QCM : Culture de l’intelligence artificielle (45 questions)

Questions et réponses du QCM

1. Quel est l’objectif général de l’intelligence artificielle en informatique ?

Accélérer les calculs numériques sans reproduire de capacités intellectuelles
Concevoir des systèmes capables d’effectuer des tâches associées à des capacités intellectuelles humaines
Remplacer les réseaux informatiques par des systèmes de stockage automatisés
Créer des machines dont l’apparence physique ressemble à celle des êtres humains

Concevoir des systèmes capables d’effectuer des tâches associées à des capacités intellectuelles humaines

Explication

L’intelligence artificielle vise à concevoir des systèmes capables d’apprendre, de raisonner, de reconnaître des formes ou de résoudre des problèmes. L’accélération du calcul peut être utile, mais ne définit pas à elle seule l’IA.

2. Quel événement marque la naissance officielle de l’intelligence artificielle en 1956 ?

La proposition du test de Turing, qui porte sur l’imitation d’une conversation humaine
La création de LISP, langage important pour la manipulation de listes
La conférence de Dartmouth, où John McCarthy introduit l’expression « intelligence artificielle »
La création d’ELIZA, programme conversationnel conçu par Joseph Weizenbaum

La conférence de Dartmouth, où John McCarthy introduit l’expression « intelligence artificielle »

Explication

La conférence de Dartmouth, en 1956, est considérée comme la naissance officielle de l’IA, et John McCarthy y introduit l’expression. ELIZA est un programme ultérieur, créé en 1966.

3. Que cherche à évaluer le test de Turing proposé en 1950 ?

Si une machine possède une conscience comparable à celle d’un être humain
Si une machine peut imiter une conversation humaine au point de ne pas être distinguée de façon fiable
Si une machine peut résoudre des problèmes sans recevoir de données
Si les réponses d’une machine sont véridiques dans des domaines variés

Si une machine peut imiter une conversation humaine au point de ne pas être distinguée de façon fiable

Explication

Le test porte sur la capacité d’une machine à produire un comportement conversationnel difficile à distinguer de celui d’un humain. Il ne mesure ni la conscience ni la véracité des réponses.

4. Quelle distinction décrit correctement l’IA faible et l’IA forte ?

L’IA faible apprend à partir de données, tandis que l’IA forte applique des règles écrites par des humains
L’IA faible imite une conversation, tandis que l’IA forte vérifie la véracité des réponses
L’IA faible accomplit des tâches spécifiques, tandis que l’IA forte désigne l’idée d’une intelligence générale comparable à l’intelligence humaine
L’IA faible repose sur des réseaux de neurones, tandis que l’IA forte utilise des symboles et des règles

L’IA faible accomplit des tâches spécifiques, tandis que l’IA forte désigne l’idée d’une intelligence générale comparable à l’intelligence humaine

Explication

L’IA faible réalise des tâches spécifiques sans conscience humaine, alors que l’IA forte correspond à l’idée d’une intelligence générale comparable à l’intelligence humaine. L’opposition entre apprentissage sur données et règles explicites décrit plutôt des approches de l’IA.

5. Sur quels principes repose principalement l’IA symbolique ?

Des connexions neuronales dont les poids sont ajustés à partir de données
Des règles explicites, des symboles, des connaissances structurées et le raisonnement logique
Des modèles statistiques qui repèrent des régularités sans connaissances structurées
Des exemples étiquetés, des récompenses cumulées et des essais dans un environnement

Des règles explicites, des symboles, des connaissances structurées et le raisonnement logique

Explication

L’IA symbolique représente des connaissances à l’aide de symboles et de règles explicites, puis s’appuie sur le raisonnement logique. L’ajustement de poids à partir de données caractérise plutôt l’approche connexionniste.

6. Quelle différence fondamentale distingue l’IA symbolique du Machine Learning ?

L’IA symbolique prédit des valeurs numériques, tandis que le Machine Learning prédit des catégories
L’IA symbolique repose sur des récompenses d’un environnement, tandis que le Machine Learning utilise des symboles logiques
L’IA symbolique apprend des paramètres à partir de données, tandis que le Machine Learning applique des règles explicites
L’IA symbolique applique des règles explicites, tandis que le Machine Learning apprend des régularités et des paramètres à partir de données

L’IA symbolique applique des règles explicites, tandis que le Machine Learning apprend des régularités et des paramètres à partir de données

Explication

L’approche symbolique s’appuie sur des règles définies explicitement, alors que le Machine Learning apprend des régularités et des paramètres à partir de données. Les catégories et valeurs numériques renvoient à des tâches de prédiction, pas à cette distinction de paradigmes.

7. Dans une approche connexionniste, que se passe-t-il pendant l’apprentissage d’un réseau de neurones ?

Les règles logiques sont écrites explicitement par un spécialiste
Les connexions et les poids du réseau sont ajustés
Les symboles sont remplacés par des récompenses cumulées
Les exemples reçoivent des étiquettes définies par un environnement

Les connexions et les poids du réseau sont ajustés

Explication

L’approche connexionniste utilise notamment des réseaux de neurones dont les connexions et les poids sont ajustés pendant l’apprentissage. L’écriture de règles logiques explicites correspond plutôt à l’approche symbolique.

8. Pourquoi concevoir un système d’IA hybride combinant règles symboliques et modèles appris sur des données ?

Pour transformer toutes les règles en récompenses et éviter l’utilisation de données
Pour associer la rigueur et l’explicabilité des règles à la souplesse de l’apprentissage sur les données
Pour garantir que les modèles statistiques n’auront pas besoin d’être entraînés
Pour remplacer le raisonnement logique par des prédictions de catégories

Pour associer la rigueur et l’explicabilité des règles à la souplesse de l’apprentissage sur les données

Explication

L’IA hybride combine des méthodes symboliques et des modèles statistiques ou connexionnistes afin de réunir explicabilité et souplesse d’apprentissage. Elle ne supprime pas l’apprentissage des modèles statistiques.

9. De quelles données l’apprentissage supervisé tire-t-il les réponses attendues ?

De données dépourvues d’étiquettes où les groupes restent à découvrir
D’exemples étiquetés dont les réponses attendues sont connues
De règles logiques fournies sans exemples d’entraînement
De séquences d’actions accompagnées de récompenses ou de pénalités

D’exemples étiquetés dont les réponses attendues sont connues

Explication

L’apprentissage supervisé s’appuie sur des exemples étiquetés dont la réponse attendue est connue. La recherche de groupes dans des données sans étiquettes relève plutôt de l’apprentissage non supervisé.

10. Une équipe dispose de données sans étiquettes et veut y repérer des groupes naturels; quelle approche convient-elle ?

La régression, qui prédit une valeur numérique à partir d’exemples étiquetés
L’apprentissage non supervisé, qui recherche des structures ou des régularités sans étiquettes
L’apprentissage supervisé, qui apprend à partir de réponses attendues associées aux exemples
L’apprentissage par renforcement, qui ajuste une stratégie selon des récompenses obtenues

L’apprentissage non supervisé, qui recherche des structures ou des régularités sans étiquettes

Explication

L’apprentissage non supervisé recherche des structures, des groupes ou des régularités dans des données dépourvues d’étiquettes. L’apprentissage supervisé exigerait des exemples associés à des réponses attendues.

11. Un robot améliore ses décisions en agissant dans un environnement et en tenant compte des récompenses et pénalités reçues; de quel apprentissage s’agit-il ?

De l’apprentissage non supervisé, qui regroupe des données dépourvues d’étiquettes
De l’apprentissage par renforcement, qui améliore une stratégie pour maximiser les récompenses cumulées à long terme
De l’apprentissage supervisé, qui apprend à reproduire des réponses étiquetées à l’avance
De la régression, qui prédit une valeur numérique pour chaque observation

De l’apprentissage par renforcement, qui améliore une stratégie pour maximiser les récompenses cumulées à long terme

Explication

Dans l’apprentissage par renforcement, un agent agit dans un environnement et adapte sa stratégie en fonction des récompenses ou pénalités pour maximiser les récompenses cumulées à long terme. L’apprentissage supervisé repose plutôt sur des réponses attendues associées aux exemples.

12. Un modèle doit attribuer une catégorie à un cas, puis estimer une quantité numérique pour un autre; quelles tâches réalise-t-il dans cet ordre ?

L’apprentissage supervisé, puis l’apprentissage non supervisé
La régression, puis la classification
L’apprentissage non supervisé, puis l’apprentissage par renforcement
La classification, puis la régression

La classification, puis la régression

Explication

La classification prédit une catégorie, tandis que la régression prédit une valeur numérique. L’apprentissage supervisé et l’apprentissage non supervisé désignent des types d’apprentissage, plutôt que ces deux formes de prédiction.

13. Que désigne la généralisation d’un modèle d’apprentissage ?

Sa capacité à réduire l’erreur sur les exemples déjà vus sans tenir compte des nouveaux
Sa capacité à apprendre les régularités uniquement lorsque les données sont étiquetées
Sa capacité à réussir sur de nouvelles données absentes de l’entraînement
Sa capacité à mémoriser avec précision les exemples utilisés pour l’entraînement

Sa capacité à réussir sur de nouvelles données absentes de l’entraînement

Explication

La généralisation correspond à la réussite du modèle sur des données nouvelles qu’il n’a pas rencontrées pendant l’entraînement. La mémorisation des exemples d’entraînement ne suffit pas à établir cette capacité.

14. Un modèle obtient d’excellents résultats sur ses données d’entraînement, mais ses prédictions sont mauvaises sur des données inédites. Quel phénomène cela illustre-t-il ?

Le sous-apprentissage, car le modèle n’a pas appris les régularités des données
La généralisation, car le modèle reproduit ses résultats sur des exemples nouveaux
Le surapprentissage, car le modèle s’est trop ajusté aux particularités de l’entraînement
La régularisation, car le modèle a réduit la complexité de ses prédictions

Le surapprentissage, car le modèle s’est trop ajusté aux particularités de l’entraînement

Explication

Le surapprentissage se produit quand le modèle s’adapte excessivement aux données d’entraînement et généralise mal. Le sous-apprentissage désigne plutôt un apprentissage insuffisant, avec de mauvaises performances même sur les données d’entraînement.

15. Quel profil de performances caractérise le sous-apprentissage ?

Des performances comparables sur les données d’entraînement et les données nouvelles
Des performances élevées sur les données nouvelles malgré des résultats faibles à l’entraînement
Des performances faibles sur les données d’entraînement comme sur les données nouvelles
Des performances élevées sur les données d’entraînement et faibles sur les données nouvelles

Des performances faibles sur les données d’entraînement comme sur les données nouvelles

Explication

En sous-apprentissage, le modèle n’a pas appris suffisamment les régularités des données et obtient donc de mauvais résultats, y compris sur celles utilisées pour l’entraînement. Le profil de bons résultats à l’entraînement mais de mauvais résultats sur des données nouvelles correspond au surapprentissage.

16. Qu’est-ce qui caractérise le Deep Learning au sein du Machine Learning ?

L’utilisation de réseaux de neurones comportant plusieurs couches de traitement
L’utilisation de règles fixes qui remplacent l’apprentissage à partir de données
L’utilisation de systèmes qui classent des données sans ajuster leurs paramètres
L’utilisation de modèles statistiques dépourvus de couches de traitement successives

L’utilisation de réseaux de neurones comportant plusieurs couches de traitement

Explication

Le Deep Learning est une branche du Machine Learning qui repose sur des réseaux de neurones à plusieurs couches de traitement. Les règles fixes ne décrivent pas ce principe d’apprentissage par réseaux multicouches.

17. Quelle relation d’inclusion décrit correctement le Deep Learning, le Machine Learning et l’intelligence artificielle ?

Le Deep Learning et le Machine Learning sont deux domaines extérieurs à l’intelligence artificielle
L’intelligence artificielle est incluse dans le Machine Learning, lui-même inclus dans le Deep Learning
Le Deep Learning est inclus dans le Machine Learning, lui-même inclus dans l’intelligence artificielle
Le Machine Learning est inclus dans le Deep Learning, lui-même inclus dans l’intelligence artificielle

Le Deep Learning est inclus dans le Machine Learning, lui-même inclus dans l’intelligence artificielle

Explication

Le Deep Learning constitue un sous-domaine du Machine Learning, qui fait lui-même partie de l’intelligence artificielle. Inverser les deux inclusions entre Deep Learning et Machine Learning renverse la hiérarchie des domaines.

18. Dans un neurone artificiel, quel rôle joue le biais mathématique ?

C’est la fonction qui transforme les sorties du réseau en catégories finales
C’est une donnée d’entrée qui indique au neurone la réponse attendue
C’est une mesure de la tendance injuste des prédictions envers certains groupes
C’est un paramètre combiné aux entrées pondérées avant l’application de l’activation

C’est un paramètre combiné aux entrées pondérées avant l’application de l’activation

Explication

Le biais mathématique est un paramètre du neurone, qui combine les entrées et leurs poids avant l’application de la fonction d’activation. Une tendance injuste envers certains groupes relève du biais discriminatoire, et non de ce paramètre de calcul.

19. Pourquoi une fonction d’activation est-elle importante dans un réseau de neurones ?

Elle mesure l’écart entre les prédictions du réseau et les résultats attendus
Elle introduit de la non-linéarité, permettant de représenter des relations complexes
Elle remplace les poids pour que les neurones n’aient pas à combiner leurs entrées
Elle garantit que chaque couche réalise une transformation strictement linéaire

Elle introduit de la non-linéarité, permettant de représenter des relations complexes

Explication

La fonction d’activation introduit notamment de la non-linéarité, ce qui permet au réseau de modéliser des relations complexes. Une transformation linéaire seule ne permet pas de représenter ces relations de la même manière.

20. Quelle distinction fondamentale sépare l’IA classique de l’IA générative ?

L’IA classique traite des textes, tandis que l’IA générative traite des données numériques
L’IA classique crée de nouveaux contenus, tandis que l’IA générative se limite à les classer
L’IA classique apprend à partir de données, tandis que l’IA générative fonctionne sans apprentissage
L’IA classique analyse, classe ou prédit, tandis que l’IA générative crée de nouveaux contenus

L’IA classique analyse, classe ou prédit, tandis que l’IA générative crée de nouveaux contenus

Explication

L’IA classique peut servir à analyser, classer ou prédire, alors que l’IA générative produit de nouveaux contenus, comme du texte ou des images. La création de contenu est donc associée à l’IA générative, et non à l’IA classique dans cette distinction.

21. Qu’est-ce qu’un grand modèle de langage (LLM) ?

Un ensemble de règles grammaticales écrites à la main, qui traduit chaque phrase mot à mot
Un classificateur entraîné sur des images, qui attribue des catégories aux mots
Un dictionnaire numérique qui assemble des phrases sans apprendre de régularités dans les textes
Un modèle statistique entraîné sur de nombreux textes, qui génère du langage à partir de régularités apprises

Un modèle statistique entraîné sur de nombreux textes, qui génère du langage à partir de régularités apprises

Explication

Un LLM est un modèle statistique entraîné sur de grandes quantités de textes et capable de générer du langage en s’appuyant sur les régularités apprises. Un dictionnaire qui assemblerait des phrases sans apprentissage ne décrit pas ce type de modèle.

22. Dans le traitement du texte par un modèle, que peut désigner un token ?

Une unité de texte, qui peut être un mot, une partie de mot ou un signe
Un caractère unique, car les unités plus longues sont traitées séparément
Une phrase complète, dont la longueur est fixée par le modèle
Un mot entier, quelle que soit la méthode de découpage utilisée

Une unité de texte, qui peut être un mot, une partie de mot ou un signe

Explication

Un token est une unité manipulée par le modèle et peut correspondre à un mot, une partie de mot, un signe ou une autre unité définie par la tokenisation. L’assimiler systématiquement à un mot entier est une conception erronée.

23. Pendant l’entraînement d’un LLM, quelle opération améliore notamment la prédiction du token suivant ?

L’ajustement des paramètres du modèle afin d’améliorer ses prédictions
La suppression des régularités apprises dans les textes d’entraînement
L’utilisation des paramètres appris pour répondre sans les modifier
Le remplacement des tokens du contexte par des catégories fixes

L’ajustement des paramètres du modèle afin d’améliorer ses prédictions

Explication

Pendant l’entraînement, le LLM ajuste ses paramètres pour améliorer ses prédictions, notamment celle du token suivant. Utiliser les paramètres déjà appris sans les modifier décrit plutôt l’inférence.

24. En quelle année l’architecture Transformer a-t-elle été introduite ?

En 2015
En 2018
En 2020
En 2017

En 2017

Explication

L’architecture Transformer a été introduite en 2017. Une date ultérieure comme 2018 peut être confondue avec des développements postérieurs, mais ce n’est pas l’année de son introduction.

25. Quel rôle joue la self-attention dans le traitement d’une séquence de tokens ?

Elle trie les tokens par fréquence pour produire une représentation indépendante du contexte.
Elle pondère les relations entre les tokens pour construire des représentations contextualisées.
Elle remplace les tokens par des étiquettes fixes avant de construire une représentation.
Elle réduit la séquence à un seul token afin d’éviter les relations entre éléments.

Elle pondère les relations entre les tokens pour construire des représentations contextualisées.

Explication

La self-attention pondère les relations entre les tokens afin que leurs représentations tiennent compte du contexte de la séquence. Le tri par fréquence ne décrit pas ce mécanisme, car il ne modélise pas les relations contextuelles entre tokens.

26. Qu’est-ce qu’un prompt fourni à une intelligence artificielle ?

Une instruction ou un ensemble d’informations destiné à guider sa réponse.
Une collection de paramètres qui détermine la structure interne du modèle.
Une réponse générée que l’on réutilise pour remplacer la consigne initiale.
Une mesure de performance utilisée pour comparer plusieurs modèles entraînés.

Une instruction ou un ensemble d’informations destiné à guider sa réponse.

Explication

Un prompt est une instruction ou un ensemble d’informations donné à une IA pour guider sa réponse. Une mesure de performance sert à évaluer un modèle, et non à lui fournir la consigne qui oriente sa réponse.

27. Quelle différence distingue les approches zero-shot, one-shot et few-shot ?

Elles fournissent respectivement zéro exemple, un exemple et quelques exemples avant la tâche.
Elles désignent respectivement une réponse courte, une réponse moyenne et une réponse détaillée.
Elles désignent respectivement une tâche simple, une tâche moyenne et une tâche complexe.
Elles fournissent respectivement un exemple, quelques exemples et zéro exemple avant la tâche.

Elles fournissent respectivement zéro exemple, un exemple et quelques exemples avant la tâche.

Explication

Le zero-shot ne présente aucun exemple préalable, le one-shot en présente un et le few-shot en présente quelques-uns. La confusion entre zero-shot et one-shot inverse précisément le nombre d’exemples associés à ces deux approches.

28. Dans le framework T-C-R-E-I, que signifie « Iterate » ?

Évaluer de manière critique le résultat produit par le modèle.
Donner une référence ou un exemple pour guider la réponse.
Définir la tâche à accomplir avant de fournir le contexte.
Améliorer les instructions après avoir évalué le résultat.

Améliorer les instructions après avoir évalué le résultat.

Explication

« Iterate » consiste à améliorer les instructions à la suite de l’évaluation du résultat. Évaluer de manière critique correspond à l’étape « Evaluate », qui précède cette amélioration.

29. Une équipe fournit des exemples few-shot mal étiquetés à un modèle de classification. Quel risque ces exemples créent-ils ?

Ils modifient les paramètres du modèle avant que la classification commence.
Ils rendent les exemples moins importants que la consigne générale.
Ils peuvent orienter le modèle vers des classifications erronées.
Ils garantissent une classification plus juste en augmentant le nombre d’exemples.

Ils peuvent orienter le modèle vers des classifications erronées.

Explication

Des exemples few-shot mal étiquetés peuvent guider le modèle vers des classifications erronées. Ajouter des exemples ne garantit pas de meilleurs résultats, car leur qualité, leur diversité et leur pertinence comptent.

30. Comment le RAG enrichit-il une réponse générée par un modèle ?

Il modifie les paramètres du modèle en incorporant les informations à son entraînement.
Il confie la réponse à un outil sans fournir de connaissances au modèle.
Il remplace la question par un résumé des réponses précédemment produites.
Il récupère des informations dans des sources externes et les fournit au modèle.

Il récupère des informations dans des sources externes et les fournit au modèle.

Explication

Le RAG recherche des informations dans des sources externes et les fournit au modèle pour enrichir sa réponse. Modifier les paramètres relève de l’entraînement, et non de l’apport d’informations au moment de la génération.

31. Quelle distinction fondamentale sépare le RAG de l’entraînement d’un modèle ?

Le RAG modifie les paramètres du modèle, tandis que l’entraînement ajoute des documents au contexte de génération.
Le RAG orchestre des outils pour agir, tandis que l’entraînement planifie des processus complexes.
Le RAG ajoute des informations au contexte de génération, tandis que l’entraînement modifie les paramètres du modèle.
Le RAG produit des exemples étiquetés, tandis que l’entraînement récupère des passages pertinents.

Le RAG ajoute des informations au contexte de génération, tandis que l’entraînement modifie les paramètres du modèle.

Explication

Le RAG apporte des informations externes au moment de générer la réponse, alors que l’entraînement modifie les paramètres du modèle. La confusion entre ces notions consiste à attribuer au RAG la modification des paramètres, qui caractérise l’entraînement.

32. Quel système peut poursuivre un objectif, utiliser des outils, observer leurs résultats et exécuter des actions dans un cadre défini ?

Un agent IA
Un mécanisme de récupération documentaire
Un modèle entraîné sans interaction avec des outils
Un jeu d’exemples few-shot

Un agent IA

Explication

Un agent IA peut poursuivre un objectif, utiliser des outils, observer les résultats et exécuter des actions dans un cadre défini. La récupération documentaire peut fournir des connaissances, mais cette fonction ne suffit pas à caractériser un système qui agit avec des outils.

33. Un système récupère des connaissances, un autre utilise des outils pour agir, et un troisième planifie et orchestre des processus complexes. Quelle attribution distingue correctement ces rôles ?

Le RAG récupère les connaissances, l’agent IA utilise des outils et agit, et l’Agentic AI planifie et orchestre.
Le RAG planifie les processus, l’agent IA récupère les connaissances, et l’Agentic AI utilise des outils pour agir.
Le RAG récupère les connaissances, l’agent IA orchestre les processus, et l’Agentic AI se limite à exécuter une action.
Le RAG utilise des outils et agit, l’agent IA planifie les processus, et l’Agentic AI récupère les connaissances.

Le RAG récupère les connaissances, l’agent IA utilise des outils et agit, et l’Agentic AI planifie et orchestre.

Explication

Le RAG récupère des connaissances, un agent IA utilise des outils et réalise des actions, et l’Agentic AI planifie et orchestre des processus complexes. Attribuer la planification à un agent IA isolé confond son rôle d’action avec l’approche systémique de l’Agentic AI.

34. Comment définir une hallucination produite par une IA ?

Une réponse incomplète, qui signale clairement ses incertitudes
Une erreur de forme qui ne modifie pas le contenu factuel
Une information vérifiée, présentée avec des réserves explicites
Une information fausse ou inventée, parfois formulée avec assurance

Une information fausse ou inventée, parfois formulée avec assurance

Explication

Une hallucination correspond à une information fausse ou inventée, qui peut pourtant sembler convaincante. Une formulation assurée ne garantit donc pas que la réponse a été vérifiée.

35. Pourquoi une hallucination peut-elle avoir des conséquences particulièrement graves en médecine, en droit ou en finance ?

Elle peut orienter des décisions importantes dans ces domaines
Elle rend les règles de ces domaines impossibles à interpréter
Elle transforme les données personnelles en informations publiques
Elle empêche les professionnels de consulter des informations externes

Elle peut orienter des décisions importantes dans ces domaines

Explication

Dans ces domaines, une information erronée peut influencer des décisions aux conséquences importantes. Le risque tient à l’effet possible de l’erreur, et non à une impossibilité de consulter d’autres informations.

36. Qu’est-ce qu’un biais en intelligence artificielle ?

Une tendance systématique à favoriser ou défavoriser certaines options ou certains groupes
Une erreur ponctuelle qui apparaît dans une réponse isolée
Une généralisation simplifiée attribuée à un groupe de personnes
Un traitement défavorable injustifié d’une personne ou d’un groupe

Une tendance systématique à favoriser ou défavoriser certaines options ou certains groupes

Explication

Un biais désigne une tendance systématique qui avantage ou désavantage certaines options ou certains groupes. Une généralisation sur un groupe relève plutôt de la notion de stéréotype.

37. Quelle description correspond à un stéréotype ?

Une tendance systématique qui favorise certaines options ou certains groupes
Un traitement défavorable injustifié appliqué à une personne ou à un groupe
Une généralisation simplifiée attribuée à un groupe de personnes
Une série d’observations répétées qui établit une régularité statistique

Une généralisation simplifiée attribuée à un groupe de personnes

Explication

Un stéréotype est une généralisation simplifiée associée à un groupe de personnes. Un traitement défavorable injustifié correspond plutôt à une discrimination.

38. Une IA donne une seule réponse stéréotypée sur un groupe. Quelle démarche permet de mieux déterminer s’il existe un biais systématique ?

Analyser cette réponse isolée et conclure à partir de sa formulation
Remplacer la réponse par une opinion humaine sans examiner d’autres résultats
Vérifier si la réponse correspond à une généralisation souvent entendue
Répéter les observations, comparer plusieurs résultats et justifier la conclusion

Répéter les observations, comparer plusieurs résultats et justifier la conclusion

Explication

Pour étayer l’existence d’un biais systématique, il faut répéter les observations, comparer les résultats et justifier la conclusion. Une réponse isolée ne suffit pas à établir une régularité.

39. Quel effet des données d’entraînement biaisées peut-on observer dans un modèle d’IA ?

Le modèle peut reproduire ou renforcer des inégalités et des discriminations
Le modèle élimine les inégalités en équilibrant automatiquement ses données
Le modèle rend ses décisions impossibles à comparer entre plusieurs résultats
Le modèle confond une généralisation sur un groupe avec une donnée personnelle

Le modèle peut reproduire ou renforcer des inégalités et des discriminations

Explication

Des données biaisées peuvent amener un modèle à reproduire ou à renforcer des inégalités et des discriminations. L’entraînement ne garantit pas que ces inégalités seront corrigées automatiquement.

40. Quel ensemble rassemble des risques associés à l’IA générative ?

Vitesse de traitement, lisibilité des réponses, stockage local et ergonomie
Confidentialité, biais et discriminations, cybersécurité et impacts environnementaux
Formation professionnelle, accès aux réseaux, compatibilité logicielle et maintenance
Précision des calculs, disponibilité des services, personnalisation et apprentissage

Confidentialité, biais et discriminations, cybersécurité et impacts environnementaux

Explication

Les risques identifiés comprennent notamment la confidentialité des données, les biais et discriminations, la cybersécurité et les impacts environnementaux. La vitesse de traitement ou l’ergonomie ne font pas partie de cet ensemble de risques.

41. Un salarié transmet à un outil d’IA non autorisé un fichier contenant des données clients. Quel risque cette action crée-t-elle ?

L’exposition d’informations confidentielles
La diffusion d’une tentative d’hameçonnage
La création d’un stéréotype sur les clients
La perturbation du fonctionnement d’un réseau informatique

L’exposition d’informations confidentielles

Explication

Partager un fichier contenant des données clients avec un outil non autorisé expose des informations confidentielles. L’hameçonnage désigne plutôt une tentative de tromper une personne pour obtenir des données sensibles ou provoquer une action dangereuse.

42. Une personne examine une réponse produite par une IA, la replace dans son contexte, la corrige et peut la rejeter. Quelle capacité exerce-t-elle ?

L’équité du traitement entre les groupes
La transparence de l’utilisation de l’IA
La transformation personnelle d’un contenu généré
La supervision humaine des résultats de l’IA

La supervision humaine des résultats de l’IA

Explication

La supervision humaine permet de vérifier, contextualiser, corriger et refuser les résultats d’une IA. La transparence rend l’utilisation de l’IA compréhensible, mais ne désigne pas ce pouvoir d’intervention sur ses résultats.

43. Lorsqu’un système d’IA contribue à une décision importante, à qui doit revenir le contrôle final ?

À l’utilisateur ayant lancé le traitement
À l’organisation qui fournit les données
À une personne responsable de la décision
Au modèle ayant produit la recommandation

À une personne responsable de la décision

Explication

Le contrôle final des décisions importantes doit rester humain. Le modèle peut contribuer à la décision, mais sa recommandation ne remplace pas le jugement humain final.

44. Une équipe réutilise des éléments issus de plusieurs sources dans une production assistée par IA. Quelle démarche correspond aux principes pratiques de propriété intellectuelle présentés ?

Transformer les éléments, omettre les sources et supposer les usages autorisés
Citer les inspirations, vérifier les droits et apporter un travail personnel
Citer les inspirations, ignorer les licences et déléguer la création à l’IA
Vérifier les droits, conserver les sources et reproduire fidèlement les éléments

Citer les inspirations, vérifier les droits et apporter un travail personnel

Explication

La démarche réunit les trois principes : reconnaître les sources, contrôler le respect des droits et ajouter un véritable travail personnel. Reproduire fidèlement les éléments sans les transformer ne répond pas à l’exigence d’apport personnel.

45. Une organisation veut définir une pratique éthique de l’IA pour un service destiné à différents publics. Quelle approche convient le mieux ?

Rendre les objectifs compréhensibles, privilégier la rapidité et confier les décisions importantes au système
Adopter un usage transparent, équitable et responsable, respecter les droits et maintenir un contrôle humain adapté
Préserver le contrôle humain, dissimuler l’usage du système et appliquer les mêmes réglages à chaque situation
Limiter les écarts entre les groupes, publier les résultats et traiter les questions de droits après le déploiement

Adopter un usage transparent, équitable et responsable, respecter les droits et maintenir un contrôle humain adapté

Explication

L’éthique de l’IA associe transparence, équité et responsabilité au respect des droits et à un contrôle humain adapté. Privilégier la rapidité tout en confiant les décisions importantes au système néglige le maintien du contrôle humain.

Révisez avec les flashcards

Mémorisez les réponses avec 92 flashcards sur Culture de l’intelligence artificielle.

Quel est l’objectif général de l’intelligence artificielle ?

Concevoir des systèmes capables d’effectuer des tâches associées aux capacités intellectuelles humaines.

Qui a introduit l’expression « intelligence artificielle » ?

John McCarthy, en 1956.

Qui a proposé le test de Turing, et en quelle année ?

Alan Turing, en 1950.

Voir les flashcards →

Approfondir avec la fiche

Consultez la fiche de révision complète sur Culture de l’intelligence artificielle.

Voir la fiche →

Cours similaires

Programmation en technologie

Programmation

Circuits logiques et systèmes numériques

Correction STI 2024 en informatique

Méthode CRAC et règles IA

Grands principes en santé numérique

Structures de données linéaires

Programmation

Crée tes propres QCM

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

Générateur de QCM