Cuestionario: Introduction à l'intelligence artificielle — 24 preguntas

1. Quelle définition correspond le mieux à la définition européenne de l’intelligence artificielle ?

A. Un programme qui mémorise des faits sans jamais produire d’action

B. Un système qui converse comme un humain sans jamais utiliser de données

C. Une machine qui possède nécessairement une conscience comparable à celle d’un humain

D. Un système qui perçoit des données, les interprète, raisonne puis agit pour atteindre des objectifs définis

Answer: (D)

Explicación

La définition européenne met l’accent sur la chaîne perception, interprétation, raisonnement et action orientée vers des objectifs. L’option sur la conscience décrit plutôt une IA forte, qui n’est pas la définition UE.

2. Que teste principalement le test de Turing ?

A. La capacité d’un système à stocker un grand volume de données

B. La présence d’une conscience subjective dans une machine

C. La capacité d’un système à imiter un humain dans un échange conversationnel

D. La capacité d’un système à résoudre un problème de calcul plus vite qu’un humain

Answer: (C)

Explicación

Le test de Turing évalue si un juge ne peut pas distinguer la machine d’un humain en conversation. Il ne prouve pas la conscience, seulement un comportement indiscernable.

3. Selon le matérialisme, de quoi dépendent l’esprit et la conscience ?

A. D’une âme indépendante du corps

B. D’un ensemble de symboles sans support biologique

C. Du fonctionnement du cerveau et des processus physiques

D. D’un pur raisonnement logique détaché de la matière

Answer: (C)

Explicación

Le matérialisme soutient que l’esprit dépend du cerveau et des processus physiques. Les autres propositions s’éloignent de cette thèse en séparant l’esprit de la matière.

4. Quel problème philosophiquement important concerne la manière dont des symboles deviennent signifiants pour une machine ?

A. Le problème du surapprentissage

B. Le problème de la descente de gradient

C. Le problème de l’ancrage des symboles

D. Le problème du bruit gaussien

Answer: (C)

Explicación

Le problème de l’ancrage des symboles demande comment des symboles obtiennent un sens renvoyant au monde réel. Il ne s’agit pas d’un problème d’optimisation ou de bruit statistique.

5. Que fait principalement le raisonnement moyens-fins ?

A. Il compare l’état courant à l’objectif puis choisit des actions pour réduire l’écart par sous-objectifs

B. Il transforme directement des données brutes en labels sans étape intermédiaire

C. Il explore toutes les solutions possibles jusqu’à trouver la meilleure sans heuristique

D. Il remplace la planification par une décision aléatoire

Answer: (A)

Explicación

Le raisonnement moyens-fins décompose l’écart entre l’état actuel et l’objectif en sous-objectifs successifs. Il vise donc à guider la planification, pas à tester toutes les solutions.

6. Pourquoi parle-t-on d’explosion combinatoire dans la planification ?

A. Parce que le nombre de choix possibles augmente très vite avec la profondeur du plan

B. Parce que chaque action réduit toujours le nombre d’options à un seul choix

C. Parce que les règles symboliques disparaissent après quelques étapes

D. Parce que les données deviennent automatiquement linéaires

Answer: (A)

Explicación

L’explosion combinatoire vient du fait que chaque niveau de plan ajoute de nombreuses possibilités, rendant la recherche exhaustive vite impraticable. Les autres réponses décrivent des situations contraires à ce phénomène.

7. Qu’est-ce qu’un perceptron dans ce cours ?

A. Une règle de décision purement symbolique sans poids

B. Un algorithme de recherche exhaustive

C. Un modèle de réseau de neurones à apprentissage supervisé

D. Une méthode de clustering sans étiquettes

Answer: (C)

Explicación

Le perceptron est présenté comme un modèle neuronal appris de manière supervisée. Il ne s’agit ni d’un clustering ni d’une méthode symbolique pure.

8. Quelle limitation des perceptrons est mise en avant par Minsky et Papert ?

A. Ils ne peuvent pas représenter certaines fonctions simples

B. Ils apprennent uniquement sans supervision

C. Ils garantissent toujours une généralisation parfaite

D. Ils nécessitent obligatoirement des données textuelles

Answer: (A)

Explicación

Le cours souligne que les perceptrons ont des limites de représentation, même pour certaines fonctions simples. C’est précisément cette faiblesse qui a motivé un retour vers des approches symboliques.

9. Dans un système expert, quel est le rôle central d’une règle explicite ?

A. Apprendre automatiquement des représentations sans intervention humaine

B. Transformer un problème continu en espace vectoriel

C. Encoder une connaissance ou une relation de décision de manière déclarative

D. Remplacer toute observation par un hasard contrôlé

Answer: (C)

Explicación

Les systèmes experts reposent sur des règles explicites écrites par l’humain pour guider le raisonnement. Cela les distingue d’une approche où les règles seraient apprises automatiquement.

10. Que signifie une p-value inférieure à 0,05 dans l’inférence classique du cours ?

A. Le résultat est jugé statistiquement significatif et l’hypothèse nulle est rejetée

B. Le modèle est automatiquement causal

C. L’hypothèse nulle est prouvée vraie

D. La taille de l’échantillon est nécessairement insuffisante

Answer: (A)

Explicación

Dans le cadre présenté, p < 0,05 conduit à rejeter l’hypothèse nulle et à considérer le résultat comme significatif. Une petite p-value ne prouve pas la causalité ni la vérité de H0.

11. Qu’illustre le bottleneck de la connaissance dans l’histoire de l’IA ?

A. L’impossibilité d’utiliser des données numériques

B. La disparition des biais dans tout modèle

C. La difficulté à acquérir et généraliser la connaissance de façon scalable

D. L’idée qu’un réseau profond n’a jamais besoin d’entraînement

Answer: (C)

Explicación

Le bottleneck de la connaissance renvoie au manque de mécanisme efficace pour acquérir et généraliser la connaissance à grande échelle. C’est une explication importante du premier hiver de l’IA.

12. Quelle situation correspond à l’overfitting ?

A. Un modèle qui n’utilise aucune donnée d’entraînement

B. Un modèle trop complexe qui apprend le bruit et généralise mal

C. Un modèle parfaitement adapté qui généralise toujours mieux

D. Un modèle trop simple qui ne capte pas les régularités

Answer: (B)

Explicación

L’overfitting correspond à un modèle trop complexe qui s’ajuste trop aux données d’entraînement, y compris au bruit. Le sous-apprentissage, lui, décrit plutôt un modèle trop simple.

13. Que représente un vecteur propre face à une transformation linéaire ?

A. Un ensemble de données sans structure

B. Une valeur scalaire qui résume toute la matrice

C. Une direction qui reste dans la même direction, éventuellement étirée ou compressée

D. Une probabilité conditionnelle sur les observations

Answer: (C)

Explicación

Un vecteur propre conserve sa direction sous l’action de la matrice, même si sa norme change. C’est l’idée centrale des directions propres en algèbre linéaire.

14. Pourquoi la PCA est-elle utile en réduction de dimension ?

A. Elle choisit au hasard les axes de projection

B. Elle supprime toute corrélation entre les variables sans perte

C. Elle remplace les données par des labels

D. Elle conserve les directions où la variance est la plus forte

Answer: (D)

Explicación

La PCA projette les données sur les directions principales de variance, afin de conserver l’essentiel de l’information. Elle ne choisit pas des axes au hasard et ne produit pas de labels.

15. Quelle formule décrit correctement une probabilité conditionnelle ?

A. La probabilité de A sachant B est égale à P(A) multipliée par P(B)

B. La probabilité de A sachant B est égale à P(B) divisée par P(A)

C. La probabilité de A sachant B est toujours égale à 1

D. La probabilité de A sachant B est égale à P(A ∩ B) divisée par P(B)

Answer: (D)

Explicación

La probabilité conditionnelle est définie par P(A|B)=P(A∩B)/P(B). Elle dépend donc de l’événement B observé.

16. Que fait la règle de Bayes ?

A. Elle remplace les données par des symboles

B. Elle met à jour une croyance a priori à l’aide d’une preuve observée

C. Elle calcule uniquement une moyenne arithmétique

D. Elle classe les données sans incertitude

Answer: (B)

Explicación

La règle de Bayes sert à transformer une croyance initiale en croyance a posteriori à partir d’une observation. C’est le cœur de l’inférence bayésienne.

17. Dans la descente de gradient, dans quelle direction met-on à jour les paramètres ?

A. Dans la direction du gradient

B. Dans une direction aléatoire à chaque itération

C. Dans la direction opposée au gradient

D. Dans la direction de la plus grande valeur propre

Answer: (C)

Explicación

Le gradient pointe vers la plus forte augmentation, donc on prend la direction opposée pour diminuer la fonction de coût. C’est le principe même de la descente de gradient.

18. Quel effet peut avoir un taux d’apprentissage trop élevé ?

A. Garantir une convergence plus rapide vers le bon minimum

B. Provoquer des oscillations ou une divergence

C. Supprimer la nécessité des dérivées

D. Transformer le problème en classification

Answer: (B)

Explicación

Si le pas est trop grand, les mises à jour peuvent dépasser le minimum et rendre l’optimisation instable. Le taux d’apprentissage ne supprime pas le besoin de dérivées.

19. Quel est l’objectif principal de l’inférence statistique ?

A. Remplacer les probabilités par des règles fixes

B. Apprendre des représentations sans aucune donnée

C. Déduire des propriétés d’une population à partir d’observations en quantifiant l’incertitude

D. Produire uniquement des labels sans mesure d’erreur

Answer: (C)

Explicación

L’inférence statistique vise à tirer des conclusions sur une population à partir d’un échantillon, tout en quantifiant l’incertitude. Elle ne consiste pas à supprimer les probabilités.

20. Comment le passage vers le machine learning est-il décrit ici ?

A. Comme la suppression des données au profit de la théorie seule

B. Comme une méthode fondée uniquement sur des symboles

C. Comme le remplacement de règles explicites par un apprentissage à partir de données

D. Comme une optimisation sans modèle

Answer: (C)

Explicación

Le passage vers le machine learning correspond à l’apprentissage de régularités à partir d’exemples, au lieu d’écrire manuellement les règles. Cette idée est au centre de la transition vers le ML.

21. Quelle différence distingue le mieux l’apprentissage supervisé de l’apprentissage non supervisé ?

A. Le supervisé est réservé aux images, le non supervisé au texte

B. Le supervisé n’utilise jamais de données, le non supervisé en utilise toujours

C. Le supervisé produit uniquement des clusters, le non supervisé uniquement des régressions

D. Le supervisé utilise des labels, le non supervisé cherche des structures sans labels

Answer: (D)

Explicación

L’apprentissage supervisé apprend à partir d’exemples étiquetés, tandis que le non supervisé cherche des régularités sans étiquettes. C’est la distinction fondamentale donnée dans le cours.

22. Pourquoi les Transformers sont-ils particulièrement efficaces pour les séquences ?

A. Parce qu’ils utilisent l’attention pour relier des éléments distants

B. Parce qu’ils remplacent toute représentation vectorielle

C. Parce qu’ils ne nécessitent aucune donnée d’entraînement

D. Parce qu’ils ne traitent que des images fixes

Answer: (A)

Explicación

Les Transformers s’appuient sur l’attention, ce qui leur permet de connecter efficacement des éléments éloignés d’une séquence. C’est l’une des raisons de leur succès en traitement du langage.

23. Que vise à montrer l’expérience de pensée de la chambre chinoise ?

A. Un humain ne peut jamais apprendre une langue

B. Un système peut manipuler des symboles sans comprendre leur signification

C. Toute machine ayant des symboles possède une conscience

D. La compréhension dépend uniquement de la vitesse de calcul

Answer: (B)

Explicación

La chambre chinoise illustre qu’une manipulation correcte de symboles ne garantit pas la compréhension. Elle sert donc à contester l’idée qu’un comportement adéquat suffise pour une vraie compréhension.

24. Que soutient le fonctionnalisme ?

A. L’esprit dépend de l’organisation fonctionnelle plutôt que du support matériel précis

B. L’esprit n’a aucune relation avec les fonctions cognitives

C. L’esprit dépend uniquement du carbone biologique

D. L’esprit est réductible à une seule règle logique

Answer: (A)

Explicación

Le fonctionnalisme affirme que ce qui compte est la fonction réalisée, pas le substrat matériel exact. C’est compatible avec l’idée de réalisabilité multiple.