AIGP:人工智能治理专业人员 练习题 — AIGP:人工智能治理专业人员

All AIGP Questions认证中机器学习基础定义是入门级核心考点，机器学习的核心本质是无需人工显式编写全部执行规则，系统可以通过对历史数据（即经验）的学习挖掘出潜在模式，自动在对应任务上实现性能提升。选项B的描述完全匹配机器学习的核心特征，是四个选项中最准确的定义，符合题目要求的最恰当描述。 各选项分析：
A. 该选项描述的是广义弱人工智能的通用特征，并非机器学习专属，大量传统硬编码的规则系统同样可以模仿人类智能执行例行任务，不需要具备学习能力，因此不符合机器学习的定义，该选项错误。
B. 该选项完全契合All AIGP知识体系中机器学习的核心定义，经验对应训练数据，预测模式对应学习到的规律，自动改进对应模型性能随训练迭代提升的特征，是对机器学习最准确的描述，该选项正确。
C. 统计推断是机器学习实现过程中可能用到的技术手段之一，并非机器学习本身，同时机器学习的目标是完成特定预测、决策等任务，并非预测人类智力，与机器学习定义不符，该选项错误。
D. 该选项描述更偏向数据挖掘领域的核心目标，发现未知属性不是机器学习的核心特征，机器学习的核心是基于已有经验优化任务性能，而非单纯挖掘数据属性，因此该选项错误。 关键知识点：
1. 机器学习核心定义：机器学习是人工智能的子领域，核心特征是系统无需显式编写全部执行规则，即可从数据经验中学习模式并自动提升对应任务的执行性能。
2. 相近概念边界区分：需明确区分机器学习与广义人工智能、统计推断、数据挖掘的定义差异，避免概念混淆是All AIGP认证的基础考点。
3. 机器学习核心目标：机器学习的核心目标是通过学习到的模式完成分类、回归、决策等特定任务，实现执行效果的持续优化。 参考资料：
1. 什么是机器学习？ - AWS 官方文档, https://docs.aws.amazon.com/zh_cn/machine-learning/latest/dg/what-is-machine-learning.html
2. 机器学习基础知识 - Microsoft Learn

本题考察All AIGP Questions认证中机器学习算法分类的核心考点，随机森林是基于多棵决策树集成的Bagging类算法，核心能力是根据输入特征预测对应的输出标签（分类）或连续值（回归），属于判别式模型范畴，选项中“歧视性的”为判别式模型的不同翻译表述，这类模型的核心逻辑是直接学习条件概率P(Y|X)或者决策边界，实现对未知样本的预测，完全符合题目对随机森林模型类型归类的要求，因此选择C。 各选项分析：
A. 象征性AI属于符号主义AI范式，核心是基于人工定义的规则、符号逻辑实现推理，比如早期的专家系统，而随机森林是数据驱动的统计机器学习算法，不属于象征性模型，因此A错误。
B. 生成式模型的核心是学习数据的联合概率分布P(X,Y)，能够生成符合原有数据分布的新样本，比如GAN、扩散模型、朴素贝叶斯都属于生成式模型，随机森林不具备学习数据分布、生成新样本的能力，因此B错误。
C. 歧视性模型又称判别式模型，核心逻辑是直接学习输入特征到输出结果的映射关系，或者学习条件概率P(Y|X)来实现预测，随机森林通过多棵决策树的投票或结果聚合实现未知样本的分类、回归预测，完全符合判别式模型的定义，因此C正确。
D. 自然语言处理是人工智能的一个应用领域，不是机器学习模型的类型分类维度，因此D错误。 关键知识点：
1. All AIGP Questions认证要求掌握机器学习模型的基础分类，其中按建模逻辑可分为生成式模型和判别式模型，判别式模型聚焦预测任务，生成式模型聚焦数据分布学习与样本生成。
2. 随机森林属于集成学习中的Bagging类算法，通过构造多棵独立的决策树聚合结果降低模型方差，是常用的判别式机器学习算法，可支持分类、回归两类任务。
3. 符号主义（象征性）AI是与数据驱动的机器学习并列的AI范式，核心依赖人工规则而非训练数据实现能力，不属于机器学习模型范畴。 参考资料：
Microsoft Learn 随机森林分类器模块参考, Google 机器学习速成课程 生成式模型定义, https://developers.google.com/machine-learning/gan/generative?hl=zh-cn

本题是All AIGP Questions认证中人工智能技术分类模块的核心考点，题目描述的AI需要同时处理文本、图像、音频、视频四类完全不同的数据模态，完成统一的标签标注任务，这正是多模态模型的核心能力，因此对应选项B。多模态模型的核心特征就是可以整合不同类型的输入数据，完成跨模态的信息理解和任务输出，完全匹配题目中给多类型内容打标签的需求。
各选项分析：
A. 演绎推理是AIGP认证中逻辑推理类AI的相关概念，指基于既定一般性前提推导具体结论的逻辑方法，多用于数学证明、逻辑判断类场景，不涉及多类型非结构化数据的识别处理，和题目描述的功能不符，因此错误。
B. 多模态模型是AIGP认证中大模型技术分类的核心概念，指可以同时处理两种及以上不同数据模态的人工智能，能够实现跨模态的信息理解和任务输出，完全匹配题目中同时处理四类不同内容并统一打标签的需求，因此正确。
C. 变革性人工智能是AIGP认证中AI社会影响分类的相关概念，指具备通用能力、可带来全行业颠覆性变革的强等级人工智能，不属于具体技术类型的划分，和题目描述的具体功能无关，因此错误。
D. 专家系统是AIGP认证中传统人工智能技术的考点，指基于人工录入的专家知识和规则库构建的专用AI，仅能处理预设范围内的单一领域问题，无法自主识别多种非结构化模态数据，和题目描述的技术特征不符，因此错误。
关键知识点：
1. 多模态人工智能的核心定义：可同时处理文本、图像、音频、视频等多种不同类型数据模态，实现跨模态信息关联与任务输出的人工智能技术。
2. 人工智能技术分类边界：需明确演绎推理、专家系统、多模态模型等不同AI技术的核心特征与适用场景，是All AIGP Questions认证基础模块的必考点。
3. 跨模态内容标注的技术路径：多模态模型是当前实现多类型非结构化内容自动分类标注的主流技术方案。
参考资料：
什么是多模态 AI？, AWS 多模态 AI 白皮书：多模态 AI 简介

本题考查All AIGP Questions认证中可信AI相关的核心概念定义，题干描述的是人工智能系统可对自身特定输出给出合理解释的特性，这正好匹配可解释人工智能（XAI）的核心定义，是AIGP认证AI治理模块中明确的基础概念，因此选择C选项。
各选项分析：
A. 负责任的AI是一个涵盖公平性、隐私保护、可靠性、可解释性等多个维度的综合概念，并非特指能够为特定输出提供解释这单一特性，不符合题干的精准描述，因此错误。
B. 透明的AI指的是AI系统的训练数据、算法逻辑、决策全流程对外公开可访问，和可解释性不属于同一概念，即便不公开全部底层逻辑也可实现对特定输出的解释，因此不符合题干描述，错误。
C. 可解释的AI即XAI，其核心定义就是能够为AI系统的特定输出、决策结果提供人类可理解的合理解释，完全匹配题干描述，因此正确。
D. 可靠的AI指的是AI系统在各类预设场景、长时间运行过程中都能稳定达到预期性能，故障率符合要求，与是否能解释输出无关，因此错误。
关键知识点：
1. 可信AI核心属性区分，需明确可解释、透明、负责任、可靠等不同可信AI属性的定义边界和适用场景，是AIGP认证AI治理模块的必考基础内容。
2. 可解释人工智能（XAI）的核心定义，XAI的核心目标是为AI系统的输出和决策提供符合人类逻辑的可理解解释，满足AI落地中的合规、问责需求。
3. AIGP认证对AI治理的基础要求，明确不同AI治理指标对应的考核标准，能够根据场景精准匹配对应的AI属性描述。
参考资料：
Azure 机器学习 可解释 AI 概念说明, AWS Well-Architected 机器学习透镜 可解释性章节

本题考查All AIGP认证体系中AI治理与数据合规的核心内容，题干中涉及的AI身份验证系统采集的用户打字速度、节奏、力度属于生物特征类敏感个人数据，组织在调整配套策略规则时，首要优先级是满足个人数据处理的合规要求，确保数据使用的合法性与正当性，避免因数据滥用引发合规风险、隐私侵权风险，C选项的要求是所有后续策略调整的前置基础，符合认证要求的优先级排序逻辑。 各选项分析：
A. 题干中未提及该AI系统涉及向第三方共享数据的场景，更新第三方数据共享政策不属于当前阶段的优先级工作，因此A错误。
B. 更新敏感数据安全控制措施是保障数据安全的必要手段，但属于在明确数据使用合法合规后的后续落地动作，优先级低于合规性前置要求，因此B错误。
C. 该选项符合个人数据保护的核心目的限定原则，也是All AIGP认证中AI数据治理的核心要求，生物特征类敏感数据的处理必须首先明确仅用于身份验证这一特定合法目的，不得超出范围使用，是策略调整的首要前提，因此C正确。
D. 降低政策复杂性方便员工理解属于政策落地后的优化事项，优先级远低于合规性核心要求，因此D错误。 关键知识点：
1. AI数据处理的目的限定原则，指AI系统采集使用个人数据必须具备明确、特定、合法的目的，所有数据处理行为不得超出事先声明的目的范围。
2. 敏感个人数据治理要求，生物特征等敏感个人数据的处理需要满足更严格的合规要求，其使用正当性是优先级最高的审核事项。
3. AI系统引入的合规优先原则，组织落地AI系统时，需优先满足数据合规、伦理要求，再推进落地配套的安全、运营类规则。 参考资料：
NIST人工智能风险管理框架(AI RMF), https://www.nist.gov/itl/ai-risk-management-framework
欧盟通用数据保护条例(GDPR)官方页面