Quiz: Introduction à l'Intelligence Artificielle et ses Enjeux — 20 questions

1. Que désigne principalement l’intelligence artificielle ?

A. Une méthode réservée à l’analyse statistique de grandes bases de données

B. Un programme qui applique seulement des règles écrites à l’avance

C. Un unique algorithme conçu pour reconnaître des images

D. Un ensemble de technologies capables d’exécuter des tâches liées à des capacités humaines

Answer: (D)

Explanation

L’intelligence artificielle regroupe des technologies permettant à une machine d’accomplir des tâches associées à des capacités humaines comme apprendre, raisonner ou décider. Ce n’est pas un seul outil ni une simple suite de règles codées.

2. Quel exemple illustre le mieux une fonction typique d’un système d’intelligence artificielle ?

A. Recommander du contenu en comparant les comportements d’utilisateurs

B. Stocker des fichiers dans un ordre alphabétique

C. Afficher une liste de résultats sans tenir compte du contexte

D. Calculer uniquement la distance la plus courte entre deux villes

Answer: (A)

Explanation

Un système d’IA peut recommander du contenu en s’appuyant sur des comportements observés et des comparaisons entre utilisateurs. C’est une tâche qui mobilise une forme de décision ou de prédiction.

3. Quel énoncé décrit correctement la relation entre intelligence artificielle, machine learning et deep learning ?

A. Les trois notions désignent exactement la même chose

B. Le deep learning est une branche du machine learning, lui-même branche de l’IA

C. L’IA est une branche du deep learning, lui-même branche du machine learning

D. Le machine learning est une branche du deep learning, lui-même branche de l’IA

Answer: (B)

Explanation

Le périmètre est emboîté : l’IA est le domaine global, le machine learning en est une branche, et le deep learning est une branche du machine learning. Cette hiérarchie est explicitement présentée.

4. Dans le cas d’un modèle qui apprend à partir d’exemples plutôt que de règles codées manuellement, à quoi correspond le machine learning ?

A. À une technique qui n’utilise jamais de données

B. À un ensemble de règles fixes écrites par un développeur

C. À une branche de l’IA fondée sur l’apprentissage à partir des données

D. À une méthode réservée à la compression de fichiers

Answer: (C)

Explanation

Le machine learning est défini comme une branche de l’IA où les systèmes apprennent automatiquement à partir de données. Il se distingue ainsi de la programmation classique par règles explicites.

5. Pourquoi les données sont-elles dites centrales dans un projet d’apprentissage automatique ?

A. Parce qu’elles remplacent complètement le besoin d’un modèle

B. Parce qu’elles constituent la matière première des prédictions utiles

C. Parce qu’elles garantissent un bon résultat même si elles sont incohérentes

D. Parce qu’elles servent uniquement à afficher des graphiques

Answer: (B)

Explanation

Les données sont la matière première qui permet au système d’apprentissage de produire des prédictions utiles. Sans données, il n’y a pas d’apprentissage.

6. Que résume l’expression « Garbage In, Garbage Out » dans le contexte de l’apprentissage automatique ?

A. Plus un jeu de données est grand, plus il est forcément fiable

B. Un modèle complexe corrige toujours les données erronées

C. Les étiquettes sont inutiles si le modèle est puissant

D. Des données de mauvaise qualité entraînent des sorties de mauvaise qualité

Answer: (D)

Explanation

L’idée est que la qualité de sortie dépend fortement de la qualité d’entrée : si les données sont mauvaises, les résultats le seront aussi. Le texte insiste sur ce lien direct entre qualité des données et qualité du modèle.

7. Quel est l’ordre typique d’un projet de machine learning ?

A. Entraînement, collecte, déploiement, nettoyage, test

B. Collecte, nettoyage, entraînement, test, déploiement

C. Collecte, entraînement, déploiement, test, nettoyage

D. Nettoyage, collecte, test, entraînement, déploiement

Answer: (B)

Explanation

Le cycle présenté suit l’enchaînement collecte, nettoyage, entraînement, test puis déploiement. Cet ordre correspond à la démarche standard décrite.

8. Pourquoi le test d’un modèle doit-il se faire sur des données jamais vues pendant l’entraînement ?

A. Pour mesurer sa capacité à généraliser plutôt qu’à mémoriser

B. Pour lui permettre de mieux mémoriser les exemples connus

C. Pour éviter tout besoin de nettoyage des données

D. Pour remplacer la phase de déploiement

Answer: (A)

Explanation

Le test sur des données inédites permet d’évaluer la généralisation du modèle. Si l’on réutilise des données vues, on risque surtout de mesurer de la mémorisation.

9. Que signifie l’apprentissage supervisé ?

A. Produire des règles sans exemple préalable

B. Apprendre à partir de données déjà étiquetées avec la réponse attendue

C. Découvrir des groupes sans aucune réponse fournie

D. Apprendre uniquement à partir de données non structurées

Answer: (B)

Explanation

En apprentissage supervisé, chaque exemple est accompagné d’une bonne réponse connue à l’avance. Le modèle apprend donc avec des étiquettes.

10. Quel cas relève le mieux de l’apprentissage supervisé ?

A. Repérer une anomalie sans jamais connaître les catégories

B. Explorer des motifs cachés sans réponse attendue

C. Prédire si un email est spam ou non spam

D. Découvrir des groupes de clients sans étiquette

Answer: (C)

Explanation

La classification spam / non spam est un exemple classique d’apprentissage supervisé, car les données d’entraînement sont étiquetées. Les autres propositions relèvent plutôt de l’apprentissage non supervisé.

11. Quelle est la différence fondamentale entre la classification et la régression en apprentissage automatique ?

A. La classification prédit une catégorie, tandis que la régression prédit une valeur numérique

B. La classification prédit une valeur numérique, tandis que la régression prédit une catégorie

C. La régression sert uniquement à détecter des anomalies dans les données

D. La classification sert uniquement à regrouper des données sans étiquette

Answer: (A)

Explanation

La classification consiste à choisir une classe ou un label, comme spam ou non spam. La régression vise au contraire à estimer une quantité continue, comme un prix ou des ventes.

12. Dans un projet de détection de fraude bancaire, quel type de tâche convient le mieux pour décider si une opération est frauduleuse ou non ?

A. Une tâche de classification

B. Une tâche de compression de données

C. Une tâche de segmentation non supervisée

D. Une tâche de régression

Answer: (A)

Explanation

Décider si une opération appartient à la classe frauduleuse ou non frauduleuse relève de la classification. La régression serait plutôt utilisée pour prédire une valeur chiffrée continue.

13. Quel est le principe central de l’apprentissage non supervisé ?

A. Apprendre à partir d’exemples déjà étiquetés avec la bonne réponse

B. Analyser des données sans réponse correcte fournie pour découvrir des structures

C. Utiliser uniquement des règles écrites manuellement par un humain

D. Prédire une valeur numérique à partir d’exemples corrigés

Answer: (B)

Explanation

L’apprentissage non supervisé travaille sur des données sans étiquettes pour mettre en évidence des groupes, structures cachées ou anomalies. Il ne repose pas sur des réponses attendues fournies à l’avance.

14. Dans quelle situation l’apprentissage non supervisé est-il particulièrement adapté ?

A. Estimer le prix d’un logement à partir de ventes passées

B. Calculer la durée d’entraînement d’un modèle sur GPU

C. Prédire si un courriel est spam ou non spam à partir d’étiquettes

D. Segmenter des clients en groupes selon leur comportement similaire

Answer: (D)

Explanation

La segmentation clients est un cas typique de non supervisé, car le modèle cherche des regroupements dans les données. Les autres propositions relèvent plutôt du supervisé ou ne constituent pas une tâche d’apprentissage.

15. Pourquoi le deep learning est-il présenté comme particulièrement utile pour l’image, l’audio, la vidéo et le langage ?

A. Parce qu’il remplace toute forme de données par des règles fixes

B. Parce qu’il fonctionne uniquement avec des données déjà étiquetées

C. Parce qu’il apprend des représentations complexes grâce à plusieurs couches

D. Parce qu’il se limite à prédire des catégories simples

Answer: (C)

Explanation

Le deep learning empile des couches qui apprennent progressivement des caractéristiques de plus en plus complexes. Cette structure est adaptée aux données riches comme les images, le son, la vidéo et le texte.

16. Dans un réseau neuronal profond, quel rôle général jouent les couches successives ?

A. Elles remplacent la nécessité d’avoir des données d’entraînement

B. Elles imposent des règles manuelles identiques pour tous les cas

C. Elles stockent uniquement les erreurs de prédiction du modèle

D. Elles transforment les données pour apprendre des caractéristiques de plus en plus élaborées

Answer: (D)

Explanation

Chaque couche extrait ou transforme l’information pour construire des représentations plus riches. C’est cette progression qui permet d’aller de traits simples à une décision finale, comme reconnaître un chat.

17. Quel est l’avantage principal d’un GPU pour l’entraînement de grands modèles ?

A. Il remplace le besoin de données d’entraînement

B. Il évite toute erreur ou hallucination du modèle

C. Il exécute un très grand nombre de calculs en parallèle

D. Il effectue moins de calculs mais avec une meilleure mémoire

Answer: (C)

Explanation

Un GPU est conçu pour faire énormément de calculs simultanément, ce qui accélère l’entraînement des modèles lourds. À l’inverse, un CPU est présenté comme moins adapté à ce parallélisme massif.

18. Pourquoi un grand modèle de langage peut-il produire une hallucination ?

A. Parce qu’il fonctionne uniquement sans contexte

B. Parce qu’il prédit la suite la plus probable sans véritable connaissance factuelle

C. Parce qu’il ne traite que des données numériques

D. Parce qu’il mémorise toujours parfaitement toutes les vérités du monde

Answer: (B)

Explanation

Un modèle de langage génère du texte probable à partir du contexte, ce qui peut conduire à inventer une réponse quand l’information n’est pas maîtrisée. L’hallucination vient donc de la prédiction, pas d’un savoir réel.

19. Quel problème est directement lié à des données biaisées dans un modèle d’IA ?

A. Une disparition complète du besoin de calcul

B. Une amélioration automatique de l’explicabilité

C. Une suppression des enjeux éthiques

D. Des résultats eux-mêmes biaisés

Answer: (D)

Explanation

Si les données d’entrée sont biaisées, le modèle apprend et reproduit ces distorsions dans ses sorties. Cela peut conduire à des erreurs systématiques ou à des injustices.

20. Quel enjeu relève le plus clairement des questions éthiques liées à l’IA ?

A. La taille des jeux de données seulement

B. La présence de couches dans un réseau neuronal

C. Le choix entre classification et régression

D. La vie privée et la surveillance

Answer: (D)

Explanation

Les enjeux éthiques cités incluent la vie privée, la surveillance, la discrimination et l’impact sur l’emploi. Les autres propositions concernent plutôt des aspects techniques que des questions éthiques.