Quiz: Introduction aux modèles d'IA Générative — 10 domande

1. Qu'est-ce qu'un Large Language Model (LLM) ?

A. Un système expert utilisant des règles prédéfinies pour diagnostiquer des maladies médicales.

B. Un programme informatique conçu pour jouer aux échecs à un niveau professionnel.

C. Un modèle d'intelligence artificielle de grande taille basé sur l'architecture Transformer, capable de générer du texte cohérent en prédisant le prochain token.

D. Un modèle de traitement d'images utilisant des réseaux convolutifs pour reconnaître des objets.

Answer: (C)

Spiegazione

Un LLM est un modèle de langage de grande taille utilisant l'architecture Transformer, inventée par Google en 2017, qui prédit le prochain token dans une séquence pour générer du texte cohérent. Les autres options concernent des domaines différents ou des descriptions incorrectes.

2. En quelle année l'architecture Transformer a-t-elle été inventée par Google ?

A. 2021

B. 2019

C. 2015

D. 2017

Answer: (D)

Spiegazione

L'architecture Transformer a été inventée par Google en 2017, ce qui a marqué une avancée majeure dans le traitement du langage naturel et la génération de contenu par IA.

3. Quel est le rôle principal de la tokenisation et de la prédiction dans le fonctionnement d’un modèle de langage ?

A. Identifier les entités nommées dans un texte pour la compréhension sémantique

B. Réduire la longueur du texte pour faciliter le traitement par le modèle

C. Découper le texte en unités compréhensibles et estimer la probabilité du prochain token pour générer du contenu cohérent

D. Classer les textes selon leur sentiment ou leur sujet pour une analyse automatique

Answer: (C)

Spiegazione

La tokenisation décompose le texte en unités (tokens) que le modèle peut traiter, et la prédiction du prochain token, basée sur la distribution probabiliste, permet au modèle de générer du texte cohérent en anticipant la suite la plus probable.

4. En quelle année l'architecture Transformer a-t-elle été inventée par Google, marquant une étape clé dans le développement de l'IA moderne ?

A. 2015

B. 2019

C. 2017

D. 2014

Answer: (C)

Spiegazione

L'architecture Transformer a été inventée par Google en 2017, ce qui a permis une avancée majeure dans la génération de contenu par IA, notamment grâce au mécanisme d'auto-attention.

5. En quoi l'espace latent et les concepts se ressemblent-ils ou diffèrent-ils ?

A. L'espace latent et les concepts sont tous deux des représentations physiques concrètes des idées.

B. L'espace latent est une représentation numérique où des concepts proches sont situés à proximité, tandis que les concepts sont des idées abstraites non numériques.

C. L'espace latent est une idée abstraite, alors que les concepts sont des représentations numériques dans un espace multidimensionnel.

D. Les concepts sont des vecteurs dans l'espace latent, qui permettent de naviguer entre différentes idées.

Answer: (B)

Spiegazione

L'espace latent est une représentation numérique dans un espace multidimensionnel où des concepts proches ont une proximité sémantique, tandis que les concepts eux-mêmes sont des idées abstraites. La proximité dans l'espace latent reflète la similarité sémantique, mais l'espace latent est une structure mathématique, alors que les concepts sont des notions abstraites.

6. Qui a formulé l'architecture Transformer utilisant l'auto-attention en 2017 ?

A. Microsoft

B. OpenAI

C. Google

D. Facebook

Answer: (C)

Spiegazione

L'architecture Transformer, qui utilise le mécanisme d'auto-attention, a été inventée par Google en 2017, ce qui en fait le créateur de cette avancée majeure dans le domaine des modèles de langage.

7. Quelle est la cause principale de la révolution dans la génération de contenu apportée par l'architecture Transformer ?

A. L'invention de l'architecture Transformer par Google en 2017 a permis de traiter simultanément tout le contexte grâce à l'auto-attention.

B. La sortie de GPT-4 en 2023 a introduit l'auto-attention, révolutionnant la génération de contenu.

C. L'introduction des réseaux de neurones convolutionnels en 2015 a conduit à l'utilisation de l'auto-attention dans la génération de contenu.

D. L'amélioration des capacités de calcul en 2020 a permis l'utilisation de l'auto-attention dans les modèles de langage.

Answer: (A)

Spiegazione

L'invention de l'architecture Transformer par Google en 2017 a été la cause principale qui a permis d'utiliser efficacement l'auto-attention, révolutionnant ainsi la capacité des modèles à traiter simultanément tout le contexte d'une séquence, ce qui a considérablement amélioré la génération de contenu.

8. Comment appliquer le fine-tuning pour améliorer un modèle d'IA dans une tâche spécifique ?

A. En augmentant la température pour plus de créativité

B. En ajustant les poids du modèle sur un jeu de données spécifique à la tâche

C. En réduisant la taille du modèle pour une meilleure performance

D. En entraînant le modèle sur un nouveau jeu de données généraliste

Answer: (B)

Spiegazione

Le fine-tuning consiste à ajuster les poids du modèle pré-entraîné en le formant sur un jeu de données spécifique à la tâche, afin d'améliorer ses performances dans ce domaine.

9. Quelle est la caractéristique principale des capacités émergentes dans les grands modèles d'IA en lien avec leur taille ?

A. Elles sont limitées à des tâches spécifiques comme la traduction

B. Elles dépendent uniquement de la qualité des données d'entraînement

C. Elles apparaissent spontanément lorsque la modèle dépasse un certain seuil de taille

D. Elles sont explicitement programmées lors de la conception du modèle

Answer: (C)

Spiegazione

Les capacités émergentes apparaissent spontanément lorsque la taille du modèle dépasse un certain seuil, révélant des compétences non explicitement programmées, comme le raisonnement ou la compréhension complexe, qui ne sont pas présentes dans les modèles plus petits.

10. Qu'est-ce que la méthode RAG dans le contexte de récupération de données par modèles de langage ?

A. Un algorithme de compression de données pour réduire la taille des modèles

B. Une procédure de fine-tuning utilisant uniquement des données synthétiques

C. Une technique qui combine récupération de documents et génération de contenu pour améliorer la précision

D. Une méthode de classification supervisée pour catégoriser des textes

Answer: (C)

Spiegazione

RAG (Retrieval Augmented Generation) est une méthode qui combine la récupération de documents pertinents dans une base de données avec la génération de texte par un modèle, afin d'améliorer la précision et réduire les hallucinations dans les réponses.