某零售企業導入生成式 AI 商品推薦系統。測試結果顯示，在購物行為、偏好設定與價格區間相同的情況下，不同客戶族群收到的推薦商品類型仍出現明顯差異，且差異方向不易以既有行銷策略解釋。若在模型架構與推論設定皆未調整情形下，專案目標是優先降低可能的模型偏差風險，下列何者最合理？
答案 （A）
核心概念
模型的偏差絕大多數來自訓練資料。當「其他條件都相同、只有族群不同」卻出現無法用業務邏輯解釋的推薦差異時，代表模型從資料中學到了族群相關的隱含關聯——很可能是某些族群在訓練資料中樣本過少、或該族群的歷史行為紀錄本身就帶有偏誤。題目又明講模型架構與推論設定都沒動，那麼可疑的來源就只剩資料本身。
答題技巧
快速判斷技巧：偏差問題一律先往「資料層」找答案。題幹若特別聲明「模型架構與推論設定都沒改」，等於直接把你指向資料。
易錯陷阱：(D) 用「增加多樣性」包裝，聽起來像在解決推薦單一化的問題。要分清楚：多樣性不足與系統性偏差是兩件事，用隨機性掩蓋偏差，只是把問題藏起來。