QCM : Essentiel de l’IA générative (13 questions)

Questions et réponses du QCM

1. Concernant l’intelligence artificielle :

L’intelligence artificielle constitue une catégorie regroupant des tâches intelligentes.
L’intelligence artificielle rassemble des tâches dites « intelligentes ».
L’intelligence artificielle correspond à la production de contenu par des modèles génératifs.
L’intelligence artificielle regroupe des tâches qualifiées d’intelligentes.
Le deep learning s’appuie sur des arbres de décision.

L’intelligence artificielle constitue une catégorie regroupant des tâches intelligentes. · L’intelligence artificielle rassemble des tâches dites « intelligentes ». · L’intelligence artificielle regroupe des tâches qualifiées d’intelligentes.

Explication

L’intelligence artificielle regroupe des tâches dites intelligentes. Le deep learning s’appuie sur des réseaux de neurones, et non sur des arbres de décision. La production de contenu décrit l’IA générative, pas la définition générale de l’intelligence artificielle.

2. Parmi les propositions suivantes concernant le machine learning, la(les)quelle(s) est(sont) exacte(s) ?

Le machine learning tire des apprentissages d’exemples présentés au système.
Le machine learning acquiert des régularités en étudiant des exemples.
Le machine learning apprend à partir d’exemples fournis au modèle.
Le machine learning s’appuie sur des réseaux de neurones pour définir son apprentissage.
Le machine learning peut apprendre à partir d’exemples.

Le machine learning tire des apprentissages d’exemples présentés au système. · Le machine learning acquiert des régularités en étudiant des exemples. · Le machine learning apprend à partir d’exemples fournis au modèle. · Le machine learning peut apprendre à partir d’exemples.

Explication

Le machine learning apprend bien à partir d’exemples, ce qui justifie les formulations équivalentes de cette idée. Les réseaux de neurones caractérisent ici le deep learning, pas la définition du machine learning.

3. L’IA générative et l’IA classique se distinguent par leur fonction :

L’IA générative produit du contenu, tandis que l’IA classique choisit.
L’IA générative sélectionne une option, tandis que l’IA classique crée du contenu.
L’IA générative décide parmi des possibilités, tandis que l’IA classique produit du contenu.
L’IA générative produit du contenu, tandis que l’IA classique prédit le token suivant.
L’IA générative classe des choix, tandis que l’IA classique génère du contenu.

L’IA générative produit du contenu, tandis que l’IA classique choisit.

Explication

L’IA générative produit du contenu, alors que l’IA classique choisit. Prédire le token suivant décrit une étape de génération d’une réponse par un LLM, pas la fonction de l’IA classique.

4. Un LLM peut traiter et générer notamment :

Un LLM peut traiter du texte et produire du code.
Le traitement et la génération de texte et de code figurent parmi les capacités d’un LLM.
Un LLM est notamment capable de générer du texte et du code.
Un LLM traite et génère notamment des images et du son.
Du texte et du code peuvent être traités et générés par un LLM.

Un LLM peut traiter du texte et produire du code. · Le traitement et la génération de texte et de code figurent parmi les capacités d’un LLM. · Un LLM est notamment capable de générer du texte et du code. · Du texte et du code peuvent être traités et générés par un LLM.

Explication

Les LLM traitent et génèrent notamment du texte et du code. Les images et le son ne sont pas les exemples indiqués pour cette capacité.

5. Pour générer une réponse, un LLM suit un processus comprenant :

La prédiction d’un token précède son ajout au texte, puis le cycle recommence.
Le LLM reçoit un prompt, prédit le token suivant et l’ajoute au texte.
Après l’ajout, le modèle supprime le token prédit puis recommence.
Le prompt est découpé en tokens avant la prédiction du token suivant.
Le LLM ajoute le token au texte avant de le prédire.

La prédiction d’un token précède son ajout au texte, puis le cycle recommence. · Le LLM reçoit un prompt, prédit le token suivant et l’ajoute au texte. · Le prompt est découpé en tokens avant la prédiction du token suivant.

Explication

Le LLM reçoit un prompt, le découpe en tokens, prédit le suivant, l’ajoute au texte et recommence. L’ajout ne précède pas la prédiction, et le token prédit n’est pas supprimé.

6. Une hallucination produite par un LLM se caractérise par une réponse :

Une réponse fausse peut sembler plausible et être formulée avec assurance.
Plausible et assurée, mais fausse, une réponse constitue une hallucination.
Une réponse peut paraître crédible et assurée tout en étant fausse.
Plausible et hésitante, mais vraie, une réponse constitue une hallucination.
Une réponse exacte et assurée correspond à une hallucination.

Une réponse fausse peut sembler plausible et être formulée avec assurance. · Plausible et assurée, mais fausse, une réponse constitue une hallucination. · Une réponse peut paraître crédible et assurée tout en étant fausse.

Explication

Une hallucination est une réponse plausible et assurée, mais fausse ; les formulations qui décrivent ces caractéristiques sont exactes. Une réponse vraie, qu’elle soit hésitante ou assurée, ne correspond pas à cette définition.

7. La fenêtre de contexte d’un modèle est caractérisée par :

Une taille maximale exprimée en caractères définit la fenêtre de contexte.
La fenêtre de contexte est plafonnée par un nombre maximal de mots.
La fenêtre de contexte possède une limite de taille mesurée en tokens.
Une taille maximale exprimée en tokens définit la fenêtre de contexte.
La fenêtre de contexte a une capacité maximale exprimée en phrases.

La fenêtre de contexte possède une limite de taille mesurée en tokens. · Une taille maximale exprimée en tokens définit la fenêtre de contexte.

Explication

La fenêtre de contexte possède une taille maximale exprimée en tokens. Les caractères, les mots et les phrases ne sont pas l’unité donnée pour exprimer cette limite.

8. Concernant le vibe coding :

Dans cette posture, l’IA prend les décisions et produit le code.
En vibe coding, l’utilisateur prend la décision après avoir relu le code.
En vibe coding, l’IA décide et génère le code pour un prototype jetable.
En vibe coding, l’utilisateur spécifie et teste chaque partie du code généré.
Le vibe coding est présenté comme acceptable pour réaliser un prototype jetable.

Dans cette posture, l’IA prend les décisions et produit le code. · En vibe coding, l’IA décide et génère le code pour un prototype jetable. · Le vibe coding est présenté comme acceptable pour réaliser un prototype jetable.

Explication

Le vibe coding confie à l’IA les décisions et la génération du code, une approche présentée comme acceptable pour un prototype jetable. La spécification, la relecture, les tests et la décision par l’utilisateur caractérisent plutôt le développement assisté.

9. Parmi les propositions suivantes concernant le développement assisté, laquelle ou lesquelles sont exactes ?

L’utilisateur délègue la décision finale à l’IA qui produit le code.
Après relecture et tests, l’utilisateur prend la décision concernant le code.
L’IA décide des choix de code, puis l’utilisateur valide le résultat généré.
L’utilisateur conserve le code même s’il ne peut pas l’expliquer.
L’utilisateur spécifie le travail, relit et teste le code généré.

Après relecture et tests, l’utilisateur prend la décision concernant le code. · L’utilisateur spécifie le travail, relit et teste le code généré.

Explication

Dans le développement assisté, l’utilisateur spécifie, relit et teste le code produit par l’IA, puis prend la décision. Il doit pouvoir expliquer le code conservé. La décision ne revient pas à l’IA, et les tests ne précèdent pas la spécification et la génération.

10. Les étapes de la méthode proposée comprennent :

La démarche consiste à demander toute l’application dans un seul prompt.
La démarche consiste à spécifier, générer, relire, tester, puis décider.
La génération du code intervient après la spécification du travail.
La décision intervient avant la relecture et les tests du code.
La démarche consiste à placer la clé d’API dans le prompt avant de générer.

La démarche consiste à spécifier, générer, relire, tester, puis décider. · La génération du code intervient après la spécification du travail.

Explication

La méthode proposée suit l’ordre spécifier, générer, relire, tester, puis décider : la génération vient après la spécification, et la décision après la relecture et les tests. Il faut avancer par petites étapes, sans demander toute l’application dans un seul prompt, et ne pas placer de clé d’API dans le prompt.

11. Concernant la manière de demander du code à l’IA, cochez la (les) proposition(s) exacte(s) :

La méthode proposée consiste à regrouper l’application entière dans un prompt.
Il faut avancer par petites étapes lors de la demande de code.
Une application complète devrait être demandée avant de procéder par étapes.
Les demandes doivent être découpées en étapes plutôt que formulées d’un bloc.
Il est préférable de demander toute l’application dans un seul prompt détaillé.

Il faut avancer par petites étapes lors de la demande de code. · Les demandes doivent être découpées en étapes plutôt que formulées d’un bloc.

Explication

La méthode recommande de procéder par petites étapes et déconseille de demander toute l’application dans un seul prompt. Les formulations qui privilégient une demande globale inversent cette consigne.

12. Parmi les propositions suivantes sur la protection d’une clé d’API, laquelle ou lesquelles sont exactes ?

Une clé d’API ne doit pas être intégrée au prompt transmis à l’IA.
Une clé d’API doit rester hors du prompt comme du code.
Une clé d’API ne doit pas être insérée dans le code du projet.
Une clé d’API peut être placée dans le prompt si le code reste séparé.
Une clé d’API peut être inscrite dans le code si le prompt l’omet.

Une clé d’API ne doit pas être intégrée au prompt transmis à l’IA. · Une clé d’API doit rester hors du prompt comme du code. · Une clé d’API ne doit pas être insérée dans le code du projet.

Explication

La clé d’API ne doit figurer ni dans le prompt ni dans le code. La conserver dans l’un de ces emplacements ne respecte donc pas la consigne.

13. Concernant les données utilisées dans le développement assisté :

Les données fictives sont à privilégier pour les exercices de développement.
La méthode préconise des données fictives plutôt que des données personnelles.
Les données personnelles conviennent dès lors qu’elles sont intégrées au code.
Les données personnelles sont à privilégier pour tester les fonctionnalités.
L’emploi de données fictives permet d’éviter l’usage de données personnelles.

Les données fictives sont à privilégier pour les exercices de développement. · La méthode préconise des données fictives plutôt que des données personnelles. · L’emploi de données fictives permet d’éviter l’usage de données personnelles.

Explication

La méthode préconise d’utiliser des données fictives et d’éviter les données personnelles. Leur intégration au code ne rend pas les données personnelles appropriées.

Révisez avec les flashcards

Mémorisez les réponses avec 32 flashcards sur Essentiel de l’IA générative.

Que regroupe l’intelligence artificielle ?

Des tâches dites « intelligentes ».

À partir de quoi le machine learning apprend-il ?

À partir d’exemples.

Que produit l’IA générative ?

Du contenu.

Voir les flashcards →

Approfondir avec la fiche

Consultez la fiche de révision complète sur Essentiel de l’IA générative.

Voir la fiche →

Cours similaires

Docker et conteneurisation

Architecture matérielle et démarrage

Commandes Linux et environnement shell

Le Web : fonctionnement et enjeux

Arbres binaires et parcours

Algorithme

Programmation

Crée tes propres QCM

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

Générateur de QCM