2026年人工智能应用案例培训试卷及答案

2026年人工智能应用案例培训试卷及答案一、单项选择题（每题2分，共20分）1.在制造业质检场景中，以下哪种方法最适合解决“产品表面微小划痕难以用规则准确描述”的问题？A.基于决策树的专家规则系统B.基于卷积神经网络的视觉检测模型C.基于线性回归的统计过程控制D.基于关键词匹配的文本分类系统答案：B解析：产品表面缺陷检测属于图像识别任务，卷积神经网络（CNN）在图像特征提取与模式识别上表现最佳。A项规则系统难以覆盖微小缺陷的复杂形态，C项适用于数值预测，D项适用于文本任务。2.在构建智能客服问答系统时，用户常会换一种说法表达同一问题（如“如何退款”与“我要退钱”），检索式问答系统应优先采用哪种技术来缓解该问题？A.基于TF-IDF的精确关键词匹配B.基于词向量的语义相似度检索C.基于BM25的词频统计排序D.基于正则表达式的同义词替换答案：B解析：词向量（如Word2Vec、Sentence-BERT）将文本映射到语义空间，可捕捉“退款—退钱”等近义表达；TF-IDF、BM25依赖字面词重叠，无法处理同义改写；正则表达式需要人工穷举规则，维护成本高、覆盖有限。3.某银行计划用AI模型识别信用卡欺诈交易，已知欺诈交易仅占全部交易的0.1%。若仅以“准确率”作为模型优劣的唯一指标，模型可能出现的严重失真是？A.模型将所有交易都预测为正常交易，准确率高达99.9%B.模型对欺诈交易的识别速度变慢C.模型对正常交易的误判率升高D.模型的训练时间成倍增加答案：A解析：在类别极度不平衡（欺诈率0.1%）时，把所有样本判为多数类即可获得99.9%的准确率，但完全丧失识别欺诈的能力。此时应综合使用精确率、召回率、F1值或AUC等指标评估。4.在医疗影像AI辅助诊断项目中，以下哪项措施对降低算法偏倚（Bias）最重要？A.训练数据覆盖不同性别、年龄、设备品牌和疾病分期的样本B.提高单个数据标注员的标注速度C.使用更深层的神经网络结构D.缩短模型的推理时间答案：A解析：算法偏倚主要源于训练数据缺乏代表性。若训练集只包含某一年龄段或某一品牌设备的数据，模型在其他人群或设备上表现会显著下降。B项影响数据质量而非偏倚，C、D项与偏倚无直接关系。5.在智能仓储物流场景中，为“自动导引运输车（AGV）”规划最优路径，本质上是解决哪一类问题？A.图像分类问题B.序列预测问题C.图上的最优化路径搜索问题D.无监督聚类问题答案：C解析：仓储地图可抽象为带权图，AGV路径规划即求解从起点到终点的代价最小路径，常用A*、Dijkstra等算法。图像分类（A项）和聚类（D项）不涉及路径决策，序列预测（B项）适用于时间序列而非空间寻路。6.某零售企业用AI做销量预测，发现节假日期间预测误差明显增大。为改善这一情况，以下哪种做法最合理？A.在训练数据中加入节假日特征（如是否节假日、节前第几天、节日类型）B.将全部非节假日数据删除C.将所有特征做归一化处理D.将预测目标从日销量改为周销量答案：A解析：节假日导致销量模式骤变，本质是“特征缺失”问题——模型没见过节假日的特征模式，自然无法预测。显式引入节假日相关特征可帮助模型学习节日效应。C项归一化只是尺度变换，不增加信息；B、D项均以牺牲数据粒度来回避问题，且D无法消除节日波动。7.在使用大规模语言模型（LLM）构建企业知识库问答系统时，“检索增强生成（RAG）”技术相对“直接让模型根据内部知识作答”的主要优势是？A.回答速度更快B.可以引用企业最新内部文档，减少“一本正经地胡说八道”C.不需要GPU即可运行D.完全避免所有安全风险答案：B解析：RAG先从企业文档库中检索相关内容，再让LLM基于检索结果生成答案，显著降低伪造信息的概率，且能及时反映文档更新。A项RAG因多了检索环节通常更慢；C项LLM本身仍需算力；D项不能完全消除风险。8.在某AI安防项目中，模型将“足球场上的裁判”误判为“抢劫嫌疑人”。以下哪种排查思路最直接有效？A.增加训练数据中裁判、球场等场景的正样本数量B.调高模型的置信度阈值C.将模型从ResNet换成VGGD.降低训练数据的标注精度要求答案：A解析：误判的根本原因是训练数据中缺乏“裁判持哨在球场”这类易混淆场景的正样本，模型未学过该模式。补充覆盖易混淆场景的样本是最直接手段。B项调高阈值只是减少“低置信度”输出，不能根治概念混淆；C项换骨干网络收益有限；D项降低标注质量会适得其反。9.在时间序列异常检测场景（如服务器CPU监控）中，以下哪一方法最适合在无标注数据的情况下识别未知类型的异常？A.基于重构误差的无监督方法（如自编码器）B.有监督的XGBoost分类器C.人工设定固定阈值的静态规则D.需要大量正负样本标注的深度学习分类模型答案：A解析：自编码器学习正常数据模式，对“没见过的模式”重构误差大，即可判定为异常，天然适合无监督场景。B、D需要充足标注数据；C静态阈值无法适应数据中心流量随时间变化的动态特征。10.在AI项目开发中，“模型在训练集上F1值0.96、测试集上F1值0.71”，最可能反映的问题是？A.欠拟合B.过拟合C.梯度爆炸D.数据泄漏导致测试集污染答案：B解析：训练集远高于测试集的表现，说明模型“背下了”训练数据的特定模式，泛化能力差，即过拟合。欠拟合是两者都差；梯度爆炸表现为训练不收敛；数据泄漏通常造成测试集虚高而非偏低。二、多项选择题（每题3分，共15分）1.以下属于人工智能在智能制造中的典型应用场景的有？A.基于机器视觉的产品外观缺陷检测B.基于设备振动数据的预测性维护C.基于改进遗传算法的生产排程优化D.基于自然语言处理的会议纪要素材整理答案：ABCD解析：A、B、C均为制造环节核心AI应用；D虽非直接加工制造，但属于制造企业日常运营中的典型AI辅助场景，在大规模培训中通常一并纳入泛智能制造应用范畴。2.在构建企业级智能问答系统时，中文文本预处理的常见步骤包括？A.去除HTML标签和特殊符号B.对文本进行分词（如jieba、LAC）C.去除停用词（如“的”“了”“呢”）D.将全部繁体字转换为简体字答案：ABCD3.以下关于模型评估指标的说法中，正确的有？A.精确率（Precision）衡量“预测为正类的样本中真正是正类的比例”B.召回率（Recall）衡量“真正正类的样本中被成功预测为正类的比例”C.F1值是精确率和召回率的调和平均数D.当正负样本极不均衡时，准确率可能具有误导性答案：ABCD4.以下哪些措施可以有效缓解深度学习模型在训练过程中的过拟合问题？A.对训练图像进行随机旋转、裁剪、翻转等数据增强B.在损失函数中加入L2正则化项C.使用Dropout随机丢弃部分神经元D.无限增加模型的隐藏层数量和参数量答案：ABC解析：A项增加数据多样性、B项约束权重大小、C项减少神经元间共适应，均可缓解过拟合。D项反向操作，参数量过大而数据量不变会加重过拟合。5.在人工智能项目的实施过程中，以下属于“数据准备”环节的典型任务的有？A.缺失值填充B.对图像数据进行旋转、缩放等增强C.异常值检测与剔除D.将文本标签（如“正”“负”）转为1、0数值形式答案：ABCD三、判断题（每题1分，共10分）1.在监督学习中，训练数据必须包含输入特征和对应的标签。答案：正确2.机器学习模型只能处理结构化表格数据，无法直接处理图像和文本。答案：错误解析：卷积神经网络可直接处理图像，循环神经网络、Transformer可直接处理文本，图像与文本经预处理后均可作为模型输入。3.当OCR识别票据时，将彩色图像转换为灰度图一定会降低识别准确率。答案：错误解析：转换灰度图有助于去除非关键彩色噪声，是否降低准确率取决于具体场景，许多OCR系统在灰度图上反而表现更好。4.数据集划分时，通常将全部数据分为训练集、验证集和测试集三个部分。答案：正确5.在模型训练中，学习率设置得越大，模型一定收敛得越快。答案：错误解析：学习率过大可能导致损失函数振荡甚至发散；过小则收敛过慢。合适的学习率需要在训练中调节。6.无监督学习的主要目标是发现数据自身的结构和模式，而非预测事先定义的标签。答案：正确7.“端到端”深度学习是指将原始输入直接映射到最终输出，中间不经过人工设计的特征提取环节。答案：正确8.部署AI模型时，量化（Quantization）可以显著降低模型体积，但可能带来一定精度损失。答案：正确9.Prompt工程只能用于文本任务，无法用于图像生成模型。答案：错误解析：StableDiffusion、DALL·E等图像生成模型同样依赖文本Prompt控制生成内容，Prompt工程也覆盖文生图领域。10.依据《生成式人工智能服务管理暂行办法》，在中国境内面向公众提供生成式AI服务必须进行算法备案。答案：正确四、简答题（每题5分，共20分）1.简述有监督学习与无监督学习的主要区别，并各举一个AI应用场景。答案：见解析。（1）有监督学习使用带标签数据训练，模型学习输入到输出的映射，目标是预测未知样本的标签。典型应用：垃圾邮件分类（邮件文本→“垃圾/正常”）、房价预测。（2）无监督学习使用无标签数据训练，模型自主学习数据的内在结构，典型任务为聚类、降维、异常检测。典型应用：用户分群（根据购买行为自动聚类）、服务器日志异常检测。2.简述“数据增强”的含义，并列举图像领域常用的三种数据增强方法。答案：见解析。数据增强是对训练数据施加随机变换以产生新样本，在不新增采集成本的前提下扩充数据量、提升模型泛化能力。常用方法包括：（1）几何变换：随机旋转、平移、缩放、翻转；（2）色彩变换：亮度/对比度/饱和度调整；（3）噪声注入：添加高斯噪声、模糊。此外Mixup、CutMix等增强策略也较常用。3.在零售销量预测项目中，列举至少三种对预测有显著影响的特征。答案：见解析。常见高价值特征包括：（1）时间特征：日期、星期几、是否节假日、月份、季节；（2）历史销量特征：过去7天/30天平均销量、去年同期销量；（3）促销信息：是否促销、促销力度、促销时长；（4）外部因素特征：天气、温度、当地大型活动。实际项目中需结合业务做特征重要性验证。4.简述RAG（检索增强生成）技术的工作流程。答案：见解析。RAG的完整流程分为索引与生成两个阶段：（1）索引阶段：将企业文档切分为文本块，用Embedding模型将文本转为向量，存入向量数据库；（2）检索阶段：用户提问后，将问题转为向量，在向量库中检索最相似的Top-K文本块；（3）生成阶段：将检索到的文本块与用户问题组成Prompt，输入大语言模型生成回答。该流程使模型可以依托外部知识作答，显著降低事实性错误。五、案例分析题（每题7分，共35分）1.某电商平台客服团队日均处理2万条咨询，其中约60%为“订单物流查询”“退换货政策”等重复性问题。团队计划引入智能客服机器人，请回答：（1）从项目可行性和降本增效角度，简述该场景适合引入AI的主要原因。（2）列举两个机器人初期最可能遇到的技术难点，并各给出一种应对方案。答案：见解析。（1）可行性原因：咨询量大、重复性问题占比高、问题答案相对标准化，符合AI落地“高频、重复、规则相对明确”的特征，ROI较高；同时可释放人工客服处理复杂客诉的时间。（2）难点与应对：-同义改写与口语化表达理解难：如“货到哪了”“我的快递呢”语义相同但字面差异大。应对：采用基于语义相似度检索（Sentence-BERT/向量检索）而非精确关键词匹配；-多轮对话中意图迁移与指代消解难：如用户先说查订单，再问“那能退吗”需识别“那”指代刚查的订单。应对：引入多轮对话状态管理，维护会话上下文槽位；-回答生硬、缺乏“人情味”：应对：设计多套话术模板并加入兜底转人工逻辑。2.某工厂生产线上部署了基于机器视觉的质检系统，用于检测金属零件表面裂纹。上线后出现以下现象：裂纹召回率95%，但将部分良品误判为次品，导致产线“误杀”率偏高，返工成本增加。请回答：（1）该现象反映模型的哪项指标偏低？（2）请提出至少两种可行的优化策略。答案：见解析。（1）该现象反映模型的精确率（Precision）偏低。精确率=预测为次品中真正为次品的比例，精确率低即大量“假阳性”（良品被判为次品）。（2）优化策略：-补充难例样本：收集被误判的良品图像（尤其是带油污、纹理不均等易混淆样本）加入训练集，让模型学会区分真实裂纹与表面伪影；-调整分类阈值：将判定为次品的置信度阈值适当提高，减少低置信度良品被误杀；-引入“复审机制”：对判为次品的样本设置人工抽检或二次判定的三重保险，而不是直接报废；-优化模型结构：增加注意力机制，使模型更聚焦于裂纹区域的细粒度特征；-改进打光与成像条件：调整光源角度和相机参数，减少表面反光对检测的干扰。3.某银行风控部门希望建立“信用卡申请欺诈检测模型”，基于申请人的收入、职业、年龄、学历等结构化信息判断申请是否涉嫌欺诈。请回答：（1）该任务属于哪一类机器学习问题（分类/回归/聚类）？（2）由于欺诈行为形态不断演化，模型上线一段时间后性能开始下降。从“模型监控与更新”角度提出两条可行措施。答案：见解析。（1）该任务属于二分类问题（预测标签为“欺诈/非欺诈”），也可视为异常检测——欺诈申请相对少数，但核心是通过历史数据学习欺诈申请与正常申请的决策边界，按分类任务建模更贴切。（2）监控与更新措施：-建立线上性能监控看板：定期（如每周）统计模型在近期流入样本上的AUC、KS值等指标，与训练期基线对比，设置预警阈值，发现明显衰减即触发告警；-设定“定期重训+人工校验”机制：将最近36个月的新增审核数据补充进训练集进行重训，并在重训前抽样核查新数据标签的准确性，防止“坏标签”污染模型；-引入可解释性分析：定期检查模型特征重要性排序变化，判断欺诈模式是否发生结构性迁移，必要时调整特征工程。4.某三甲医院计划引入AI辅助诊断系统，用于肺结节CT影像检测。医院信息科提出了以下两个方案，请从技术、伦理、合规三个角度对比两个方案：方案A：使用国外某开源模型，在公开数据集上直接部署。方案B：将院内脱敏后的历史CT影像与诊断报告，交技术方在模型上进行联邦学习训练，并在院内部署。答案：见解析。-技术角度：方案A所用公开数据集多为欧美人群影像，与国内人群、机型、扫描参数存在分布差异（域偏移），可能出现漏检或误检；方案B经联邦学习纳入院内数据，能更好地适配本机构影像特征，模型表现通常更优。-伦理角度：方案B涉及医疗数据出境与患者隐私问题，若采用联邦学习（数据不出院），可大幅降低隐私风险；方案A若直接调用国外云端API，将产生患者影像数据出境风险，违反《数据安全法》《个人信息保护