QCM : Introduction à l'Intelligence Artificielle Économique — 20 questions

Questions et réponses du QCM

1. Quel est l’objectif principal du module en lien avec la décision économique ?

Approfondir uniquement l’histoire des machines intelligentes sans application pratique
Former à la programmation de sites web sans lien avec l’économie
Utiliser l’IA pour résoudre des problèmes économiques et améliorer les choix des décideurs
Étudier exclusivement les statistiques descriptives appliquées aux finances

Utiliser l’IA pour résoudre des problèmes économiques et améliorer les choix des décideurs

Explication

Le module est centré sur l’usage de l’IA pour soutenir la décision économique, résoudre des problèmes et améliorer les choix des décideurs. Les autres propositions s’éloignent de cet objectif applicatif.

2. Quelle combinaison décrit le mieux la structure d’évaluation du module ?

Une note fondée seulement sur la participation en classe
Contrôles continus, épreuve écrite, oral, activités pratiques, présentation et évaluation finale
Des travaux individuels sans évaluation formelle ni projet
Uniquement un examen écrit final sans autre activité

Contrôles continus, épreuve écrite, oral, activités pratiques, présentation et évaluation finale

Explication

Le module prévoit des contrôles continus, plusieurs formes d’épreuves, ainsi qu’une évaluation finale. Les autres choix omettent des composantes essentielles de l’évaluation.

3. Que permet d’évaluer le test de Turing ?

La capacité d’une machine à se comporter de façon indiscernable d’un humain dans un échange
La quantité de données qu’un algorithme peut stocker
Le niveau de précision d’un système de recommandation
La vitesse de calcul d’un programme sur des nombres entiers

La capacité d’une machine à se comporter de façon indiscernable d’un humain dans un échange

Explication

Le test de Turing vise à vérifier si une machine peut tenir un échange impossible à distinguer de celui d’un humain. Il ne mesure ni la vitesse, ni la mémoire, ni la recommandation.

4. Quel programme de 1956 est associé à la preuve de théorèmes mathématiques ?

K-means
ELIZA
Logic Theorist
Naive Bayes

Logic Theorist

Explication

Logic Theorist est présenté comme un programme de 1956 conçu pour prouver des théorèmes mathématiques. ELIZA, à l’inverse, simule des échanges thérapeutiques.

5. Que désigne l’intelligence artificielle dans ce module ?

Un ensemble d’approches capables d’exploiter de grandes quantités de données pour produire des prédictions ou des décisions
Un langage de programmation destiné uniquement aux calculs financiers
Une méthode manuelle de calcul sans utilisation de données
Un ensemble de règles fixes qui remplacent toute analyse

Un ensemble d’approches capables d’exploiter de grandes quantités de données pour produire des prédictions ou des décisions

Explication

L’IA est définie comme un ensemble d’approches exploitant de grandes quantités de données pour prédire ou décider. La programmation classique repose plutôt sur des instructions fixées à l’avance.

6. Dans quelle situation l’IA est-elle utilisée pour détecter des comportements suspects ou inhabituels ?

Le filtrage exclusif des courriels personnels
La génération automatique de pages web
La saisie comptable manuelle
La détection de fraude et d’anomalies

La détection de fraude et d’anomalies

Explication

La détection de fraude et d’anomalies correspond explicitement à des usages de l’IA pour repérer des comportements suspects dans les données. Les autres propositions ne correspondent pas à cette application.

7. Quel énoncé caractérise l’apprentissage supervisé ?

Le modèle fonctionne uniquement sans données d’entrée
Le modèle cherche des groupes sans utiliser d’étiquettes
Le modèle classe les données sans aucun exemple préalable
Le modèle apprend à partir de données annotées pour produire des prédictions

Le modèle apprend à partir de données annotées pour produire des prédictions

Explication

L’apprentissage supervisé repose sur des données annotées, c’est-à-dire des exemples accompagnés de labels. Le regroupement sans étiquettes correspond au non supervisé.

8. Quel critère est le plus déterminant pour choisir un algorithme supervisé dans ce cadre ?

La présence de labels dans les données disponibles
La couleur des graphiques produits
Le nombre de pages du rapport final
L’âge des utilisateurs étudiés

La présence de labels dans les données disponibles

Explication

Le choix d’un algorithme supervisé dépend notamment de la présence de labels et du type de données disponibles. Les autres critères ne sont pas ceux mis en avant ici.

9. Que désigne le clustering ?

Une méthode qui regroupe automatiquement des individus en clusters homogènes sans connaître les étiquettes à l’avance
Une méthode qui attribue une classe à partir de labels déjà fournis
Une méthode qui calcule seulement des moyennes globales
Une méthode qui supprime les données aberrantes sans regroupement

Une méthode qui regroupe automatiquement des individus en clusters homogènes sans connaître les étiquettes à l’avance

Explication

Le clustering regroupe automatiquement des objets en groupes homogènes sans labels préalables. L’attribution à partir de labels relève au contraire de l’apprentissage supervisé.

10. Sur quel principe repose la formation des clusters ?

Sur la similarité entre objets pour rapprocher ceux qui se ressemblent davantage
Sur la présence obligatoire de catégories déjà connues
Sur l’ordre alphabétique des variables
Sur le hasard des observations sans critère de proximité

Sur la similarité entre objets pour rapprocher ceux qui se ressemblent davantage

Explication

Les clusters se construisent à partir de la similarité entre objets, de sorte que les membres d’un même groupe se ressemblent davantage. Les catégories connues d’avance ne sont pas nécessaires.

11. Dans l’apprentissage par renforcement, quel élément sert généralement à guider l’agent vers les actions souhaitables ?

Une récompense associée à ses actions
Des étiquettes fournies à l’avance
Des groupes homogènes déjà connus
Une projection en composantes principales

Une récompense associée à ses actions

Explication

En apprentissage par renforcement, l’agent apprend par essai-erreur à partir de récompenses ou pénalités liées à ses actions. Les étiquettes relèvent de l’apprentissage supervisé, pas du renforcement.

12. Quel compromis est au cœur de la plupart des problèmes d’apprentissage par renforcement ?

L’exploration de nouvelles actions et l’exploitation des actions connues
La réduction de dimension et la classification supervisée
La similarité entre utilisateurs et la similarité entre objets
La collecte manuelle et l’extraction automatisée

L’exploration de nouvelles actions et l’exploitation des actions connues

Explication

L’agent doit équilibrer l’exploration de nouvelles actions et l’exploitation de ce qu’il a déjà appris pour maximiser sa récompense cumulée. Les autres propositions décrivent d’autres thèmes comme la préparation des données ou les recommandations.

13. Dans un réseau de deep learning, qu’est-ce qui distingue principalement cette approche d’un modèle plus classique ?

La présence de nombreuses couches de traitement
L’absence totale de données d’entrée
Le regroupement automatique en clusters
L’utilisation obligatoire de données non étiquetées

La présence de nombreuses couches de traitement

Explication

Le deep learning se caractérise par des réseaux de neurones profonds, c’est-à-dire comportant plusieurs couches. Ce n’est pas un clustering, et il peut utiliser des données supervisées ou non selon le cas.

14. Quelle expression décrit le mieux l’accuracy d’un modèle ?

La proportion de prédictions correctes parmi toutes les prédictions
Le nombre total de variables explicatives utilisées
La moyenne des valeurs d’entrée du modèle
La capacité du modèle à former des clusters homogènes

La proportion de prédictions correctes parmi toutes les prédictions

Explication

L’accuracy mesure la part de prédictions correctes sur l’ensemble des prédictions effectuées. Elle peut s’écrire avec TP, TN, FP et FN sous la forme indiquée dans le cours.

15. Quel principe correspond au filtrage basé sur le contenu dans un système de recommandation ?

Combiner systématiquement plusieurs méthodes pour améliorer la précision
Classer des données sans utiliser d’informations sur les préférences
Recommander des éléments similaires à ceux déjà appréciés par l’utilisateur
Calculer une similarité entre utilisateurs pour prédire leurs notes

Recommander des éléments similaires à ceux déjà appréciés par l’utilisateur

Explication

Le filtrage basé sur le contenu s’appuie sur le profil de l’utilisateur et sur les attributs des éléments déjà consultés ou évalués positivement. Le filtrage collaboratif, lui, repose sur la similarité entre utilisateurs.

16. Quelle caractéristique décrit le mieux le filtrage collaboratif ?

Il ne tient pas compte des autres utilisateurs
Il vise d’abord à réduire la dimension des données
Il dépend exclusivement des attributs des items
Il s’appuie sur les évaluations d’utilisateurs similaires

Il s’appuie sur les évaluations d’utilisateurs similaires

Explication

Le filtrage collaboratif utilise les notes et comportements d’utilisateurs proches pour prédire les préférences de l’utilisateur actif. Cela le distingue du filtrage basé sur le contenu, qui repose sur le profil et les caractéristiques des items.

17. Quelle méthode consiste à extraire automatiquement des données depuis des pages web ?

L’analyse discriminante
L’analyse en composantes multiples
Le web scraping
Le clustering

Le web scraping

Explication

Le web scraping désigne l’extraction automatisée de données depuis des pages web. Les autres méthodes relèvent plutôt du traitement ou de l’analyse des données après la collecte.

18. Pourquoi la collecte de données est-elle importante dans ce module ?

Pour former directement des clusters sans aucune variable
Pour réunir des données pertinentes afin d’entraîner un modèle prédictif
Pour supprimer le besoin d’évaluation du modèle
Pour remplacer l’analyse par une simple intuition

Pour réunir des données pertinentes afin d’entraîner un modèle prédictif

Explication

La collecte sert à rassembler des données utiles pour repérer des schémas et entraîner un modèle prédictif. Elle précède l’analyse, la modélisation et l’évaluation.

19. Quel est l’objectif principal de l’analyse prédictive ?

Regrouper des individus sans utiliser de variables
Mesurer la similarité entre utilisateurs d’un site
Décrire uniquement la structure des données catégorielles
Anticiper des événements futurs à partir de données passées

Anticiper des événements futurs à partir de données passées

Explication

L’analyse prédictive vise à prévoir des événements futurs à partir de données historiques, par exemple en maintenance à partir de signaux de capteurs. Elle se distingue d’une simple description des données.

20. Dans l’analyse financière en temps réel, pourquoi traite-t-on des volumes massifs de données avec faible latence ?

Pour remplacer les indicateurs de performance
Pour construire des labels manuellement
Pour repérer rapidement des tendances ou des anomalies
Pour imposer une classification supervisée

Pour repérer rapidement des tendances ou des anomalies

Explication

Le traitement en temps réel permet d’identifier rapidement des tendances ou des anomalies dans de grands volumes de données. Le texte insiste sur cette idée de détection rapide grâce à une faible latence.

Révisez avec les flashcards

Mémorisez les réponses avec 20 flashcards sur Introduction à l'Intelligence Artificielle Économique.

Objectifs du module IA — but ?

Utiliser l’IA pour la décision économique.

Structure du module — composants clés ?

Apprentissage, modélisation, analyse de données.

Histoire de l’IA — année clé ?

1956, terme « intelligence artificielle » introduit.

Voir les flashcards →

Approfondir avec la fiche

Consultez la fiche de révision complète sur Introduction à l'Intelligence Artificielle Économique.

Voir la fiche →

Cours similaires

Économie de la santé

Affichage des prix et documents de vente

Gestion

Tenue de la caisse

Gestion

Fiscalité de l’assurance vie

Planifier son budget mensuel

Fondamentaux de la négociation

Crée tes propres QCM

Importe ton cours et l'IA génère des QCM avec corrections en 30 secondes.

Générateur de QCM