人工智能训练师（三级）人工智能

6 章 · 510 题

人工智能训练师（三级）的理论知识考试。

章节目录

• 职业规范与法律法规 — 本章节涵盖：1) 职业道德——人工智能训练师应遵循的职业操守、责任意识与行为规范；2) 数据安全法规——《数据安全法》《个人信息保护法》《网络安全法》在数据采集、处理、存储中的基本要求；3) 人工智能伦理——算法公平性、透明性、可解释性、防歧视等伦理原则及伦理审查；4) 知识产权——数据集、预训练模型、标注成果、AI生成内容(AIGC)的知识产权归属与使用约束；5) 保密义务——商业数据、用户隐私信息的保密管理、脱敏处理与泄密风险防范；6) 行业标准与合规——人工智能相关国家标准、行业规范、合规审查要求及国际法规（如GDPR、EU AI Act）对行业的影响；7) 劳动与合同法规——与数据标注、外包合作相关的劳动法与合同法基础知识。
• 人工智能基础原理 — 本章节涵盖：1) 人工智能发展概况——人工智能的定义、发展历程、主要流派与应用领域；2) 数学基础——线性代数、概率论与数理统计、最优化方法在模型训练中的基础应用；3) 机器学习基本概念——监督学习、无监督学习、半监督学习、强化学习的定义与典型应用场景；4) 常用机器学习算法——线性回归、逻辑回归、决策树、随机森林、支持向量机、K近邻、K均值聚类等算法的原理与适用条件；5) 深度学习基础——感知机、多层神经网络、卷积神经网络、循环神经网络、Transformer等基础结构与应用；6) 大模型基础——大语言模型（LLM）、多模态模型的发展脉络、核心机制与基础概念；7) 损失函数与优化——常见损失函数和梯度下降、Adam等优化器的基本思想；8) 算力与硬件基础——CPU、GPU、NPU等计算硬件的特性与算力基础概念。
• 数据处理与标注技术 — 本章节涵盖：1) 数据源与采集方法——结构化、半结构化与非结构化数据源，爬虫、API、传感器、日志等采集方式及合规要求；2) 数据清洗——缺失值处理、异常值检测与处理、重复数据清理、格式不一致问题修复；3) 数据集成与变换——多源数据合并、数据标准化/归一化、离散化、编码转换；4) 数据存储与管理——常见数据库、数据湖、数据仓库的基础概念及对训练数据的组织方式；5) 特征工程——特征提取、特征选择、特征组合等基本方法及基于评估结果的特征优化；6) 样本均衡与数据增强——过采样、欠采样、合成样本生成等类别不平衡策略，以及传统与生成式数据增强方法；7) 标注任务类型——图像分类、目标检测、语义分割、文本分类、序列标注、语音转写、多模态标注及大模型对齐（SFT指令微调、RLHF偏好排序）等典型任务的定义与特点；8) 标注工具与平台——各类标注工具的功能操作、适用场景与自动化辅助标注；9) 标注规范设计——标注规则、分类体系、标注粒度、边界定义等规范制定方法；10) 标注过程管理——标注人员培训、任务分配、进度跟踪与协作流程；11) 标注质量评估与提升——一致性、准确率、召回率、Kappa系数等评估指标，抽检策略、异议处理、标注修正与质量改进闭环；12) 数据安全与隐私保护实操——数据脱敏、访问控制、水印技术等标注与处理环节的安全保护措施。
• 模型训练与评估优化 — 本章节涵盖：1) 数据集构建——训练集、验证集、测试集的划分原则（随机抽样、分层抽样），数据增强与合成数据构造；2) 训练环境搭建——主流深度学习框架的配置，CPU/GPU环境选择、分布式训练基础与基本调试；3) 模型选择与初始化——依据任务类型选择基线模型，预训练模型的加载与初始化；4) 超参数调优——常见超参数及其影响，网格搜索、随机搜索、贝叶斯优化等调优策略；5) 训练过程监控与防过拟合——损失曲线、准确率曲线等可视化的解读与异常识别，L1/L2正则化、Dropout、早停等方法的原理与使用；6) 模型微调与迁移学习——预训练模型的微调方法、参数高效微调（PEFT/LoRA等）及大模型对齐训练（RLHF/DPO）应用场景；7) 分类与回归评估指标——准确率、精确率、召回率、F1-score、ROC-AUC、PR曲线，及均方误差、均方根误差、平均绝对误差、R²等指标的计算与解读；8) 专项与生成式评估指标——目标检测mAP、IoU，及大模型的BLEU、ROUGE、胜率等指标基本概念；9) 混淆矩阵与错误分析——通过混淆矩阵定位类别错误，拆解模型短板与难点样本挖掘；10) 验证策略——留出法、交叉验证及其变种的原理与优缺点；11) 模型可解释性——特征重要性、LIME、SHAP等方法的原理与作用；12) 模型优化与压缩策略——基于评估结果的算法替换、集成学习改进，及模型量化、剪枝、蒸馏等压缩加速基础；13) 模型保存与版本管理——模型持久化、实验记录与模型版本控制。
• 智能系统设计与运维 — 本章节涵盖：1) 人工智能产品交互设计原则——用户体验、对话式交互、可视化反馈等基础设计原则；2) 智能系统功能设计——需求转化、功能模块划分及与算法能力的匹配；3) 对话系统与智能体设计——意图识别、槽位填充、对话管理、多轮对话流程，及RAG（检索增强生成）与Agent（智能体）系统架构设计基础；4) 人机协同流程——人工智能训练师在人机协同中的角色、任务分配与闭环；5) 系统架构与接口设计——云端、边缘端部署的特点与服务接口（API）设计；6) 设计与文档规范——交互说明、功能规格文档、接口文档的撰写规范；7) 测试类型与方法——功能测试、性能测试、鲁棒性测试、安全性测试、A/B测试的设计思路；8) 测试指标与判读——响应时间、吞吐量、并发能力、准确率衰减等关键指标的采集与分析；9) 模型部署基础——容器化部署、模型服务发布、API测试与持续集成/持续交付(CI/CD)基础；10) 上线监控与告警——在线性能监控、数据漂移检测、模型预测异常的发现与告警；11) 模型迭代与回滚——模型更新策略、灰度发布、应急回滚流程；12) 运维日志与故障排查——日志记录规范、错误分析与故障排查。
• 项目管理与业务应用 — 本章节涵盖：1) 人工智能项目需求分析——业务目标转换、可行性评估、需求文档编写；2) 项目计划与进度管理——任务分解（WBS）、里程碑制定、甘特图等工具的使用；3) 资源与成本评估——算力成本、数据标注成本、人力等资源预算与周期评估；4) 敏捷开发与迭代管理——Scrum、Kanban等敏捷框架在人工智能训练项目中的应用；5) 跨团队协作——数据工程师、标注人员、产品经理、算法工程师、开发人员的协作配合方式；6) 风险管理——数据合规风险、模型失效风险、进度延误风险等识别与应对；7) 文档撰写与资产管理——数据标注说明、模型报告、运维手册等文档的规范及项目资产管理；8) 业务效果评估与归因——业务指标定义、效果归因分析、人工智能解决方案的价值闭环评估与商业化运营基础。

相关科目