2026人工智能训练师（三级）实操技能题库（含答案+评分标准）

2026人工智能训练师（三级）实操技能题库（含答案+评分标准）依据国家职业技能标准（4‑04‑05‑05），三级（高级工）实操满分100分，60分合格；考试时长120‑180分钟；四大模块：数据采集与预处理、数据标注质量管控、模型训练调优、模型评估与业务方案设计。

说明：无官方公开真题，本套为2026年认定考试高频模拟实操题库，贴合考场真实题型，包含编程实操、案例分析、方案设计、简答题。模块一：数据采集与预处理（共25分）实操题1：电商用户行为数据集预处理（15分）给定数据集user_behavior.csv，字段：user_id,gender,age,order_amount,score,category

任务：使用pandas读取数据集，查看数据基本信息；处理缺失值；处理异常值：年龄限定18‑70岁，订单金额>0，评分1‑5；对order_amount、score做Z‑score标准化；清洗完成保存为cleaned_user_behavior.csv，不要输出索引列。参考答案（Python代码）python

importpandasaspd

fromsklearn.preprocessingimportStandardScaler

#1读取数据

df=pd.read_csv("user_behavior.csv")

print(())

print(df.head())

#2处理缺失值：数值列中位数填充，类别列众数填充

forcolindf.columns:

ifdf[col].dtypein['int64','float64']:

df[col].fillna(df[col].median(),inplace=True)

else:

df[col].fillna(df[col].mode()[0],inplace=True)

#3过滤异常值

df=df[(df["age"]>=18)&(df["age"]<=70)&(df["order_amount"]>0)&(df["score"].between(1,5))]

#4标准化

scaler=StandardScaler()

df[["order_amount","score"]]=scaler.fit_transform(df[["order_amount","score"]])

#5保存

df.to_csv("cleaned_user_behavior.csv",index=False)评分标准读取查看数据：3分；缺失值处理正确：4分；异常值过滤正确：4分；标准化实现：2分；保存文件格式正确：2分。扣分点：忘记index=False扣2分；过滤条件错误直接扣4分。简答题2：简述业务数据采集流程设计要点（10分）参考答案明确业务目标：确定模型用途，梳理需要采集哪些字段；数据源确认：区分线上埋点、业务数据库、人工采集，明确数据来源；采集规则制定：定义字段格式、取值范围、采集频率；隐私合规：脱敏处理个人敏感信息，遵守数据安全法规；数据校验机制：采集时实时校验格式，过滤脏数据；存储方案：区分原始数据、处理后数据，做好版本管理。评分标准：每条要点2分，答满5点得满分。模块二：数据标注与质量管控（共30分，三级实操占比最高）实操题3：文本意图标注任务（18分）场景：智能客服对话文本标注，任务：意图分类+实体标注，数据集为用户咨询对话。

任务：搭建标注Schema：定义意图分类体系，示例：社保咨询、公积金、户籍、投诉、其他；对5条样本完成BIO实体标注；设计标注质量审核方案，给出质量评估指标；说明标注不一致样本如何处理。参考答案标注Schema：

意图：社保咨询、公积金业务、户籍办理、投诉反馈、其他；

实体：人名、身份证号、地区、业务名称。

BIO标注示例：

文本：我想办理深圳的公积金提取业务

BIO：OOB‑地区I‑地区OB‑业务I‑业务I‑业务质量评估指标Cohen’sKappa系数：标注员之间一致性，三级要求Kappa≥0.61；准确率、漏标率、错标率；抽样复核比例，建议10‑20%样本抽检。不一致样本处理

①双人交叉标注；②出现分歧由标注负责人仲裁；③把分歧样本加入难例样本库，用于迭代标注规范；④对标注员做重新培训。评分标准：Schema设计6分；BIO标注4分；质量指标4分；不一致处理4分。简答题4：图像目标检测标注，IOU指标含义，标注质量要求（12分）参考答案IOU（交并比）：预测框与真实标注框交集面积÷并集面积；目标检测标注：边界框框选物体完整，尽量贴合物体边缘；三级实操质量标准：标注框IOU≥0.7；不允许漏标、错标；遮挡物体尽量标注可见主体；质量检查：抽样复核，统计漏标、错标，对不合格标注返工。评分标准：IOU定义4分；标注规范4分；质量指标4分。模块三：模型训练与调优（共25分）实操题5：分类模型训练、数据集划分、模型训练（15分）给定raw_data.csv，标签列label；

任务：按照7:3划分训练集、测试集；构建简单分类模型；设置超参数：epoch、batch_size、学习率；使用早停（EarlyStopping）防止过拟合；保存最优模型。参考答案（Python框架示例）python

importpandasaspd

fromsklearn.model_selectionimporttrain_test_split

fromsklearn.ensembleimportRandomForestClassifier

fromsklearn.metricsimportaccuracy_score

df=pd.read_csv("raw_data.csv")

X=df.drop("label",axis=1)

y=df["label"]

#1划分数据集7:3

X_train,X_test,y_train,y_test=train_test_split(X,y,test_size=0.3,random_state=42)

#2模型

model=RandomForestClassifier(n_estimators=100,max_depth=8,random_state=42)

model.fit(X_train,y_train)

#3预测评估

y_pred=model.predict(X_test)

acc=accuracy_score(y_test,y_pred)

print(f"测试集准确率：{acc:.3f}")

#4保存模型

importjoblib

joblib.dump(model,"best_model.pkl")评分标准：数据集划分5分；模型构建4分；防止过拟合处理4分；模型保存2分。简答题6：什么是过拟合？列举至少4种缓解过拟合的方法（10分）参考答案过拟合：模型在训练集表现很好，测试集泛化能力差，学习到训练集噪声。

缓解方法：增加训练样本数量；正则化（L1、L2）；早停EarlyStopping；简化模型复杂度，减少网络层数/树深度；数据增强；Dropout（深度学习）。评分标准：过拟合定义4分；每条方法1.5分，答满4条满分。模块四：模型评估、错误案例分析与业务方案设计（共20分）综合案例题7：模型评估与错误案例分析（12分）背景：银行信贷违约分类模型，测试集混淆矩阵如下：

TP=80，FN=20；FP=10，TN=190。

任务：计算准确率Accuracy、精确率Precision、召回率Recall、F1‑score；分析业务场景（信贷违约），说明该场景优先关注哪个指标；找出错误案例，分析错误原因，给出优化方案。参考答案指标计算Accuracy=(TP+TN)/(TP+TN+FP+FN)=(80+190)/300=0.90Precision=TP/(TP+FP)=80/90≈0.889Recall=TP/(TP+FN)=80/100=0.80F1=2PrecisionRecall/(Precision+Recall)≈0.842信贷违约业务：优先关注召回率Recall；尽可能把真实违约用户识别出来，减少漏判，避免银行损失。错误案例分析：FN（真实违约，预测不违约）：特征缺失、样本类别不平衡；FP（不违约预测违约）：特征噪声、样本分布偏移；

优化方案：

①对少数类样本做SMOTE过采样；②扩充违约样本；③增加业务特征；④调优分类阈值。评分标准：指标计算6分；业务指标选择3分；错误分析+优化3分。简答题8：简述人工智能产品测试报告包含哪些核心内容（8分）参考答案测试环境说明（数据集、软硬件版本）；模型各项评估指标（准确率、精确率、召回率、F1等）；测试样本统计；错误案例清单与原因分析；模型存在的风险；迭代优化建议；测试结论。评分标准：答对4点得满分。附加：高频判断选择（实操配套理论小测）（判断）K‑fold交叉验证，时间序列数据不能随机打乱划分。✅正确（选择）样本不平衡的分类任务，优先看哪个指标（D）

A.AccuracyB.PrecisionC.Rec