Worksheetsแบบทดสอบเกี่ยวกับ AI สร้างโดย AI
Total questions: 40
Worksheet time: 20mins
Name
Class
Date
1.
1. AI ประเภทใดที่ถูกออกแบบมาเพื่อทำงานเฉพาะทางเท่านั้น?
a)
Weak AI (AI แบบอ่อน)
b)
Strong AI (AI แบบเข้ม)
2.
2. คุณสมบัติหลักที่ใช้จำแนกระบบแบบ Reactive ออกจากระบบแบบ Deliberative?
a)
การไม่มีแบบจำลองโลกภายใน (Internal Model) เพื่อใช้ในการตัดสินใจ
b)
ความสามารถในการเคลื่อนที่ในสภาพแวดล้อมทางกายภาพ
3.
3. สถาปัตยกรรมแบบ "Sense-Plan-Act" เป็นลักษณะการทำงานของระบบประเภทใด?
a)
Reactive Systems
b)
Deliberative Systems
c)
Hybrid Systems
4.
4. ข้อใดคือข้อเสียเปรียบที่สำคัญของ Deliberative Systems เมื่อเทียบกับ Reactive Systems?
a)
มีความยืดหยุ่นในการวางแผนต่ำกว่า
b)
มีต้นทุนในการประมวลผล (Computational Cost) ที่สูงกว่า
5.
5. สถาปัตยกรรมของ Brooks' Subsumption Model มีลักษณะการทำงานอย่างไร?
a)
พฤติกรรมในระดับสูง (Higher layers) จะเข้ามาควบคุมและแทนที่พฤติกรรมในระดับล่างเสมอ
b)
พฤติกรรมในระดับล่าง (Lower layers) จะจัดการกับการตอบสนองแบบทันทีทันใด และมีลำดับความสำคัญสูง
6.
6. รถยนต์ขับเคลื่อนอัตโนมัติ (Autonomous Vehicle) จัดเป็นระบบประเภทใด และเพราะเหตุใด?
a)
Deliberative เพราะต้องวางแผนเส้นทางโดยใช้ GPS
b)
Hybrid เพราะต้องใช้ทั้งการตอบสนองทันที (หลบสิ่งกีดขวาง) และการวางแผน (กำหนดเส้นทาง)
7.
7. ข้อใดคือองค์ประกอบของ PEAS ที่ใช้ในการนิยาม Agent?
a)
Program, Environment, Actuators, Software
b)
Performance, Environment, Actuators, Sensors
8.
8. Agent ประเภทใดที่ทำงานโดยอาศัยกฎ 'if-then' และไม่มีความจำเกี่ยวกับเหตุการณ์ในอดีต?
a)
Simple Reflex Agent
b)
Goal-based Agent
9.
9. โปรแกรม General Problem Solver (GPS) ถูกออกแบบมาเพื่อจำลองกระบวนการใดของมนุษย์?
a)
การเข้าใจภาษา และ การตอบคำถาม
b)
การแก้ปัญหา
10.
10. Utility-based Agent ตัดสินใจเลือกการกระทำโดยใช้อะไรเป็นเกณฑ์?
a)
เป้าหมายที่ต้องทำให้สำเร็จ
b)
ความพึงพอใจ
11.
11. Hybrid System ในบริบทของ AI หมายถึงอะไร?
a)
การผสมผสานระหว่างพฤติกรรมแบบ Reactive และ Deliberative
b)
การผสมผสานระหว่าง Game Tree และ Minimax
12.
12. ทำไมเกมอย่างหมากล้อม (Go) จึงเป็นความท้าทายที่ยิ่งใหญ่สำหรับ AI ในยุคก่อน AlphaGo?
a)
เพราะกฎของเกมมีความซับซ้อนและเข้าใจยาก
b)
เพราะมีจำนวนตาเดินที่เป็นไปได้มหาศาล
13.
13. AlphaGo เอาชนะแชมป์โลกหมากล้อม Lee Sedol ในปีใด ซึ่งเป็นเหตุการณ์ที่สร้างความสั่นสะเทือนไปทั่วโลก?
a)
2014
b)
2016
14.
14. นิยามของปัญญาประดิษฐ์ (AI) แบบ "การคิดแบบมนุษย์" (Thinking Humanly) จัดเป็น AI ประเภทใด?
a)
Strong AI
b)
General intelligence
15.
15. ระบบใดต่อไปนี้คือตัวอย่างของ "Expert System" ที่ใช้ในการวิเคราะห์ทางเคมี?
a)
DENDRAL
b)
PXDES
16.
16. จุดอ่อนของการทดสอบแบบทัวริ่ง (Turing Test) ตามที่ระบุในเอกสาร?
a)
ไม่สามารถทดสอบพฤติกรรมที่แสดงความฉลาดระดับสูงได้
b)
ต้องใช้คอมพิวเตอร์ที่มีประสิทธิภาพสูงมาก
17.
17. ปัจจัยใดที่ส่งผลโดยตรงต่อประสิทธิภาพ (Performance) ของ Neural Network?
a)
ปริมาณข้อมูล (Amount of data)
b)
ขนาดของโมเดล (เช่น large, medium, small)
18.
18. "เอเจนต์" (Agent) รับรู้และกระทำต่อสภาพแวดล้อมผ่านสิ่งใดตามลำดับ?
a)
Actuators และ Sensors
b)
Rewards และ Actions
19.
19. ส่วนประกอบใดที่ทำให้ "Learning Agents" สามารถปรับปรุงตัวเองให้ดีขึ้นเมื่อเวลาผ่านไป?
a)
การได้รับฟีดแบค (Feedback)
b)
การมีแบบจำลองของโลกที่สมบูรณ์
20.
20. ในการสร้างแบบจำลองปัญหาเพื่อการวางแผน (Formal State-Space Model) องค์ประกอบใดที่เกี่ยวข้องกับการประเมิน "คุณภาพ" ของเส้นทางไปสู่เป้าหมาย?
a)
Path cost (ฟังก์ชันต้นทุนของเส้นทาง)
b)
Goal test (ฟังก์ชันทดสอบเป้าหมาย)
21.
21. แม้ว่า Goal-Based Agents จะมีความสามารถในการวางแผน แต่ก็มีข้อจำกัดในทางปฏิบัติ ข้อใดคือหนึ่งในข้อจำกัดสำคัญที่ถูกกล่าวถึงในเอกสาร?
a)
ไม่สามารถจัดการกับเป้าหมายหลายอย่างที่ขัดแย้งกันได้อย่างมีประสิทธิภาพ
b)
กระบวนการค้นหาและวางแผนอาจใช้เวลามากเกินกว่าจะนำไปใช้ได้ทันท่วงที
22.
22. ข้อใดเป็นตัวอย่างของ Goal Conflict ในธุรกิจค้าปลีกที่ AI ต้องแก้ไข?
a)
การเพิ่มยอดขายและการเพิ่มความพึงพอใจของลูกค้า
b)
ความเร็วในการจัดส่ง กับ ต้นทุนการดำเนินงาน
23.
23. "ปริภูมิคำตอบ" (Solution Space) คืออะไร?
a)
เซตของคำตอบทั้งหมดที่เป็นไปได้สำหรับปัญหาที่กำหนด
b)
ลำดับของการกระทำที่นำจากสถานะเริ่มต้นไปยังสถานะเป้าหมาย
24.
24. วิธีการค้นหาแบบใดที่ไม่ใช้ข้อมูลเพิ่มเติมเกี่ยวกับปัญหาเลย นอกเหนือจากคำจำกัดความของปัญหา?
a)
Uninformed Search
b)
Informed Search
c)
Heuristic Search
25.
25. อัลกอริทึม "Hill Climbing" มีความเสี่ยงที่จะติดอยู่ในสถานการณ์ใดมากที่สุด?
a)
Local Maxima (จุดสูงสุดเฉพาะที่)
b)
Infinite Loop (การวนซ้ำไม่รู้จบ)
c)
High Memory Usage (การใช้หน่วยความจำสูง)
26.
26. อัลกอริทึม "Simulated Annealing" แก้ปัญหาการติดอยู่ใน Local Maxima ของ Hill Climbing ได้อย่างไร?
a)
โดยการยอมรับการเดินไปยังสถานะที่แย่กว่าเดิมด้วยความน่าจะเป็นบางค่า
b)
โดยการคำนวณเส้นทางทั้งหมดที่เป็นไปได้ก่อนเลือกเดิน
c)
โดยการเริ่มต้นค้นหาจากหลายจุดพร้อมกัน
27.
27. อะไรคือแนวทางที่ดีที่สุดในการให้เหตุผลภายใต้ความไม่แน่นอน (reasoning under uncertainty) ในแอปพลิเคชัน AI ปัจจุบัน?
a)
fuzzy logic
b)
probability
c)
bayes rules
28.
28. วัตถุประสงค์หลักของการใช้กฎของเบส์คืออะไร?
a)
เพื่อคำนวณความน่าจะเป็นของเหตุการณ์ที่เป็นอิสระต่อกันและไม่เป็นอิสระต่อกัน
b)
เพื่ออัปเดตความน่าจะเป็นก่อนหน้า (prior) ให้เป็นความน่าจะเป็นภายหลัง (posterior) เมื่อมีข้อมูลใหม่เข้ามา
29.
29. สมมติฐานที่เรียกว่า "Naïve" ใน Naive Bayes Classifier คืออะไร?
a)
ตัวแปรคุณลักษณะ (feature variables) เป็นอิสระต่อกันเมื่อกำหนดคลาสมาให้
b)
ตัวแปรคุณลักษณะ (feature variables) มีการแจกแจงแบบยูนิฟอร์ม
30.
30. การค้นหาสมมติฐานแบบ hMAP (maximum a posteriori) มีเป้าหมายหลักเพื่ออะไร?
a)
เพื่อเลือกสมมติฐาน (h) ที่มีความน่าจะเป็นก่อนหน้า (Prior Probability) สูงที่สุดเสมอ
b)
้เพื่อค้นหาสมมติฐาน (h) ที่มีความน่าจะเป็นสูงสุด เมื่อพิจารณาจากข้อมูล (d) ที่ได้รับมาแล้ว
31.
31. ปัญหาการทำนายราคาขายของอสังหาริมทรัพย์โดยพิจารณาจากปัจจัยต่างๆ เช่น ขนาดและทำเลที่ตั้ง จัดเป็นการเรียนรู้ประเภทใด?
a)
classification
b)
regression
c)
clustering
32.
32. วิธีการจำแนกประเภทแบบ "Nearest Neighbor" ทำงานโดยอาศัยหลักการใด?
a)
จัดกลุ่มข้อมูลที่มีลักษณะคล้ายกันเข้าไว้ด้วยกัน
b)
ค้นหาข้อมูลในชุดฝึกสอน (training data) ที่มีความคล้ายคลึงกับข้อมูลใหม่มากที่สุด แล้วใช้ป้ายกำกับของข้อมูลนั้น
33.
33. ปรากฏการณ์ "Overfitting" ใน Machine Learning หมายถึงอะไร?
a)
แบบจำลองทำงานได้ดีกับข้อมูลชุดทดสอบ (test data) แต่ทำงานได้ไม่ดีกับข้อมูลชุดฝึกสอน (training data)
b)
แบบจำลองมีความยืดหยุ่นมากเกินไปจนเรียนรู้รายละเอียดและสัญญาณรบกวน (noise) ในข้อมูลชุดฝึกสอนได้ดี แต่ไม่สามารถทำนายข้อมูลใหม่ได้แม่นยำ
34.
34. การเปลี่ยนแปลงที่สำคัญของ Machine Learning ในปี 1990 คืออะไร?
a)
การประดิษฐ์โครงข่ายประสาทเทียม (Neural Network) เป็นครั้งแรก
b)
การเปลี่ยนจากแนวทางที่ขับเคลื่อนด้วยความรู้ (knowledge-driven) ไปสู่แนวทางที่ขับเคลื่อนด้วยข้อมูล (data-driven)
35.
35. "Policy Network" ในสถาปัตยกรรมของ AlphaGo มีหน้าที่หลักคืออะไร?
a)
ทำนายว่าตาเดินถัดไปที่เป็นไปได้ของมนุษย์คือตาเดินใด
b)
จำลองการเล่นแบบสุ่มหลายพันเกมเพื่อหาตาเดินที่ดีที่สุด
36.
36. AlphaGo เวอร์ชันแรกใช้การเรียนรู้รูปแบบใดบ้างในการฝึกฝน?
a)
Supervised Learning และ Reinforcement Learning
b)
Reinforcement Learning เท่านั้น
37.
37. "Value Network" ถูกนำมาใช้เพื่อแก้ปัญหาใดในการค้นหาแบบ Monte Carlo Tree Search (MCTS)?
a)
ลดความลึกของการค้นหาโดยการประเมินผลของตำแหน่งโดยไม่ต้องจำลองเกมจนจบ
b)
เพิ่มความแม่นยำในการจำลองการเล่นแบบสุ่ม
38.
38.ปัจจัยสำคัญที่ทำให้เกิดความก้าวหน้าอย่างรวดเร็วของ AI ในเกมโกะช่วง 10 ปีที่ผ่านมาคืออะไร?
a)
การคิดค้นอัลกอริทึม Neural Network ขึ้นมาใหม่ทั้งหมด
b)
พลังการประมวลผลที่เพิ่มขึ้นอย่างมหาศาลและฮาร์ดแวร์พิเศษ (GPU, TPU)
c)
การค้นพบช่องโหว่ในกลยุทธ์การเล่นของผู้เล่นระดับมืออาชีพ
39.
39. เมื่อพิจารณาถึงข้อจำกัดของ State Space Search แบบดั้งเดิม (เช่น Branching Factor และ Search Depth ที่มหาศาล) ที่ทำให้การแก้ปัญหาเกมโกะเป็นไปได้ยาก ข้อใดอธิบายบทบาทของ Policy Network และ Value Network ในสถาปัตยกรรมของ AlphaGo ที่เข้ามาแก้ปัญหานี้ได้อย่างถูกต้องและตรงจุดที่สุด?
a)
Policy Network ช่วยลด ความลึก (Depth) ของการค้นหาโดยการประเมินว่าตำแหน่งใดควรหยุดค้นหา ในขณะที่ Value Network ช่วยลด ความกว้าง (Breadth) โดยการเลือกตาเดินที่ดีที่สุด
b)
Policy Network ช่วยลด ความกว้าง (Breadth) ของการค้นหาโดยการจำกัดตาเดินที่น่าจะเป็นไปได้ ในขณะที่ Value Network ช่วยลด ความลึก (Depth) โดยการประเมินค่าของตำแหน่งนั้นๆ โดยไม่ต้องจำลองเกมจนจบ
c)
ทั้ง Policy Network และ Value Network มีหน้าที่หลักในการลด ความกว้าง (Breadth) ของการค้นหา โดย Policy Network จะเรียนรู้จากมนุษย์ และ Value Network จะเรียนรู้จากการเล่นกับตัวเอง
40.
40. AlphaGo เริ่มต้นด้วยการเรียนรู้แบบ Supervised Learning จากเกมของผู้เชี่ยวชาญ ก่อนจะพัฒนาต่อด้วย Reinforcement Learning (self-play) หากอ้างอิงถึงแนวคิดเรื่อง Overfitting จากเอกสารประกอบการเรียนรู้ เหตุผลเชิงกลยุทธ์ที่สำคัญที่สุดที่ต้องมีขั้นตอน Reinforcement Learning คืออะไร?
a)
เพื่อเพิ่มความเร็วในการประมวลผลของ Policy Network ให้สามารถตอบสนองได้ทันที ซึ่งเป็นคุณสมบัติของ Reactive Systems
b)
เพื่อป้องกันการ "Overfit" กับข้อมูลการเล่นของมนุษย์ ทำให้ AlphaGo สามารถค้นพบกลยุทธ์หรือตาเดินรูปแบบใหม่ที่อยู่นอกเหนือขอบเขตความรู้ของมนุษย์ได้
c)
เพื่อเปลี่ยนสถาปัตยกรรมจาก Uninformed Search ไปเป็น Informed Search โดยใช้ผลลัพธ์จากเกมมนุษย์เป็น Heuristic function
100 %
