Karteikarten: Introduction à l'Intelligence Artificielle et ses Enjeux — 20 Karten

Intelligence Artificielle — définition ?

Technologies permettant à une machine d'exécuter des tâches humaines.

IA, ML, Deep Learning — relation ?

IA est le domaine global, ML en est une branche, Deep Learning en est une sous-branche.

Rôle central des données — pourquoi ?

Elles alimentent l'apprentissage et déterminent la qualité des résultats.

Cycle d’un projet ML — étapes ?

Collecte, nettoyage, entraînement, test, déploiement.

Apprentissage supervisé — caractéristique ?

Utilise des données étiquetées avec réponses connues.

Classification vs régression — différence ?

Classification prédit une catégorie, régression une valeur numérique.

Apprentissage non supervisé — objectif ?

Découvrir groupes, structures ou anomalies sans réponses préalables.

Réseaux neuronaux — rôle en Deep Learning ?

Ils apprennent des caractéristiques complexes à partir de couches successives.

GPU — avantage pour l’IA ?

Permet un calcul massif en parallèle, accélérant l’entraînement.

Modèles de langage — qu’est-ce ?

Modèles qui prédisent la suite probable d’un texte.

Limites, biais — enjeux ?

Qualité des données, biais, coût, explicabilité, enjeux éthiques.

Données de qualité — importance ?

Essentielles pour des modèles fiables et précis.

Biais dans l’IA — cause ?

Données biaisées qui introduisent des distorsions.

Coût d’un gros modèle — facteur ?

Besoin en GPU, énergie et infrastructure coûteuse.

Explicabilité — défi ?

Comprendre pourquoi un modèle donne certains résultats.

Enjeux éthiques — exemples ?

Vie privée, surveillance, discrimination, impact sur l’emploi.

IA — domaine ou technologie ?

Un domaine regroupant plusieurs technologies et méthodes.

ML — apprentissage comment ?

À partir d’exemples, sans règles explicites.

Deep Learning — particularité ?

Utilise des réseaux neuronaux profonds pour apprendre.

Hallucination LLM — pourquoi ?

Prédit le texte sans “savoir”, générant parfois des erreurs.