故C最恰当。7.【参考答案】B【解析】真实机坪环境多变，光照、天气、污渍等干扰显著。仅在理想条件下训练会导致模型泛化能力差；数据增强通过合成或变换生成多样化样本，使模型学习对干扰不变的特征表示，是提升鲁棒性的核心手段。最大参数模型可能无法满足实时性要求；负样本（正常区域）对区分缺陷与背景至关重要，缺失会导致高误报率。故B最有效。8.【参考答案】B【解析】联邦学习的核心优势在于“数据不动模型动”，各参与方本地训练后仅交换梯度或模型参数，原始敏感数据（如航班计划、旅客信息）不出域，有效兼顾协作与隐私合规。A项违背联邦学习基本原则；由于通信开销与异构性，联邦学习效率通常低于集中式；该技术广泛支持结构化、文本、时序等多种数据类型，并非限于图像。故B正确。9.【参考答案】C【解析】业务导向的AI评估应聚焦最终经济或安全效益。训练时间和参数数量反映计算效率，与燃油节省无直接关联；MSE衡量预测精度，但高精度未必转化为实际节油效果（如预测准但未指导操作）。唯有在实际运营中观测到的单位座公里燃油成本变化，才能真实体现模型对业务的贡献，符合“以结果为导向”的评估原则。故C最贴合业务目标。10.【参考答案】B【解析】航空业属高安全责任领域，AI伦理强调人机协同与问责。保留人工复核既防范自动化偏差，又明确责任主体，符合ICAO及民航局关于“人在回路”的指导原则。忽视公平性可能引发歧视争议；透明度是建立信任与合规审计的基础；旅客数据采集须遵循《个人信息保护法》，履行告知同意义务。故B最符合行业伦理与规范要求。11.【参考答案】C【解析】监督学习需要带标签的历史数据进行训练，A错误；无监督学习主要用于聚类或异常检测，不适合精确分类已知类别，B错误；强化学习通过与环境交互、试错和奖励反馈来优化序列决策问题，适用于航班动态调度等场景，C正确；半监督学习结合少量标注数据和大量未标注数据，并非完全依赖人工标注，D错误。因此，正确答案为C。12.【参考答案】B【解析】Transformer采用自注意力机制，可对输入序列所有位置同时计算关联，实现并行化处理，有效解决RNN难以捕捉长距离依赖的问题，B正确；其参数量通常更大，A错误；广泛应用于机器翻译、文本生成等长短文本任务，C错误；虽可并行，但仍需位置编码注入序列顺序信息，D错误。故答案为B。13.【参考答案】C【解析】算法公平性强调避免对特定群体的偏见与歧视，确保决策结果在不同敏感属性间具有一致性和公正性，C正确；A属于性能指标，B涉及数据合规，D关乎可解释性，均非公平性直接内涵。尽管数据合法性与可解释性有助于实现公平，但核心判定标准仍是是否存在系统性偏差。因此选C。14.【参考答案】B【解析】CNN通过局部连接和权值共享大幅减少参数量，同时保留空间层次特征，特别适合图像数据，B正确；循环结构是RNN特点，A错误；CNN必须使用激活函数引入非线性，C错误；CNN广泛用于彩色、多通道图像，D错误。因此，正确答案为B。15.【参考答案】C【解析】“幻觉”指大模型生成的内容表面流畅可信，实则包含虚构、错误或无根据的信息，源于概率生成机制而非真实知识检索，C正确；非硬件故障所致，A错误；模型无主观意图，B错误；预训练和微调阶段均可能出现，D错误。该现象是当前大模型应用的关键挑战之一。故选C。16.【参考答案】B【解析】联邦学习通过本地训练、仅上传模型参数或梯度的方式，实现“数据不动模型动”，在保护隐私的同时完成联合建模，B正确；A违背其设计初衷；它常与差分隐私、同态加密等技术结合使用，并非替代关系，C错误；应用场景涵盖医疗、金融、交通等多个领域，D错误。因此选B。17.【参考答案】C【解析】预测性维护利用实时监测数据和AI模型预测设备退化趋势，在故障前精准安排维护，提升安全性与经济性，C正确；A为预防性维护，B为事后维修，D属经验驱动，均非预测性维护核心特征。该技术显著降低非计划停场时间，是智慧航空关键应用。故选C。18.【参考答案】C【解析】知识图谱构建通常需领域专家定义本体、校验实体关系，尤其在高专业度场景如航空服务中，人工干预不可或缺，C错误；A、B、D均为知识图谱典型优势：提供事实依据、增强回答准确性、支持逻辑推理。因此，错误选项为C。19.【参考答案】B【解析】当样本不平衡时，准确率易被多数类主导而失真；F1分数综合精确率与召回率，更稳健反映少数类识别效果，B正确；MSE和R²用于回归任务，不适用于分类评估，C、D错误。因此在航空异常检测等不平衡场景中，F1更具参考价值。故选B。20.【参考答案】B【解析】边缘计算将AI推理部署于机载设备，实现低延迟、高可靠本地响应，避免对空地链路的强依赖，B正确；A描述的是云计算模式；现代机载边缘设备已能运行轻量化深度学习模型，支持故障诊断、客舱服务等智能功能，C、D错误。因此选B。21.【参考答案】C【解析】预测性维护的核心在于通过分析传感器采集的历史运行数据（如振动、温度、压力等），识别设备性能退化的趋势。这属于典型的时间序列数据分析问题，需利用机器学习算法建立退化模型，从而预测剩余使用寿命。自然语言处理主要用于文本交互，计算机视觉侧重于图像识别，语音识别用于声音转文字，三者均非处理连续传感器数值流以预测机械故障的首选技术。因此，时间序列分析与机器学习是实现该功能的关键支撑技术。22.【参考答案】C【解析】航空安全领域对决策过程的透明度和可追溯性要求极高。逻辑回归、决策树和线性判别分析均具有较好的可解释性，能够清晰展示特征权重或决策路径。而深度神经网络通常被视为“黑盒模型”，其内部层级复杂，难以直观解释特定输出是由哪些输入特征以何种逻辑推导得出，这在涉及飞行安全的关键决策中难以满足监管合规与责任界定需求。因此，在强监管场景下应审慎使用或辅以专门的可解释性工具。23.【参考答案】C【解析】模型训练数据的分布决定了其适用边界。若训练集缺失极端天气等异常场景样本，模型将学习到“常态即全部”的错误规律，导致在面对真实世界中的突发状况时无法做出正确响应。这并非模型复杂度过高引起的过拟合，也不是复杂度不足导致的欠拟合，而是典型的数据代表性偏差问题。这种偏差会严重削弱模型在非平稳环境下的泛化能力，使调度系统在关键时刻失效，危及运行效率与安全。24.【参考答案】B【解析】用户可能用“改签”“换航班”“调整行程”等不同词汇表达同一诉求，传统关键词匹配易遗漏。语义相似度匹配通过向量空间模型或预训练语言模型，将文本映射为语义向量，计算其在高维空间中的距离，从而识别表层差异下的深层意图一致性。命名实体识别用于抽取专有名词，情感分析判断情绪倾向，关键词提取仅关注词频，均无法有效解决同义异构问题。因此，语义相似度匹配是提升问答系统鲁棒性的关键技术。25.【参考答案】B【解析】生物识别信息属于敏感个人信息，一旦泄露将对个人权益造成重大影响。《个人信息保护法》明确规定，处理敏感个人信息应具有特定目的和充分必要性，并采取严格保护措施。最小必要原则要求仅在实现身份验证目的所必需的最小范围内收集和使用数据，不得过度采集或超范围处理。效率、技术先进性或成本因素不能作为突破法律底线的理由。因此，合规设计必须以最小必要为前提，确保技术应用不侵犯旅客隐私权。26.【参考答案】B【解析】监督学习依赖大量高质量标注数据，在样本稀缺时易过拟合；强化学习适用于序贯决策而非静态图像识别；规则引擎难以覆盖复杂多变的缺陷形态。半监督学习则能同时利用少量标注数据和海量未标注数据，通过自训练、一致性正则化或伪标签等机制，从无标签数据中提取有用表征，显著提升小样本场景下的模型泛化能力。这在航空维修等高成本标注领域具有重要应用价值，能以较低成本达到接近全监督的性能水平。27.【参考答案】C【解析】数据漂移指生产环境数据分布随时间偏离训练数据，导致模型性能衰减。一次性离线评估无法反映动态变化；全量人工复核成本过高且不现实；固定阈值难以适应渐变式漂移。有效的应对策略是建立在线监控系统，实时追踪输入数据分布与模型预测指标，当检测到显著偏移时自动触发告警并启动模型再训练流程，形成“监测-诊断-更新”闭环。该机制确保AI系统能持续适应运行环境变化，维持长期可靠性与安全性。28.【参考答案】C【解析】不同机型因气动设计、发动机效率等差异，燃油消耗规律存在本质区别。简单增加数据量未必能弥合结构性差异；剔除老机型虽提升局部精度但丧失业务完整性；盲目提高复杂度易引发过拟合且未解决根因。合理做法是通过特征工程显式编码机型相关属性（如机龄、推重比），或按机型类别构建子模型进行分层预测，使模型能捕捉异质性规律。这种针对性改进既保留全量业务覆盖，又提升对特殊群体的预测准确性，兼顾科学性与实用性。29.【参考答案】C【解析】算法歧视可能源于数据偏见、模型设计缺陷或部署环境变化，具有动态性和隐蔽性。仅在单一节点评估无法全面防控风险：立项时缺乏具体实现细节，上线前测试难以覆盖长期演化，事后补救已造成实际伤害。国际主流AI伦理框架强调公平性应作为系统性工程，从数据采集清洗、特征选择、模型验证到上线监控、反馈迭代各环节均需设置检查点与纠偏机制。唯有全生命周期嵌入，才能确保技术服务于所有乘客的平等权益，符合行业社会责任要求。30.【参考答案】B【解析】黑色软包与硬壳箱在颜色上几乎无差别，像素均值无法区分；文件大小受压缩算法影响，与物体类别无关；时间戳仅为元数据，不含视觉内容。而软质材料表面褶皱多、边缘模糊不规则，硬质箱体则表面光滑、轮廓锐利几何感强，这些差异体现在纹理模式与边缘梯度特征中。通过提取Gabor纹理、HOG或CNN中间层特征，可有效捕捉材质与结构信息，弥补颜色特征的不足。因此，纹理与边缘形状是解决此类细粒度分类任务的关键视觉依据。31.【参考答案】C【解析】A项错误，监督学习依赖有标签数据进行训练；B项错误，强化学习侧重于动态环境下的序列决策，而非静态分类；D项错误，聚类属于无监督学习，用于分组而非数值预测。C项正确，决策树及其集成模型（如随机森林）既能捕捉特征间的非线性交互，又能通过特征重要性排序提供业务可解释性，适合航空运营场景中对“黑盒”模型的审慎要求，兼顾精度与透明度。32.【参考答案】C【解析】A项错误，Transformer通常参数量更大；B项错误，其自注意力机制本身无序，必须依赖位置编码；D项错误，该架构广泛用于分类、翻译、问答等多种任务。C项正确，自注意力机制使所有token可同时交互，摆脱了RNN的时序依赖，实现高效并行训练，并通过全局感受野直接建模远距离语义关联，显著提升长文本处理能力，是当前大模型的基础架构。33.【参考答案】C【解析】A项违反最小必要与存储期限原则；B项未履行告知同意义务；D项未获单独同意即共享敏感信息，均违法。C项正确，《个保法》鼓励对个人信息进行匿名化或去标识化处理，降低再识别风险后方可用于二次利用。去标识化虽不等于完全匿名，但在采取技术与管理措施前提下，可作为合法合规的数据利用路径，平衡AI训练需求与用户权益保护。34.【参考答案】B【解析】A项易导致过拟合特定视角；C项过度清洗会丢失真实场景多样性；D项可能截断关键缺陷区域。B项正确，几何与光度变换能模拟实际巡检中多角度、多光照条件，扩充有效样本分布，迫使模型学习不变性特征，显著提升在未见场景下的鲁棒性。这是工业视觉检测中应对数据采集局限性的标准做法，符合深度学习正则化原理。35.【参考答案】C【解析】A项忽视数据偏见可能被放大；B项忽略过程公平与个体差异；D项违背“技术非中立”共识。C项正确，公平性具有情境依赖性，不同航空服务场景（如票价、安检、招聘）需匹配差异化公平定义（如机会均等、结果校准等），并通过审计、反馈闭环动态评估。这体现了负责任AI的核心原则：技术服务于人，而非脱离社会价值的纯工程问题。36.【参考答案】B【解析】A项计算成本高，非LoRA特点；C、D改变模型结构，不符合参数高效微调理念。B项正确，LoRA假设任务适配所需的权重变化具有低秩特性，通过在冻结的主干网络旁路注入可训练的低秩矩阵，大幅减少可参数量与显存占用，同时保持预训练知识稳定。该方法已成为航空等领域私有化部署大模型的主流微调方案，兼顾效率与效果。37.【参考答案】C【解析】A、B、D均为知识图谱典型优势：结构化融合多源信息、支持逻辑推理、提升检索效率。C项错误，知识图谱并非万能，仍需与规则引擎、统计模型协同；且本体构建、实体对齐、知识更新等环节高度依赖专家经验，无法全自动运行。在航空安全关键系统中，人机协同才是可靠运维的保障，盲目追求“完全替代”违背工程实践原则。38.【参考答案】B【解析】C、D为回归指标，不适用分类任务；A仅关注预测为正的样本质量，忽略召回情况。B项正确，F1是精确率与召回率的调和平均，综合反映模型在不平衡数据下识别少数类的能力。在航空安全场景中，漏报故障代价远高于误报，单一准确率易被多数类主导而掩盖模型缺陷，F1更能体现实际业务价值，是工业异常检测的标准评估指标。39.【参考答案】B【解析】A项违背联邦学习隐私保护初衷；C项错误，通常结合同态加密、差分隐私等技术保障安全；D项限制过窄，文本、表格等均可应用。B项正确，联邦学习的核心是“数据不动模型动”，各方在本地训练后仅上传加密梯度，由聚合服务器更新全局模型。这特别适合航空公司间在合规前提下共建故障预测、旅客行为等模型，破解数据孤岛难题。40.【参考答案】C【解析】A、B、D均为线上监控核心：数据漂移影响模型有效性，系统性能关乎服务可用性，业务反馈验证实际价值。C项属于开发阶段的工程实践，虽重要但非运行时监控对象。模型上线后需持续观测其在真实环境中的表现退化、资源消耗及业务影响，而版本控制应在CI/CD流程中完成。混淆开发与运维阶段职责，会导致监控体系失焦，无法及时响应线上风险。41.【参考答案】A【解析】监督学习利用带标签的历史数据（如是否延误、延误时长）训练模型，挖掘输入特征（天气、空管流量等）与输出结果的映射关系，适用于延误预测。无监督学习主要用于聚类或异常检测，无法直接回归预测具体数值；强化学习依赖环境交互与奖励机制，仍需历史经验初始化；半监督学习需少量标签数据引导，并非完全无标签。A项表述科学准确，符合机器学习基本原理及航空应用场景。42.【参考答案】C【解析】意图识别是自然语言理解的核心任务，通过文本分类模型将用户输入