题库练习
人工智能训练师题库练习:覆盖 AI 与机器学习基础、数据采集与清洗、质量与标注规范、人机交互与评测、文本标注、图像语音处理、参数调优、性能测试八章考点,支持章节练习与错题本。
题库按本站 2 本书 8 章组织:章节练习即时判分看解析(含错误选项原因),模拟考试限时自测,错题自动进错题本。
| 模块 | 章节 | 重点题型 |
|---|---|---|
| 基础与数据素养 | 1 AI 与机器学习基本概念;2 数据采集与清洗;3 数据质量与标注规范;4 人机交互与评测指标 | 概念辨析、指标计算、流程判断 |
| 标注与训练实操 | 1 文本数据标注;2 图像与语音数据处理;3 算法参数设置与调优;4 性能测试与效果评估 | 情境判断、规范边界、改动决策 |
⚠️ 说明:题库为本站原创整理,用于帮助理解与记忆;实际考核范围、题型与合格线以国家职业技能标准与备案评价机构当次通知为准。
做题建议
- 先做概念题,再做情境题:概念题错,回到 《人工智能基础与数据素养》 核对定义;情境题错,问自己“规范怎么写、指标怎么看、改动要不要跑回归”;
- 指标计算题动手算:混淆矩阵四格先画出来,再套公式——别背公式,背“分母是什么”(精确率分母是报出来的,召回率分母是实际有的);
- 规范类题抓边界:凡问“最合适的做法”,优先选先读规范 / 先试标校准 / 存疑上报 / 抽检留痕的选项,不要选自作主张硬标的选项;
- 改动类题抓纪律:凡问“改完怎么办”,优先选跑测试集对比、掉点回滚的选项,不要选“感觉更好就上线”;
- 错题归因三分类:概念错 / 流程错 / 看错题——前两类回书原文,第三类练审题;
- 复习节奏:每章练习 → 隔天重做错题 → 考前只看 备考笔记 与 一页速记。
遇到“最恰当”“首要”这类提问,优先选择先保数据合规与安全、先读规范、先跑评测的选项——这三条是这个职业不变的优先级。
{"bank":[{"analysis":"三者是**大圈套小圈**的关系:**人工智能 ⊃ 机器学习 ⊃ 深度学习**。AI 是让机器表现出智能行为的总称,机器学习是其中「从数据中自己找规律」的方法,深度学习又是机器学习里用多层神经网络自动提取特征的一支。","answer":"A","chapter":"AI训练师·AI与机器学习基础","difficulty":1,"explain":{"B":"把 AI 等同于深度学习,缩小了 AI 的范围;规则系统、专家系统同样属于 AI。","C":"包含关系说反了:应当是 AI 包含机器学习,机器学习包含深度学习。","D":"三者并非互相独立,而是层层包含的关系。"},"id":"jc-01-001","options":["深度学习属于机器学习,机器学习属于人工智能","AI 就是深度学习,两者是同一个概念","机器学习包含人工智能,人工智能包含深度学习","三者互相独立,不存在包含关系"],"source":"chapter","stem":"关于人工智能(AI)、机器学习(ML)与深度学习(DL)三者的关系,下列说法正确的是?","subject":"人工智能基础与数据素养","type":"single"},{"analysis":"无监督学习使用**没有标注**的数据,典型任务是**聚类、降维与异常发现**。客户消费记录没有预设标准答案,按数据自身相似度分组属于聚类,是无监督学习。","answer":"B","chapter":"AI训练师·AI与机器学习基础","difficulty":1,"explain":{"A":"预测房价输出的是连续数值,属于监督学习中的回归任务。","C":"情感分类有标注、输出类别,属于监督学习中的分类任务。","D":"实体抽取依赖逐字标注的数据,属于监督学习中的序列标注。"},"id":"jc-01-002","options":["根据房屋面积、地段等特征预测成交价格","把没有标注的客户消费记录按相似度聚成若干群体","判断一条商品评论是正面还是负面","从句子中抽取出人名、地名等实体"],"source":"chapter","stem":"下列任务中,最适合用**无监督学习**解决的是?","subject":"人工智能基础与数据素养","type":"single"},{"analysis":"**训练是「学」,推理是「用」**:训练用标注数据反复调整参数,耗时耗算力;推理用训练好的模型对新输入直接给出结果,**不再改变参数**。用户使用产品时,模型已经在推理阶段。","answer":"C","chapter":"AI训练师·AI与机器学习基础","difficulty":1,"explain":{"A":"只有训练阶段会更新参数,推理阶段参数是固定的。","B":"推理不需要标注数据,也不调整参数;需要标注数据的是训练。","D":"训练通常更耗时、更耗算力,推理以快速响应用户为目标。"},"id":"jc-01-003","options":["训练与推理都会持续更新模型参数","推理阶段需要大量标注数据来调整参数","用户在日常使用 AI 产品时,模型处于推理阶段","推理阶段比训练阶段更耗时、更耗算力"],"source":"chapter","stem":"关于模型的训练阶段与推理阶段,下列说法正确的是?","subject":"人工智能基础与数据素养","type":"single"},{"analysis":"测试集的作用是**最终考核**,应当只用一次。一旦根据测试集结果反复调参,模型就等于**背下了考卷**,即发生**数据泄漏**,分数虚高。调参应当使用**验证集**。","answer":"D","chapter":"AI训练师·AI与机器学习基础","difficulty":2,"explain":{"A":"问题不在样本数量,而在于用测试集反复调参破坏了「考卷」的独立性。","B":"反复贴合测试集更容易导致过拟合,而不是欠拟合。","C":"后果不是浪费算力,而是评估结论失真。"},"id":"jc-01-004","options":["测试集样本数量太少,分数不可信","会让模型出现欠拟合","只是浪费算力,不影响评估结论","造成数据泄漏,报出的分数虚高,无法反映真实泛化能力"],"source":"chapter","stem":"有人反复根据测试集上的表现调整模型参数,直到测试集分数很高。这种做法的主要问题是?","subject":"人工智能基础与数据素养","type":"single"},{"analysis":"**训练集好、测试集差是过拟合的典型表现**,通俗说就是「把练习册答案背下来了」。常见对策是补充数据、清洗噪声、加正则、简化模型——**过拟合常常是数据问题**。","answer":"A","chapter":"AI训练师·AI与机器学习基础","difficulty":2,"explain":{"B":"欠拟合的表现是训练集和测试集都差,即根本没学会。","C":"标注全错属于数据问题,但不会同时出现训练集表现很高的情况。","D":"训练轮次太少通常导致欠拟合,表现为两个数据集都差。"},"id":"jc-01-005","options":["过拟合,模型把训练数据中的噪声与特例也记住了","欠拟合,模型太简单没有学会规律","测试集标注全部错误","训练轮次太少,模型还没收敛"],"source":"chapter","stem":"某模型在训练集上准确率很高,在测试集上却明显偏低。这最可能是?","subject":"人工智能基础与数据素养","type":"single"},{"analysis":"监督学习按输出类型分两类:**输出是类别叫分类,输出是数值叫回归**。预测销售额输出的是连续数值,属于回归任务。","answer":"B","chapter":"AI训练师·AI与机器学习基础","difficulty":2,"explain":{"A":"垃圾邮件判定输出「是/否」类别,属于分类。","C":"意图归类输出的是类别标签,属于分类。","D":"没有标注、按相似度分组,属于无监督学习中的聚类。"},"id":"jc-01-006","options":["判断一封邮件是否为垃圾邮件","预测某门店下个月的销售额","把用户咨询归入若干意图类别","对未标注的图片按相似度聚类"],"source":"chapter","stem":"下列任务中,属于**监督学习中的回归任务**的是?","subject":"人工智能基础与数据素养","type":"single"},{"analysis":"公开数据集虽然可以免费获取,但**许可证(License)与使用条款各不相同**,商用、再分发等用途必须先确认授权。采集与使用还要守住**合法授权、最小必要、告知同意、脱敏、不外传、留痕**等合规底线。","answer":"C","chapter":"AI训练师·数据采集与清洗","difficulty":1,"explain":{"A":"公开不等于无限制,许可证可能禁止商用或再分发。","B":"没有明显的姓名电话不代表没有其他个人信息,也不代表授权齐全。","D":"把数据上传到公网工具违反「不得上传公网工具」的要求。"},"id":"jc-02-001","options":["直接下载使用,公开数据都是免费且无限制的","只要数据里没有姓名和电话,就可以随意使用","先确认数据集的许可证与使用条款,判断能否用于本项目以及能否再分发","先把数据上传到公网在线工具里做格式转换"],"source":"chapter","stem":"团队准备使用一个公开数据集训练模型,按合规要求首先应当做的是?","subject":"人工智能基础与数据素养","type":"single"},{"analysis":"缺失值处理要**看业务需求**:删除是最贵的一刀,随意填充可能引入偏差,而填 0 会被模型当成真实取值。应先做统计画像看清缺失比例与字段重要性,再选择删除、填充或标记缺失,并把规则写进清洗报告。","answer":"D","chapter":"AI训练师·数据采集与清洗","difficulty":2,"explain":{"A":"直接删除整条会损失大量有效信息,属于「最贵的一刀」。","B":"不加判断地均值填充会扭曲数据分布,可能引入偏差。","C":"用 0 代替缺失会让模型把「缺失」误认为「取值为 0」。"},"id":"jc-02-002","options":["一律直接删除含有空值的整条记录","一律用该字段的平均值填充","把空值统一替换成 0 后继续使用","先看该字段的业务重要性,再决定删除、填充还是标记为缺失"],"source":"chapter","stem":"清洗数据时发现某字段存在大量空值,下列做法最恰当的是?","subject":"人工智能基础与数据素养","type":"single"},{"analysis":"去重分为**精确去重**(完全一致)与**近似去重**(相似度或指纹)两类。近似重复会让同一内容在训练集中被反复加权,使模型产生偏向,往往也是采集或汇总出错的信号,应按业务需要识别处理。","answer":"A","chapter":"AI训练师·数据采集与清洗","difficulty":2,"explain":{"B":"完全一致只是重复的一种,近似重复同样需要处理。","C":"去重属于清洗环节,应在标注之前完成,避免带着重复数据进入标注。","D":"重复会改变样本权重、影响模型效果,不只是存储问题。"},"id":"jc-02-003","options":["近似重复(改动几个字、多一个空格)同样会污染训练,需按业务选用相似度或指纹方法处理","只要没有完全一致的记录,就不存在重复问题","去重只需要在标注完成之后做一次","重复数据只会增加存储成本,不影响模型效果"],"source":"chapter","stem":"关于数据去重,下列说法正确的是?","subject":"人工智能基础与数据素养","type":"single"},{"analysis":"铁律是**先画像、后动手;先统计、再抽样**。统计能发现缺失率、重复率、类别失衡等整体问题,抽样人看能发现机器统计看不到的语义问题,两条腿走路之后再定处理规则,并留下清洗报告。","answer":"B","chapter":"AI训练师·数据采集与清洗","difficulty":2,"explain":{"A":"不画像就删数据,容易误删有效样本,也无法解释删了什么。","C":"脏数据与错标注会被模型当成正确答案学进去,清洗不能后置。","D":"只做格式统一会漏掉缺失、异常、重复等更需要处理的问题。"},"id":"jc-02-004","options":["先按经验删掉看起来有问题的数据,再做统计画像","先做统计画像并抽样人工阅读,再按规则处理并记录","先直接进入标注,清洗在标注过程中顺手完成","先只做格式统一,其他问题等模型效果不好再处理"],"source":"chapter","stem":"拿到一批原始数据后,清洗的正确顺序是?","subject":"人工智能基础与数据素养","type":"single"},{"analysis":"**是否算噪声取决于任务**:情感分析中表情往往直接表达情绪,是有效特征;但在某些结构化抽取任务中可能需要清除。清洗规则必须与业务目标对齐,并把判定理由写入清洗报告。","answer":"C","chapter":"AI训练师·数据采集与清洗","difficulty":2,"explain":{"A":"把符号一律当噪声会丢掉情感分析的重要线索。","B":"绝对保留同样不成立,任务不同处理口径可以不同。","D":"替换成空格等于变相删除,且没有说明依据。"},"id":"jc-02-005","options":["全部删除,因为符号都属于噪声","全部保留,任何情况下都不能删","按任务决定:表情在情感分析中可能携带情绪信息,清洗规则要与业务目标对齐","统一替换成空格,避免影响分词"],"source":"chapter","stem":"在做情感分析任务的数据清洗时,对文本中的表情符号最恰当的处理方式是?","subject":"人工智能基础与数据素养","type":"single"},{"analysis":"清洗报告面向**数据处理过程的可复现与可解释**,通常包含来源与授权、清洗前画像、规则清单、清洗前后对比、遗留问题与建议。模型指标属于训练与评测阶段的产物,不是清洗报告的必备内容。","answer":"D","chapter":"AI训练师·数据采集与清洗","difficulty":1,"explain":{"A":"来源与授权说明回答「数据从哪来、能不能用」,是报告的第一项。","B":"规则清单与判定理由保证返工时可以复现,是核心内容。","C":"前后对比说明「删了什么、为什么删」,属于必备内容。"},"id":"jc-02-006","options":["数据来源与授权说明","清洗规则清单,以及每条规则的判定标准与理由","清洗前后的条数变化,删除了哪些数据、为什么删","模型最终在测试集上的准确率与精确率指标"],"source":"chapter","stem":"一份合格的清洗报告通常**不需要**包含下列哪一项?","subject":"人工智能基础与数据素养","type":"single"},{"analysis":"质量四性为**准确、一致、完整、时效**。准确性靠抽检与复核,**一致性靠重复标注比对算出的一致率**,完整性靠缺失率,时效性靠时间分布检查。一致性最容易被忽视,但它直接决定模型学到的是不是互相矛盾的答案。","answer":"A","chapter":"AI训练师·质量与标注规范","difficulty":1,"explain":{"B":"准确性关注数据与事实是否相符,用抽检复核衡量。","C":"完整性关注字段与样本是否有缺失。","D":"时效性关注数据是否仍然当前有效。"},"id":"jc-03-001","options":["一致性,靠重复标注比对算出一致率衡量","准确性,靠抽检与复核衡量","完整性,靠缺失率与字段完整性检查衡量","时效性,靠时间分布检查与定期复核衡量"],"source":"chapter","stem":"数据质量「四性」中,用于检验「同一份数据在不同标注员、不同时间口径是否一致」的是?","subject":"人工智能基础与数据素养","type":"single"},{"analysis":"规范六要素是**定义 + 正例 + 反例 + 边界案例 + 弃标规则 + 验收标准**。只写定义时,标注员对边界与例外各自理解,分歧会集中爆发。**规范的含金量在边界案例**,只写定义的规范等于没写规范。","answer":"B","chapter":"AI训练师·质量与标注规范","difficulty":2,"explain":{"A":"标签名称属于定义的一部分,题干已经说明定义写了。","C":"工具操作说明属于培训材料,不在六要素之列。","D":"排期与分工属于项目管理内容,不是规范要素。"},"id":"jc-03-002","options":["标签的名称","反例与边界案例,以及弃标规则和验收标准","标注工具的操作说明","项目排期与人员分工"],"source":"chapter","stem":"一份标注规范只写了每个标签的一句话定义。按标注规范六要素衡量,它最可能缺少的是?","subject":"人工智能基础与数据素养","type":"single"},{"analysis":"一致率 = **标注结果相同的条数 ÷ 重复标注总条数** = 82 ÷ 100 = **82%**。它反映的是口径统一程度,与是否引入第三方仲裁无关。","answer":"C","chapter":"AI训练师·质量与标注规范","difficulty":2,"explain":{"A":"41% 是把 82 条平摊到两名标注员身上得出的,不属于一致率的算法。","B":"18% 是结果不同的比例,正好算反了。","D":"一致率由重复标注的比对结果直接计算,不需要第三方仲裁数据。"},"id":"jc-03-003","options":["41%","18%","82%","无法计算,因为没有引入第三方仲裁"],"source":"chapter","stem":"某批次抽取 100 条由两名标注员重复标注,其中 82 条结果相同。该批次的一致率是?","subject":"人工智能基础与数据素养","type":"single"},{"analysis":"信息不足时**必须允许弃标并上报**,硬选等于**往数据集里掺错**,模型会把错误答案当作正确答案学进去。删除则会丢失真实场景的分布信息,是否删除应由规范统一决定。","answer":"D","chapter":"AI训练师·质量与标注规范","difficulty":1,"explain":{"A":"凭感觉硬选会向训练数据注入错误答案,是最需要避免的做法。","B":"擅自删除样本会丢失真实分布,应当上报后按规范处理。","C":"随机选同样制造错误标注,还会污染类别分布。"},"id":"jc-03-004","options":["凭感觉选一个最接近的标签,保证数据不空缺","直接删除这条数据,当作它不存在","随机选一个标签,避免影响类别分布","按规范标为「存疑/无法判断」并上报,由规范或需求方给出处理口径"],"source":"chapter","stem":"标注时遇到一句话信息严重不足、无法判断应归入哪个标签,正确的做法是?","subject":"人工智能基础与数据素养","type":"single"},{"analysis":"不合格往往**成片出现**——同一条规则理解错,会污染该规则涉及的所有样本,抽检只是采样,真实比例可能更高。应按**批次/规则**整体返工并回溯已提交部分,同时把规则在规范中写清并重新校准。","answer":"A","chapter":"AI训练师·质量与标注规范","difficulty":3,"explain":{"B":"只改被抽到的样本,未被抽到的同类错误会被漏掉。","C":"不返工只提醒,错误数据仍会进入训练集。","D":"为了少返工而降低抽检比例,等于放弃质量把关。"},"id":"jc-03-005","options":["按该规则涉及的批次整体返工,并回溯已提交的部分","只把这 1% 挑出来改掉即可","口头提醒标注员,后续注意即可","适当降低该批次的抽检比例以减少返工"],"source":"chapter","stem":"抽检发现某批次 1% 的样本不合格,经排查是标注员对同一条规则产生了共同误解。最恰当的处理是?","subject":"人工智能基础与数据素养","type":"single"},{"analysis":"实体抽取属于**序列标注**:对文本中每个字或词给出标签(如 BIO 体系中的 B/I/O)并记录位置区间,输出形态是「文本 + 位置区间 + 标签」。","answer":"B","chapter":"AI训练师·质量与标注规范","difficulty":1,"explain":{"A":"分类标注作用于整条文本,无法给出实体的位置。","C":"关系抽取标的是两个实体之间的关系,本题没有涉及。","D":"排序标注用于偏好数据或搜索结果相关性,与实体位置无关。"},"id":"jc-03-006","options":["分类标注,给整条文本一个标签","序列标注,为每个字或词打标签并给出位置区间","关系抽取,标出两个实体之间的关系","排序标注,对候选结果打分排序"],"source":"chapter","stem":"需要从新闻文本中标出「人名、地名、机构名」等实体及其位置,应采用的标注类型是?","subject":"人工智能基础与数据素养","type":"single"},{"analysis":"**T/F 看报得对不对,P/N 看报的是什么**:TP 是抓对了,**FP 是把负例错报成正例,即误报**,FN 是该报没报(漏报),TN 是正确排除。","answer":"C","chapter":"AI训练师·人机交互与评测","difficulty":1,"explain":{"A":"真实为正、预测为正,这是 TP(真正)。","B":"真实为正、预测为负,这是 FN(假负,漏报)。","D":"真实为负、预测为负,这是 TN(真负)。"},"id":"jc-04-001","options":["真实为正、预测为正,判断正确","真实为正、预测为负,属于漏报","真实为负、预测为正,属于误报","真实为负、预测为负,正确排除"],"source":"chapter","stem":"在混淆矩阵中,FP(假正)指的是?","subject":"人工智能基础与数据素养","type":"single"},{"analysis":"精确率 = TP ÷ (TP + FP) = 60 ÷ (60 + 20) = **75%**,衡量「报出来的结果里有多少是对的」,关注的是误报。","answer":"D","chapter":"AI训练师·人机交互与评测","difficulty":2,"explain":{"A":"66.7% 是召回率 TP ÷ (TP + FN) = 60 ÷ 90,把漏报也算了进去。","B":"30% 是 TP 占全部样本(200 条)的比例,不是精确率。","C":"80% 是 TP + FP 的绝对数值,不是比率。"},"id":"jc-04-002","options":["66.7%","30%","80%","75%"],"source":"chapter","stem":"某模型在测试集上 TP=60、FP=20、FN=30、TN=90,其精确率约为?","subject":"人工智能基础与数据素养","type":"single"},{"analysis":"选择指标要先问业务最怕什么:**漏报代价大就保召回率**(风险内容、故障告警),**误报代价大就保精确率**(自动拦截、自动扣款),两者都怕时用 **F1** 找平衡点。风控漏放后果严重,应优先保召回。","answer":"A","chapter":"AI训练师·人机交互与评测","difficulty":2,"explain":{"B":"保精确率会减少误拦,但漏放的违规内容会更多,与本场景诉求相反。","C":"类别不均衡时准确率会骗人,全放行也可能得到很高的准确率。","D":"拒答率是交互产品的设计指标,不是本场景的优化目标。"},"id":"jc-04-003","options":["召回率,尽量减少漏报","精确率,尽量减少误拦","准确率,因为整体正确最重要","拒答率,把不确定的内容全部拒掉"],"source":"chapter","stem":"某内容风控场景最怕「违规内容被漏放」,按指标选择原则应优先保证?","subject":"人工智能基础与数据素养","type":"single"},{"analysis":"类别极度不均衡时,**全部预测为多数类也能得到很高的准确率**,但一个少数类都抓不到。因此必须补充**精确率、召回率、F1 与分类别指标**,才能真正判断模型是否可用。","answer":"B","chapter":"AI训练师·人机交互与评测","difficulty":2,"explain":{"A":"这个 98% 是虚假的安全感,模型实际没有识别异常的能力。","C":"问题出在指标选择,与测试集标注是否正确无关。","D":"阈值调整改变的是精确率与召回率的权衡点,无法凭空造出识别能力。"},"id":"jc-04-004","options":["模型效果很好,可以直接上线","类别极度不均衡时准确率会骗人,必须看精确率、召回率与分类别指标","测试集标注有误,应当重新标注","只要再调高阈值就能提升效果"],"source":"chapter","stem":"某二分类测试集中 98% 的样本为「正常」,模型把所有样本都预测为「正常」,准确率仍有 98%。这说明?","subject":"人工智能基础与数据素养","type":"single"},{"analysis":"**兜底是交互设计的底线,不是可选项**。兜底三件是**怎么说 + 何时转人工 + 人工不在怎么办**。多轮追问必须有次数上限,超限转人工;转人工条件要写得可执行,而不是「看情况」。","answer":"C","chapter":"AI训练师·人机交互与评测","difficulty":1,"explain":{"A":"答不出的路径没有设计,产品就会走进死胡同。","B":"死缠烂打比答不出更伤体验,追问必须有上限。","D":"条件模糊会导致线上行为不可预期,应写清触发条件。"},"id":"jc-04-005","options":["只要把常见问题的回答写好,兜底可以不做","用户追问时应无限次追问,直到能回答为止","兜底要写清三件事:答不出时怎么说、什么条件转人工、人工不在怎么办","转人工条件越模糊越好,方便灵活处理"],"source":"chapter","stem":"关于交互产品中「兜底与转人工」的设计,下列说法正确的是?","subject":"人工智能基础与数据素养","type":"single"},{"analysis":"测试集要**分层覆盖**:常规样本反映日常表现,**边界样本最容易暴露缺陷**,对抗样本检验稳健性与安全性。缺少任何一层,评测结论都不完整。","answer":"D","chapter":"AI训练师·人机交互与评测","difficulty":1,"explain":{"A":"只有常规样本,等于只能测出「正常情况下的正常表现」。","B":"只测对抗样本无法反映常规业务质量。","C":"只看困难样本会高估问题的严重程度,失去对日常表现的判断。"},"id":"jc-04-006","options":["全部使用最常见的典型样本,最贴近日常使用情况","只放对抗样本,能扛住攻击就说明模型足够好","只放模型容易出错的困难样本,常规样本没有价值","以常规样本为主,同时必须包含边界样本与对抗样本"],"source":"chapter","stem":"关于测试集的分层建设,下列口径较为合理的是?","subject":"人工智能基础与数据素养","type":"single"},{"analysis":"**整条给标签是分类,逐字给标签是序列,两个实体连线是关系**。情感分类、意图分类都属于文本分类,输出形态是「文本 + 标签」。","answer":"A","chapter":"AI训练师·文本数据标注","difficulty":1,"explain":{"B":"序列标注是为每个字或词打标签,如实体抽取,本题不涉及位置。","C":"关系抽取标的是两个实体之间的关系类型。","D":"转写标注是把语音写成文字,与文本评论分类无关。"},"id":"sc-01-001","options":["文本分类,给整条文本一个标签","序列标注,因为要逐字进行判断","关系抽取,因为要判断情感与对象之间的关系","转写标注,因为要把评论转换成文字"],"source":"chapter","stem":"判断一条用户评论的情感倾向(正面/负面/中性),属于文本标注中的哪类任务?","subject":"数据标注与训练实操","type":"single"},{"analysis":"BIO 体系中 **B 表示实体的开始(Begin)**,**I 表示实体的内部(Inside)**,**O 表示非实体(Outside)**。例如「北京市」可以标为 B-地名、I-地名、I-地名。","answer":"B","chapter":"AI训练师·文本数据标注","difficulty":1,"explain":{"A":"表示实体开始的是 B-地名。","C":"不属于任何实体应标为 O。","D":"BIO 体系没有专门的结束标签,实体结束由下一个 B 或 O 体现。"},"id":"sc-01-002","options":["该字是地名的开始","该字位于地名的内部","该字不属于任何实体","该字是地名的结束标记"],"source":"chapter","stem":"在 BIO 序列标注体系中,标签「I-地名」的含义是?","subject":"数据标注与训练实操","type":"single"},{"analysis":"文本标注六步是**读规范、试标、校准、批量、自查、提交**。铁律是**没有试标校准,就没有批量作业**——跳过试标会把规范漏洞留到批量阶段集中爆发,返工成本通常是试标的几十倍。","answer":"C","chapter":"AI训练师·文本数据标注","difficulty":2,"explain":{"A":"跳过试标省下的是小钱,付出的是整批返工的大代价。","B":"试标的目的是暴露规范歧义、对齐口径,不是测速。","D":"分歧样本正是校准会的材料,必须保留并归类。"},"id":"sc-01-003","options":["试标会拖慢进度,熟练的标注员可以跳过","试标只是为了评估标注员的工作速度","批量前先标 20~50 条暴露分歧,与质检或需求方对齐口径后再铺量","试标阶段的分歧样本没有价值,可以直接丢弃"],"source":"chapter","stem":"关于文本标注流程中的「试标校准」,下列说法正确的是?","subject":"数据标注与训练实操","type":"single"},{"analysis":"实体抽取的返工**大多来自边界口径没有写死**:修饰语含不含、标点含不含、嵌套实体标几层、跨句实体怎么截断,都必须在规范中统一。同一批内有的含「市」有的不含,一致率必然上不去。","answer":"D","chapter":"AI训练师·文本数据标注","difficulty":2,"explain":{"A":"速度影响产能,但不会造成口径层面的返工。","B":"文本长度只是客观条件,规范写清后同样可以统一处理。","C":"工具界面属于易用性问题,与标注正确性无关。"},"id":"sc-01-004","options":["标注员的打字速度不够快","待标注的文本本身太长","标注工具的界面不够美观","实体边界口径没有写清,例如含不含「市/区」、含不含标点、嵌套实体怎么算"],"source":"chapter","stem":"实体抽取项目中大量返工最常见的来源是?","subject":"数据标注与训练实操","type":"single"},{"analysis":"**格式错等于无法入库,等于全部白做**。字段命名、编码、文件命名、位置区间口径都必须严格按任务要求执行,自创字段或随意改格式会导致数据无法解析。提交前按**字段、编码、条数、存疑**四问自查。","answer":"A","chapter":"AI训练师·文本数据标注","difficulty":2,"explain":{"B":"统一 UTF-8 无 BOM 与换行符,是正确做法。","C":"字段命名必须严格按任务要求,这是正确做法。","D":"存疑样本单独标出并说明原因,是正确做法。"},"id":"sc-01-005","options":["只要内容正确,字段名和文件格式可以自行调整","编码统一使用 UTF-8(不带 BOM),换行符统一","字段命名应严格按任务要求,不要自创字段","存疑样本应单独标注并说明原因"],"source":"chapter","stem":"关于文本标注结果的提交,下列说法**错误**的是?","subject":"数据标注与训练实操","type":"single"},{"analysis":"一条文本是否可以多标签、多标签时如何区分主次,**必须由规范提前写清**,不能让标注员临场自由裁量,否则一致率无法保证。规范未覆盖的情况应作为边界案例补充进规范。","answer":"B","chapter":"AI训练师·文本数据标注","difficulty":2,"explain":{"A":"自由裁量会造成同一情况不同标法,直接拉低一致率。","C":"把难样本塞进「其他」,会让这个桶越来越大,标签失去区分度。","D":"擅自删除会丢失真实分布,应由规范决定处理方式。"},"id":"sc-01-006","options":["由标注员自行判断,随机选择一个标签","按规范提前写明的主标签/次标签或多标签规则处理","一律标成「其他」,避免出现错误","把这条数据直接删除,避免带来歧义"],"source":"chapter","stem":"一条文本同时符合「投诉」和「咨询」两个标签时,正确的处理方式是?","subject":"数据标注与训练实操","type":"single"},{"analysis":"**整张给标签是分类,画框是检测,描边是分割,点位置是关键点**。用矩形框(框坐标 + 类别)圈出目标,输出框坐标与类别,属于**目标检测**。","answer":"C","chapter":"AI训练师·图像与语音处理","difficulty":1,"explain":{"A":"图像分类是对整张图给一个类别标签,不涉及位置。","B":"图像分割需要逐像素或多边形描出精确轮廓。","D":"关键点标注标的是关键位置点,如人脸关键点、人体姿态。"},"id":"sc-02-001","options":["图像分类","图像分割","目标检测","关键点标注"],"source":"chapter","stem":"在自动驾驶数据项目中,需要用矩形框标出画面中的车辆、行人,这属于图像标注中的?","subject":"数据标注与训练实操","type":"single"},{"analysis":"框选要求**紧贴目标边缘**:框过大混入背景、框过小切掉目标,都会**直接降低检测精度**。规范通常还要写明最小尺寸、遮挡与截断处理口径,避免标注员自由裁量。","answer":"D","chapter":"AI训练师·图像与语音处理","difficulty":2,"explain":{"A":"框的松紧是质量问题,不是文件大小问题。","B":"框偏大通常仍在图像范围内,不会造成坐标越界。","C":"这不是效率问题,而是会污染训练数据的质量问题。"},"id":"sc-02-002","options":["只是文件变大,对训练没有影响","会导致坐标越界,工具无法保存","只会让标注速度变慢,不存在质量问题","会把背景信息当作目标特征学进去,直接降低检测精度"],"source":"chapter","stem":"目标检测标注时,把框画得明显大于目标、框内混入较多背景,主要危害是?","subject":"数据标注与训练实操","type":"single"},{"analysis":"遮挡是真实场景的常态,**部分遮挡应按可见部分估计完整范围照常标注**,只有严重遮挡才按规范弃标。完全不标会形成漏检样本,只框可见小块则与目标真实范围不符。","answer":"A","chapter":"AI训练师·图像与语音处理","difficulty":2,"explain":{"B":"遮挡目标不标就是漏检样本,会让模型学不到遮挡场景。","C":"只框可见部分会把框切掉一半,与实际目标范围不一致。","D":"因一个遮挡目标就废弃整张图,会造成大量有效数据浪费。"},"id":"sc-02-003","options":["按可见部分估计目标的完整范围,照常标框","看不清就不标,避免标注错误","只框住可见的那一小块区域","把整张图片标记为无效样本"],"source":"chapter","stem":"画面中一个杯子被部分遮挡,只能看到一部分。按常见框选规范应如何处理?","subject":"数据标注与训练实操","type":"single"},{"analysis":"语音识别训练数据要求**逐字准确**;数字用阿拉伯数字还是汉字、专名怎么写,都要按规范统一。**同音字与数字格式不统一是最常见的返工原因**。时间戳对齐是另一项独立要求,不能替代转写。","answer":"B","chapter":"AI训练师·图像与语音处理","difficulty":2,"explain":{"A":"意译改写会破坏语音与文字的对应关系,无法用于训练。","C":"只标时间不写文字,无法构成语音识别所需的转写数据。","D":"只转写关键词会大量丢字,转写要求的是完整逐字对应。"},"id":"sc-02-004","options":["只要大致意思对就行,允许意译改写","逐字准确,数字与专名等按规范统一写法","只需标出句子的起止时间,文字可以省略","只转写关键词即可,以提升效率"],"source":"chapter","stem":"语音转写(听写)标注的核心质量要求是?","subject":"数据标注与训练实操","type":"single"},{"analysis":"自动化校验能发现**零面积框、坐标越界**等形态问题,但**查不出「框里是不是目标、类别对不对」**这类语义问题。因此必须配合**人工抽检**:查框与类别是否匹配、统计漏标率、检查多边形是否贴合轮廓等。","answer":"C","chapter":"AI训练师·图像与语音处理","difficulty":3,"explain":{"A":"坐标合法是必要条件,框对了类别错(张冠李戴)同样是严重错误。","B":"脚本无法判断框内语义,语义正确性只能靠人看。","D":"一致率只反映标注员之间是否一致,一致的错误同样会存在。"},"id":"sc-02-005","options":["只要框坐标没有越界、宽高为正,就说明标注完全正确","坐标合法性与语义正确性都可以由脚本自动判定","机器只能校验坐标合法性,框内是否为目标、类别是否正确必须靠人工抽检","只要一致率达标,就不需要再做人工抽检"],"source":"chapter","stem":"关于图像标注的质检,下列说法正确的是?","subject":"数据标注与训练实操","type":"single"},{"analysis":"遵循**一图多标**原则:同类多个目标必须**逐个分别标框**。合并框会让模型学不会定位与计数,漏标则会形成漏检样本,直接损害模型能力。","answer":"D","chapter":"AI训练师·图像与语音处理","difficulty":1,"explain":{"A":"合并成一个框会让模型学不会定位与数数。","B":"模型不会自动推断未标注的目标,漏标就是学习到错误答案。","C":"只标一辆属于漏标,另外两辆会成为漏检样本。"},"id":"sc-02-006","options":["用一个框把三辆车整体框住,节省时间","随意标其中两辆即可,模型能推断出第三辆","只标最中间、最完整的那一辆","分别给每辆车单独标框,不做合并"],"source":"chapter","stem":"一张图片中并排停着三辆同类轿车,标注目标检测框时应?","subject":"数据标注与训练实操","type":"single"},{"analysis":"参数设置是在**不改模型**的前提下,通过阈值、规则优先级、输出约束、提示词、兜底策略等配置,让输出更贴合业务要求。**参数是「把已有能力用对」,不是「凭空造能力」**——数据和评测才是根本。","answer":"A","chapter":"AI训练师·参数设置与调优","difficulty":1,"explain":{"B":"能力上限由模型与数据决定,参数设置只是把已有能力用对。","C":"参数设置不涉及重新训练,训练属于算法侧的工作。","D":"阈值、提示词等配置在效果稳定的场景同样需要维护和优化。"},"id":"sc-03-001","options":["在不修改模型的前提下,通过配置让模型输出更符合业务要求","参数设置可以从根本上提升模型自身的能力上限","参数设置就是重新训练一次模型","参数设置只在模型效果很差时才需要做"],"source":"chapter","stem":"关于「参数设置」的作用,下列说法最准确的是?","subject":"数据标注与训练实操","type":"single"},{"analysis":"**阈值调高更保守**:采纳的判定更可靠(**精确率上升**),但**漏判变多、召回率下降**;阈值调低则相反。调阈值时精确率与召回率此消彼长,需要结合业务代价选点并用 **F1** 衡量。","answer":"B","chapter":"AI训练师·参数设置与调优","difficulty":2,"explain":{"A":"调阈值时两者此消彼长,不可能同时拉满。","C":"召回率上升、误判增多是**调低**阈值的结果。","D":"阈值直接决定判定采纳范围,必然影响两项指标。"},"id":"sc-03-002","options":["精确率与召回率同时上升","精确率上升,同时漏判增多、召回率下降","召回率上升,误判增多、精确率下降","对精确率和召回率都没有影响"],"source":"chapter","stem":"某自动拦截场景把置信度阈值调高之后,最可能出现的结果是?","subject":"数据标注与训练实操","type":"single"},{"analysis":"**一次只改一个参数(单变量原则)**,否则无法归因;同时改动即使指标上升,也不知道哪项起了作用、哪项其实有害。规范做法是维护**改动记录表**:改动内容、改动原因、测试集前后对比数字、结论与责任人。","answer":"C","chapter":"AI训练师·参数设置与调优","difficulty":3,"explain":{"A":"同时改动看似高效,实际让实验失去可解释性。","B":"整体上升可能掩盖其中某一项改动的负面影响。","D":"没有对比数字与记录的改动无法复盘,也无法回滚。"},"id":"sc-03-003","options":["没有问题,一次改完效率更高","指标上升说明三项改动都应该保留","违反单变量原则,无法判断指标变化由哪个改动带来,也无法决定保留哪一项","只要指标上升就说明改动合理,不需要记录"],"source":"chapter","stem":"为提升效果,有人同时修改了提示词、阈值和检索条数,结果指标上升。这种做法的主要问题是?","subject":"数据标注与训练实操","type":"single"},{"analysis":"规则优先级要**写死**而不是「看情况」:**安全、合规、隐私类规则优先级最高**,不被业务规则覆盖。同时规则改动要留版本、可回滚,结果对用户要可解释。典型冲突如提问既涉及业务问题又索取他人隐私,应当拒答隐私部分并说明原因。","answer":"D","chapter":"AI训练师·参数设置与调优","difficulty":2,"explain":{"A":"让业务规则覆盖合规规则,会带来合规与隐私风险。","B":"一律转人工会牺牲可直接回答的部分,不是冲突处理的正确方式。","C":"临时决定会让线上结果不可预期,违背明确顺序的要求。"},"id":"sc-03-004","options":["业务规则优先,优先保证用户体验","两条规则都不执行,一律转人工","由执行人员按具体情况临时决定","合规安全类规则优先级最高,不被业务规则覆盖"],"source":"chapter","stem":"当「合规安全类规则」与「业务便利类规则」发生冲突时,正确的处理是?","subject":"数据标注与训练实操","type":"single"},{"analysis":"**阈值不是拍出来的,而是用测试集跑出来、再结合业务代价选出来的**:明确业务代价 → 跑出不同阈值下的精确率/召回率曲线 → 选点 → 上线后持续跟踪,样本分布变化时重新评估。","answer":"A","chapter":"AI训练师·参数设置与调优","difficulty":2,"explain":{"B":"凭经验拍数值缺少数据支撑,无法解释为什么是这个点。","C":"阈值过高会导致漏报激增,该拦的没拦,并不是越高越安全。","D":"不同项目的业务代价与数据分布不同,阈值不能直接照搬。"},"id":"sc-03-005","options":["先明确业务代价(漏报贵还是误报贵),再用测试集跑出不同阈值下的指标曲线并结合代价选点","凭经验拍一个看起来合理的数值","直接把阈值设为最高,保证最安全","直接沿用其他项目的阈值,不必重新评估"],"source":"chapter","stem":"关于阈值的确定方法,下列做法最恰当的是?","subject":"数据标注与训练实操","type":"single"},{"analysis":"提示词四条原则是**角色、边界、格式、示例**。堆砌无关内容会**稀释指令效果并增加成本**,提示词长不等于效果好。","answer":"B","chapter":"AI训练师·参数设置与调优","difficulty":1,"explain":{"A":"给角色与目标是四条原则之一。","C":"给格式与示例(few-shot)是四条原则之一。","D":"给边界(含拒答与不透露系统指令)是四条原则之一。"},"id":"sc-03-006","options":["给角色与目标,例如说明模型是客服助手、要解决什么问题","尽量堆砌大量无关背景资料,让提示词越长越好","给格式与示例,例如输出 JSON 并给出 1~3 个正确示例","给边界,例如只依据给定资料回答、资料不足就明说不知道"],"source":"chapter","stem":"配置提示词时,下列哪一项**不属于**本章建议的四条原则?","subject":"数据标注与训练实操","type":"single"},{"analysis":"测试集三原则是**来自真实场景、分层覆盖、有标准答案**。挑选模型已经答对的样本会掩盖真实缺陷,属于典型的「改考卷」行为,会让评测结论完全失效。","answer":"C","chapter":"AI训练师·性能测试与评估","difficulty":1,"explain":{"A":"来自真实场景(脱敏后)是三条原则之一。","B":"分层覆盖且不丢长尾是三条原则之一。","D":"每条样本有期望结果、可判分是三条原则之一。"},"id":"sc-04-001","options":["样本来自真实业务场景,并经过脱敏处理","分层覆盖常规、边界与对抗样本,长尾不能缺","为了让结果好看,专门挑选模型已经能答对的样本","每条样本都有期望结果,可以据此判分"],"source":"chapter","stem":"建设测试集时,下列哪项**不符合**本章提出的三条原则?","subject":"数据标注与训练实操","type":"single"},{"analysis":"回归触发条件包括:**改参数/阈值、改提示词/规则、换模型/版本、更新知识库、上游数据分布变化**。口诀是「**改了就跑,掉了就回,过了才上**」,不允许带病上线。","answer":"D","chapter":"AI训练师·性能测试与评估","difficulty":2,"explain":{"A":"文档错别字不影响模型输出,不构成回归触发条件。","B":"测试集没变不代表系统没变,是否回归取决于改动内容。","C":"开会本身不改变系统行为,与回归无关。"},"id":"sc-04-002","options":["只在项目文档里修正了一个错别字","测试集样本本身没有任何变化","项目组开了一次周会","更换了模型版本,或者更新了知识库内容"],"source":"chapter","stem":"下列哪种情况**必须**触发回归测试?","subject":"数据标注与训练实操","type":"single"},{"analysis":"**测试集一旦定版,就不要为了「让结果好看」去改它**。换成更容易的样本会让指标虚高、掩盖真实缺陷。确有必要的更新(例如补充真实长尾场景)必须**留版本并说明原因**。","answer":"A","chapter":"AI训练师·性能测试与评估","difficulty":2,"explain":{"B":"换成容易样本后,指标已不能反映真实能力。","C":"只要用新测试集做上线判断,问题依然存在。","D":"注明不能改变「用简易考卷得出虚高结论」的事实。"},"id":"sc-04-003","options":["改测试集等于改考卷,会掩盖真实缺陷、自欺欺人;确需更新必须留版本并说明原因","没有明显问题,只要能反映模型能力即可","只要同时保留旧测试集就没有问题","只要在报告里注明就可以照常上线"],"source":"chapter","stem":"某次评测结果不理想,有人提议「把测试集换成更容易的样本,指标就上去了」。这种做法的问题是?","subject":"数据标注与训练实操","type":"single"},{"analysis":"失败案例分析四步是**归类、计数、定性、给建议**:先把失败样本按模式归类(如多轮指代、否定句、专名识别),统计各类占失败总数的比例,**先修占比最高的**,再判断原因是数据、规则、参数还是能力边界,并给出可执行的下一步。","answer":"B","chapter":"AI训练师·性能测试与评估","difficulty":2,"explain":{"A":"不归类就只能零散修补,无法判断优先修什么。","C":"挑好修的做,可能长期忽略占比最高的问题。","D":"不做分析就移交,无法说明问题性质与优先级。"},"id":"sc-04-004","options":["逐个样本零散修补,不必归类","先按失败模式归类并统计各类占比,优先修复占比最高的一类","只挑最容易修的样本处理","把所有失败样本直接交给算法工程师,自己不做分析"],"source":"chapter","stem":"做失败案例分析时,正确的处理顺序是?","subject":"数据标注与训练实操","type":"single"},{"analysis":"**效果退化通常不是模型变差,而是业务数据变了或有人改了配置**。上线后要持续跟踪**质量信号**(抽检错误率、差评率、拒答率),把变更标在**时间线**上定位问题,关注**数据分布漂移**,并维护**典型失败样本池**。","answer":"C","chapter":"AI训练师·性能测试与评估","difficulty":2,"explain":{"A":"已训练的模型参数不会自行变化。","B":"把退化直接归因于模型,容易漏掉数据漂移与配置改动这两个主因。","D":"在排除指标口径问题之前,应先按变更时间线与质量信号排查原因。"},"id":"sc-04-005","options":["模型参数会随时间自动变差","用户使用方式没有变化,所以一定是模型本身坏了","业务数据分布发生漂移,或者有人改动了配置与知识库","评测指标算错了,实际上并没有退化"],"source":"chapter","stem":"某模型上线一段时间后效果出现退化,最可能的原因是?","subject":"数据标注与训练实操","type":"single"},{"analysis":"评测报告七项为:**目的与范围、测试集说明、方法与指标定义、结果(总体+分层+分场景)、失败案例分析、结论与建议、局限与遗留问题**。报告面向结论与可执行的下一步,不承载算法源代码。","answer":"D","chapter":"AI训练师·性能测试与评估","difficulty":1,"explain":{"A":"测试集说明是报告七项之一。","B":"方法与指标定义是报告七项之一。","C":"结果与失败案例分析是报告七项之一。"},"id":"sc-04-006","options":["测试集说明:来源、条数、分层比例与版本号","评测方法与指标定义,说明指标是怎么算的","分层结果、典型样本与失败案例分析","算法工程师的完整源代码与逐行注释"],"source":"chapter","stem":"一份合格的评测报告**不需要**包含下列哪一项?","subject":"数据标注与训练实操","type":"single"}],"cert":"ai-trainer","chapters":[{"name":"AI训练师·AI与机器学习基础","title":"第 1 章 · AI 与机器学习基本概念","url":"/ai-trainer/books/jichu/jc-01-jichu-gainian/"},{"name":"AI训练师·文本数据标注","title":"第 1 章 · 文本数据标注","url":"/ai-trainer/books/shicao/sc-01-wenben-biaozhu/"},{"name":"AI训练师·图像与语音处理","title":"第 2 章 · 图像与语音数据处理","url":"/ai-trainer/books/shicao/sc-02-tuxiang-yuyin-chuli/"},{"name":"AI训练师·数据采集与清洗","title":"第 2 章 · 数据采集与清洗","url":"/ai-trainer/books/jichu/jc-02-shuju-caiji-qingxi/"},{"name":"AI训练师·质量与标注规范","title":"第 3 章 · 数据质量与标注规范","url":"/ai-trainer/books/jichu/jc-03-zhiliang-biaozhu-guifan/"},{"name":"AI训练师·参数设置与调优","title":"第 3 章 · 算法参数设置与调优","url":"/ai-trainer/books/shicao/sc-03-canshu-tiaoyou/"},{"name":"AI训练师·人机交互与评测","title":"第 4 章 · 人机交互与评测指标","url":"/ai-trainer/books/jichu/jc-04-renji-jiaohu-pingce/"},{"name":"AI训练师·性能测试与评估","title":"第 4 章 · 性能测试与效果评估","url":"/ai-trainer/books/shicao/sc-04-xingneng-ceshi-pinggu/"}],"practiceUrl":"/ai-trainer/practice/"}