QCM : Fondamentaux de l’intelligence artificielle (36 questions)

Explication

L’automatisation correspond à l’exécution automatique d’une tâche selon un processus défini et peut fonctionner sans IA. Assimiler toute tâche machine à l’IA confond automatisation et capacités cognitives; l’apprentissage et la perception ne sont pas requis ici; un algorithme désigne une suite d’instructions.

Explication

L’IA regroupe des méthodes permettant à une machine d’accomplir des tâches associées notamment à la perception, au raisonnement, à l’apprentissage et à la décision. L’exécution d’un processus défini relève de l’automatisation, une suite finie d’instructions définit un algorithme, et un déclenchement programmé peut être automatisé sans IA.

Explication

L’intelligence artificielle est un domaine de l’informatique qui étudie et développe des systèmes capables d’effectuer des tâches nécessitant habituellement certaines capacités cognitives. La robotique et les statistiques peuvent être liées à l’IA, mais ne définissent pas le domaine; l’automatisation industrielle désigne un autre champ d’application.

Explication

Alan Turing propose en 1950 un test de conversation pour discuter du comportement intelligent d’une machine. John McCarthy est associé à la conférence de Dartmouth, tandis que Marvin Minsky et Geoffrey Hinton sont des figures d’autres développements de l’IA.

Explication

La conférence de Dartmouth, en 1956, contribue à établir l’IA comme domaine de recherche. Le test de conversation est proposé par Turing en 1950, l’apprentissage profond progresse fortement dans les années 2010, et les systèmes symboliques et experts se développent surtout des années 1960 aux années 1980.

Explication

Agir rationnellement consiste à choisir une action adaptée aux objectifs et aux informations disponibles. Reproduire des comportements relève de l’action humaine, modéliser la cognition relève de la pensée humaine, et tirer des conclusions logiques relève de la pensée rationnelle.

Explication

L’approche symbolique s’appuie sur des règles explicites, des faits, des relations et la logique. L’approche fondée sur les données apprend des régularités à partir d’exemples, l’apprentissage profond utilise des réseaux de neurones multicouches, et l’imitation humaine vise des comportements observables.

Explication

L’apprentissage automatique regroupe des méthodes qui ajustent un modèle à partir de données afin de produire des prédictions ou des décisions. La représentation des connaissances organise des faits, la planification recherche une suite d’actions, et l’apprentissage profond est un sous-domaine utilisant des réseaux à plusieurs couches.

Explication

L’apprentissage profond est un sous-domaine de l’apprentissage automatique caractérisé par l’emploi de réseaux de neurones à plusieurs couches de transformations. Le considérer comme extérieur à l’apprentissage automatique confond la relation entre ces deux notions.

Explication

Une application plausible n’est pas nécessairement déjà déployée, et son adéquation doit être évaluée sur des données ainsi que dans un contexte d’utilisation réels. La plausibilité ne prouve pas un déploiement ni une efficacité en situation.

Explication

Des données ou des choix de conception peuvent produire des résultats injustes : c’est un risque de biais. Une baisse de performance lorsque les conditions changent concerne la robustesse, une prédiction erronée relève des erreurs, et une décision difficile à interpréter concerne l’explicabilité.

Explication

L’évaluation doit prendre en compte les performances, les erreurs, les risques et leurs conséquences pour les personnes concernées. Se limiter aux performances ou à l’interprétabilité laisse de côté des dimensions essentielles, notamment les risques et leurs effets.

Explication

Un agent perçoit son environnement au moyen de capteurs et agit sur celui-ci au moyen d’actionneurs. Un capteur fournit des informations, un actionneur exécute une action et une perception est une information reçue.

Explication

Un capteur est un dispositif ou un mécanisme qui fournit des informations sur l’environnement. L’agent est l’entité qui perçoit et agit, la perception est l’information reçue, et l’actionneur sert à agir.

Explication

La fonction agent associe les historiques de perceptions aux actions possibles. L’implémentation informatique relève du programme agent, tandis qu’une perception ponctuelle ne constitue pas un historique.

Explication

La fonction agent décrit le comportement attendu, tandis que le programme agent en est l’implémentation informatique. Confondre ces termes revient à inverser la spécification du comportement et sa réalisation logicielle.

Explication

Un agent rationnel choisit l’action qui maximise la performance attendue en tenant compte des perceptions, des connaissances, des actions possibles, du critère de performance et de ses limites de calcul. Garantir le meilleur résultat réel supposerait une omniscience que la rationalité n’implique pas.

Explication

La description s’appuie sur six dimensions : observabilité, déterminisme, caractère épisodique ou séquentiel, statique ou dynamique, discret ou continu, et mono-agent ou multi-agent. L’apprentissage et les objectifs caractérisent plutôt des agents, tandis que la coopération ne remplace pas la dimension du nombre d’agents.

Explication

Un environnement est dynamique s’il peut changer pendant que l’agent délibère. Le terme statique concerne l’absence de changement durant cette période, tandis que « épisodique » décrit le lien entre décisions successives et « stochastique » l’incertitude des résultats.

Explication

Des variables pouvant prendre un ensemble continu de valeurs sont continues. Des mesures successives ne rendent pas les valeurs dénombrables par nature, et le caractère continu ne détermine ni le hasard ni le nombre d’agents.

Explication

Un problème est multi-agent lorsque plusieurs agents interagissent, comme les robots qui négocient une ressource. Le fait d’étudier chaque robot séparément ne supprime pas les interactions, et les notions de continu ou d’épisodique décrivent d’autres dimensions.

Explication

Un agent à réflexes simples choisit son action à partir de la perception actuelle en appliquant une règle condition-action. Un modèle implique un état interne, un objectif évalue un état souhaité, et l’apprentissage améliore le comportement à partir de l’expérience ou des données.

Explication

Un agent fondé sur un modèle conserve un état interne qui lui permet d’estimer des aspects de l’environnement non directement visibles. Les réflexes simples s’appuient sur la perception actuelle, les objectifs sur un état souhaité, et l’apprentissage sur l’expérience ou les données.

Explication

La règle $a^* = \arg\max_{a\in A} E[U\mid a]$ sélectionne l’action dont l’utilité attendue est maximale ; ici, il s’agit de $a_2$. Minimiser l’utilité inverse l’objectif, tandis que la probabilité seule ou l’utilité de l’état actuel ne correspond pas au critère indiqué.

Explication

Un agent apprenant améliore son comportement à partir de l’expérience ou des données, comme dans cette situation. Un modèle sert à estimer des aspects non visibles, les réflexes simples appliquent des règles à la perception actuelle, et les agents fondés sur des objectifs évaluent les actions selon un état souhaité.

Explication

L’agent à mémoire enregistre les positions visitées et les directions explorées afin de sélectionner une direction non explorée lorsque la position est propre. « Aspirer » confond le choix de direction avec la détection d’une zone sale, et « au hasard » ignore l’historique mémorisé.

Explication

L’automatisation exécute un processus défini, alors que l’IA peut mobiliser l’apprentissage ou la décision face à des situations variées. Assimiler l’apprentissage à une séquence fixe confond les notions, et traiter toute production d’un résultat comme de l’automatisation néglige l’adaptation.

Explication

La rationalité s’évalue au regard des informations disponibles, du modèle et du critère de performance; une information inconnue ou un événement imprévisible peut conduire à un mauvais résultat. « Irrationnelle dès qu’elle échoue » confond rationalité et succès garanti, tandis que l’événement imprévisible n’était pas nécessairement connu du modèle.

Explication

Les capteurs incomplets rendent l’environnement partiellement observable, tandis que le mouvement continu et la présence de personnes modélisées comme agents justifient les autres propriétés. « Complètement observable » méconnaît les limites des capteurs, « discret » remplace à tort le mouvement continu et « mono-agent » écarte les personnes modélisées comme agents.

Explication

Le classement indépendant de courriels est souvent épisodique et les catégories de classification peuvent être discrètes. « Séquentielle » suppose à tort une dépendance entre les décisions, « continue » confond la nature des catégories, et l’observabilité dépend des informations fournies au modèle.

Explication

L’agent se déplace lorsque l’état est « propre », demande une inspection dans les autres cas non prévus et aspire lorsque l’état est « sale ». « Aspirer » pour l’état propre inverse l’action attendue, tandis que les deux réponses qui prévoient une action sur « inconnu » traitent à tort cet état comme propre ou sale.

Explication

Les conditions sont évaluées dans l’ordre et le bloc `else` prend en charge les perceptions qui ne correspondent pas aux cas explicitement prévus. Répéter la première action confond ordre de test et résultat par défaut, reprendre le cas précédent limite à tort le bloc à une perception donnée, et ignorer les perceptions omet le rôle de `else`.

Explication

Avec une disponibilité vraie, une priorité flexible et une demande élevée, la règle prévoit de différer l’usage. « Attendre » correspond à une indisponibilité, tandis que « maintenir » correspond à une priorité critique.

Explication

Le travail pratique demande de tester le prototype dans au moins cinq situations et de présenter deux limites, en plus des autres étapes de conception. Quatre tests ne satisfont pas le minimum, une seule limite est insuffisante, et le plan sans PEAS ni règles omet des éléments demandés.

Explication

Un environnement est partiellement observable lorsque l’agent ne reçoit pas tout l’état pertinent. « Dynamique » porte sur les changements de l’environnement, « totalement observable » implique que l’état pertinent est révélé, et « inobservable » suggère une absence de perception.

Explication

Une fonction d’utilité sert à comparer les conséquences selon un critère donné, mais ne garantit pas une décision parfaite. La garantie d’optimalité, le remplacement des capteurs et la révélation complète de l’état ne définissent pas son rôle.