QCM : IA générative et culture des données (41 questions)

Questions et réponses du QCM

1. Une plateforme permet aux utilisateurs de publier et commenter des contenus, tandis qu’un autre système relie des données structurées entre elles. Quelle distinction caractérise ces deux étapes du Web ?

Le Web 2.0 privilégie les sites statiques, tandis que le Web 3.0 met l’accent sur la participation des utilisateurs.
Le Web 2.0 favorise la participation des utilisateurs, tandis que le Web 3.0 met l’accent sur l’interconnexion des données.
Le Web 2.0 et le Web 3.0 désignent tous deux la consultation de sites statiques.
Le Web 2.0 relie les données structurées, tandis que le Web 3.0 privilégie la publication et les commentaires.

Le Web 2.0 favorise la participation des utilisateurs, tandis que le Web 3.0 met l’accent sur l’interconnexion des données.

Explication

Le Web 2.0 se distingue par l’interactivité et la production de contenus, alors que le Web 3.0 vise l’interconnexion des données structurées. Les systèmes qui relient des données correspondent donc au Web 3.0, et non à la participation caractéristique du Web 2.0.

2. Lorsqu’un système reformule une question, synthétise plusieurs informations et génère une réponse, quelle évolution de la recherche documentaire cela illustre-t-il ?

Le passage de la consultation de sites statiques à la publication participative de contenus par les utilisateurs.
Le passage du dialogue génératif au simple repérage de documents, qui supprime le besoin de consulter les sources.
Le passage du repérage de documents au dialogue génératif, qui rend nécessaire la vérification des sources originales.
Le remplacement des sources documentaires par des données structurées interconnectées, qui garantit la fiabilité des réponses.

Le passage du repérage de documents au dialogue génératif, qui rend nécessaire la vérification des sources originales.

Explication

La recherche évolue du repérage de documents vers un dialogue où des systèmes reformulent, synthétisent et génèrent des réponses, ce qui impose de vérifier les sources originales. Le simple repérage ne produit pas, à lui seul, ces réponses reformulées et générées.

3. Dans un programme, quelle description correspond à un algorithme ?

Une machine qui produit un contenu nouveau à partir d’une consigne et de régularités apprises.
Un réseau de neurones à plusieurs couches qui extrait des caractéristiques de données complexes.
Une suite d’instructions organisées qui traite des données afin d’obtenir un résultat.
Un ensemble de données annotées qui sert à entraîner un système à reconnaître des catégories.

Une suite d’instructions organisées qui traite des données afin d’obtenir un résultat.

Explication

Un algorithme est une suite organisée d’instructions appliquées à des données pour obtenir un résultat. Un réseau de neurones décrit plutôt une architecture associée au Deep Learning.

4. Un système classe des images, traduit des phrases et recommande des produits : à quelle notion générale ces capacités se rattachent-elles ?

Au Deep Learning, qui désigne toute technique informatique capable de produire un résultat automatiquement.
À l’IA générative, qui regroupe toutes les techniques de classement, de reconnaissance et de recommandation.
Au Machine Learning, qui désigne seulement les systèmes entraînés avec des exemples étiquetés par des humains.
À l’intelligence artificielle, qui regroupe des techniques réalisant des tâches associées à des capacités humaines.

À l’intelligence artificielle, qui regroupe des techniques réalisant des tâches associées à des capacités humaines.

Explication

L’intelligence artificielle regroupe des techniques permettant d’accomplir des tâches comme classer, reconnaître, traduire ou recommander. L’IA générative est plus spécifique : elle produit du contenu nouveau plutôt que de désigner l’ensemble de ces techniques.

5. Un système ajuste ses paramètres en analysant des exemples et améliore ses performances au fil des interactions. Quelle notion décrit ce mécanisme ?

Un algorithme, c’est-à-dire une suite d’instructions qui conserve des paramètres sans les ajuster à partir des données.
Le Machine Learning, une branche de l’informatique où un système apprend à partir de données et d’exemples ou d’interactions.
L’intelligence artificielle, qui désigne spécifiquement la production de contenu nouveau à partir d’une consigne.
Le Deep Learning, défini par l’utilisation de données structurées reliées entre plusieurs sites Web.

Le Machine Learning, une branche de l’informatique où un système apprend à partir de données et d’exemples ou d’interactions.

Explication

Le Machine Learning permet à un système d’améliorer ses performances en analysant des données et en ajustant ses paramètres à partir d’exemples ou d’interactions. Le Deep Learning est un sous-ensemble fondé sur des réseaux de neurones à plusieurs couches, et non la définition générale de cet apprentissage.

6. Quelle description distingue correctement le Deep Learning du Machine Learning ?

Le Deep Learning est une méthode de regroupement de données non étiquetées selon leurs ressemblances.
Le Deep Learning est une catégorie extérieure au Machine Learning, fondée sur des données étiquetées par des humains.
Le Deep Learning désigne toute intelligence artificielle qui recommande des produits ou traduit des phrases.
Le Deep Learning est un sous-ensemble du Machine Learning fondé sur des réseaux de neurones à plusieurs couches.

Le Deep Learning est un sous-ensemble du Machine Learning fondé sur des réseaux de neurones à plusieurs couches.

Explication

Le Deep Learning appartient au Machine Learning et s’appuie sur des réseaux de neurones à plusieurs couches pour extraire des caractéristiques de données complexes. Le présenter comme une catégorie extérieure au Machine Learning inverse cette relation d’inclusion.

7. Pour prédire la catégorie d’un nouveau commentaire, une équipe entraîne son modèle avec des commentaires déjà classés par des humains. Quel type d’apprentissage utilise-t-elle ?

L’apprentissage supervisé, car les exemples d’entraînement portent des étiquettes fournies par des humains.
L’apprentissage non supervisé, car le modèle doit découvrir des regroupements dans des données non annotées.
L’apprentissage par renforcement, car un agent reçoit une récompense après chaque prédiction.
Le clustering, car les données sont regroupées selon leurs ressemblances sans étiquettes.

L’apprentissage supervisé, car les exemples d’entraînement portent des étiquettes fournies par des humains.

Explication

L’apprentissage supervisé entraîne un algorithme sur des données étiquetées afin de prédire une réponse pour de nouvelles données. L’apprentissage non supervisé, contrairement à ce cas, recherche des structures dans des données dépourvues d’étiquettes.

8. Un modèle analyse des commentaires écrits dans un registre familier, mais son corpus d’entraînement est composé de textes formels. Quel principe aiderait à limiter les erreurs d’interprétation ?

Entraîner l’algorithme à maximiser des récompenses reçues après chaque interprétation de commentaire.
Utiliser un corpus d’entraînement qui ressemble au corpus analysé afin de réduire les effets du décalage de domaine.
Remplacer le corpus d’entraînement par des réponses annotées, même si leur registre diffère des commentaires analysés.
Convertir les commentaires en données non étiquetées afin que le modèle puisse ignorer leurs particularités linguistiques.

Utiliser un corpus d’entraînement qui ressemble au corpus analysé afin de réduire les effets du décalage de domaine.

Explication

Le corpus d’entraînement doit ressembler au corpus à analyser, car un décalage de domaine peut nuire à l’interprétation du langage familier, de l’ironie ou des abréviations. Ajouter des annotations ne corrige pas à lui seul le décalage entre les registres linguistiques.

9. Un analyste fournit des données sans catégories préétablies et demande au système d’y repérer des structures ou des regroupements cachés. Quel type d’apprentissage convient ?

L’apprentissage par renforcement, qui fait évoluer un agent grâce aux récompenses reçues dans un environnement.
L’apprentissage non supervisé, qui découvre des régularités dans des données non étiquetées.
Le traitement par algorithme, qui exige que chaque donnée possède une étiquette humaine.
L’apprentissage supervisé, qui apprend à partir de réponses annotées pour prédire une catégorie.

L’apprentissage non supervisé, qui découvre des régularités dans des données non étiquetées.

Explication

L’apprentissage non supervisé recherche des structures, des régularités ou des regroupements cachés dans des données non étiquetées. L’apprentissage supervisé repose plutôt sur des réponses annotées fournies pendant l’entraînement.

10. Un agent observe l’état d’un environnement, choisit une action puis reçoit une récompense ou une pénalité. Quel mécanisme d’apprentissage est décrit ?

Le clustering, où l’agent forme des groupes de données selon leurs caractéristiques communes.
L’apprentissage non supervisé, où l’agent recherche des regroupements dans des données non annotées.
L’apprentissage supervisé, où l’agent apprend à partir d’exemples étiquetés pour prédire des réponses.
L’apprentissage par renforcement, où l’agent apprend par interaction afin de maximiser les récompenses au fil du temps.

L’apprentissage par renforcement, où l’agent apprend par interaction afin de maximiser les récompenses au fil du temps.

Explication

Dans l’apprentissage par renforcement, un agent interagit avec un environnement, choisit des actions et reçoit des récompenses ou des pénalités pour apprendre à maximiser les récompenses au fil du temps. L’apprentissage supervisé se fonde plutôt sur des données étiquetées que sur les conséquences des actions dans un environnement.

11. Comment un grand modèle de langage produit-il une suite de texte?

Il retrouve dans une base de données la phrase complète la plus proche.
Il sélectionne des mots au hasard parmi ceux qui figurent dans ses données.
Il convertit chaque phrase en règle grammaticale avant de choisir sa suite.
Il estime, à partir du contexte, quels tokens sont susceptibles de suivre.

Il estime, à partir du contexte, quels tokens sont susceptibles de suivre.

Explication

Un LLM est entraîné sur de très grandes quantités de textes et estime les tokens susceptibles de suivre en tenant compte du contexte. Retrouver une phrase complète dans une base de données ne décrit pas ce mécanisme de prédiction.

12. Dans le traitement d’un texte par un modèle de langage, à quoi peut correspondre un token?

À un mot entier, séparé des autres mots par un espace.
À un concept abstrait représenté sans lien avec les caractères du texte.
À une phrase complète convertie en une seule unité de sens.
À une unité de texte, comme un mot, une partie de mot ou un signe de ponctuation.

À une unité de texte, comme un mot, une partie de mot ou un signe de ponctuation.

Explication

Un token est une unité de texte traitée par le modèle et peut être un mot, une partie de mot, une racine, un suffixe ou un signe de ponctuation. Le confondre avec un mot entier est inexact, car un token peut ne représenter qu’une partie de celui-ci.

13. À quoi sert la vectorisation des tokens dans un modèle de langage?

À attribuer à chaque token une règle grammaticale fixe indépendante du contexte.
À remplacer les tokens par des définitions rédigées en langage naturel.
À représenter numériquement les tokens pour calculer des proximités et des relations entre termes.
À classer les tokens selon leur fréquence sans représenter leurs relations contextuelles.

À représenter numériquement les tokens pour calculer des proximités et des relations entre termes.

Explication

La vectorisation transforme chaque token en vecteur ou embedding numérique, ce qui permet de calculer des proximités et des relations entre termes dans un contexte donné. Un simple classement par fréquence ne fournit pas ces représentations relationnelles.

14. Quel mécanisme de l’architecture Transformer permet d’examiner les relations entre les éléments d’une séquence et de tenir compte du contexte global?

La segmentation, qui isole chaque token de son contexte.
Les paramètres, qui sont des coefficients ajustés pendant l’entraînement.
Les mécanismes d’attention, qui relient les éléments de la séquence.
La vectorisation, qui transforme les tokens en signes de ponctuation.

Les mécanismes d’attention, qui relient les éléments de la séquence.

Explication

Les mécanismes d’attention permettent au Transformer d’examiner les relations entre les éléments d’une séquence et de prendre en compte le contexte global. Les paramètres sont des coefficients ajustés à l’entraînement, et non le mécanisme qui met en relation les éléments de la séquence.

15. Quelle série réunit les quatre usages académiques des IA génératives?

Aide à la programmation, assistance linguistique, compréhension et inspiration pour des idées ou des plans.
Correction linguistique, recherche bibliographique, notation des travaux et surveillance des examens.
Traduction, rédaction intégrale, sélection de sources et évaluation du raisonnement étudiant.
Programmation, production de références, validation des résultats et remplacement de la prise de notes.

Aide à la programmation, assistance linguistique, compréhension et inspiration pour des idées ou des plans.

Explication

Les usages comprennent l’aide à la programmation, l’assistance linguistique, l’aide à la compréhension et l’inspiration pour des idées, problématiques ou plans. La notation et la surveillance des examens ne font pas partie de cette série d’usages.

16. Une étudiante demande à une IA des pistes pour comprendre un concept, les compare avec son cours et des sources originales, puis reformule et vérifie les données importantes. Quelle pratique décrit cette démarche?

Une utilisation méthodique qui s’appuie sur l’IA tout en conservant le travail de vérification et de raisonnement.
Une validation des réponses de l’IA par leur cohérence apparente, sans comparaison avec d’autres sources.
Une délégation complète qui confie à l’IA l’analyse des sources et la validation des informations.
Une utilisation limitée à la correction linguistique, sans recours à des explications ou à des pistes.

Une utilisation méthodique qui s’appuie sur l’IA tout en conservant le travail de vérification et de raisonnement.

Explication

Une démarche méthodique consiste notamment à demander des explications ou des pistes, à les comparer avec le cours et les sources originales, puis à reformuler et vérifier les données importantes. Confier à l’IA l’analyse et la validation abandonnerait précisément une partie du travail intellectuel.

17. Un outil invente une référence bibliographique et la présente avec assurance comme si elle était réelle. Comment caractériser cette réponse?

Comme une hallucination, c’est-à-dire une information inventée ou erronée présentée de façon convaincante.
Comme une opacité algorithmique, c’est-à-dire une difficulté à connaître les raisons d’une réponse.
Comme une réutilisation de données personnelles, c’est-à-dire l’emploi de renseignements privés.
Comme une délégation cognitive, c’est-à-dire le transfert d’une activité intellectuelle à l’outil.

Comme une hallucination, c’est-à-dire une information inventée ou erronée présentée de façon convaincante.

Explication

Une hallucination est une information inventée ou erronée produite sur un ton convaincant, et une référence inexistante en est un exemple. L’opacité concerne la difficulté à connaître les raisons d’une réponse, pas le caractère inventé de son contenu.

18. Que désigne l’opacité algorithmique d’une IA générative?

La production d’une information erronée formulée avec un ton convaincant.
Le transfert à un outil d’une tâche intellectuelle que l’utilisateur devrait réaliser.
La difficulté à connaître les données mobilisées, la pondération des sources et les raisons précises d’une réponse.
La réutilisation d’un document confidentiel sans égard aux conditions de son envoi.

La difficulté à connaître les données mobilisées, la pondération des sources et les raisons précises d’une réponse.

Explication

L’opacité algorithmique renvoie à la difficulté de connaître notamment les données d’entraînement, la pondération des sources et les raisons précises d’une réponse. Une information fausse présentée avec assurance correspond plutôt à une hallucination.

19. Une équipe envoie des documents confidentiels à un outil génératif et envisage d’intégrer dans un rapport des passages issus de contenus aspirés. Quels enjeux sont directement concernés?

La prédiction du token suivant, l’ajustement des paramètres et l’attention au contexte.
La délégation cognitive, la formulation des consignes et la génération d’idées pour un plan.
La fragmentation des tokens, la vectorisation des passages et le calcul des proximités entre termes.
La confidentialité des documents, la réutilisation des données et les questions de droit d’auteur ou de plagiat.

La confidentialité des documents, la réutilisation des données et les questions de droit d’auteur ou de plagiat.

Explication

Les enjeux éthiques et juridiques incluent la confidentialité des documents envoyés, l’aspiration et la réutilisation des contenus, le droit d’auteur et le plagiat. La vectorisation et le calcul des proximités relèvent du fonctionnement des modèles, et non de ces enjeux juridiques.

20. Un étudiant demande à un outil de comparer plusieurs sources et de construire son argumentation, puis reprend directement le résultat sans faire ces tâches lui-même. Quel phénomène cela illustre-t-il?

L’usage d’assistance, car l’étudiant conserve la comparaison des sources et la construction du raisonnement.
La délégation cognitive, car des activités intellectuelles sont confiées à l’outil au lieu d’être exercées par l’étudiant.
L’hallucination, car l’outil présente nécessairement une information inventée dans son argumentation.
L’opacité algorithmique, car les critères utilisés par l’outil pour formuler sa réponse sont difficiles à connaître.

La délégation cognitive, car des activités intellectuelles sont confiées à l’outil au lieu d’être exercées par l’étudiant.

Explication

La délégation cognitive consiste à confier à un outil une activité intellectuelle que l’on devrait exercer soi-même, comme comparer ou argumenter. Un usage d’assistance laisse l’étudiant effectuer ces opérations plutôt que de reprendre directement le travail réalisé par l’outil.

21. Quelle démarche permet de vérifier de façon rigoureuse une réponse générée ?

Identifier qui parle, retrouver la source originale, vérifier son existence et la recouper avec des sources indépendantes.
Repérer l’auteur, vérifier la date de publication et privilégier les sources les plus récentes.
Examiner le style de la réponse, en mesurer la précision et la comparer à d’autres réponses générées.
Rechercher une source qui confirme la réponse et évaluer si elle paraît cohérente avec le sujet.

Identifier qui parle, retrouver la source originale, vérifier son existence et la recouper avec des sources indépendantes.

Explication

La vérification passe par l’identification de l’émetteur, la recherche et l’identification de la source originale, puis le recoupement avec des sources indépendantes. La cohérence apparente d’une réponse, même accompagnée d’une source, ne remplace pas ces étapes.

22. Lorsqu’on évalue une information en ligne, quel ensemble de critères peut aider à en apprécier la fiabilité ?

Le support de publication, la popularité du sujet, la qualité du résumé et le nombre de commentaires.
La notoriété de l’auteur, le nombre de partages, le ton assuré et la présence d’illustrations.
L’auteur, la date, le type de source, les preuves, le recoupement, l’objectif et l’expression de l’incertitude.
La longueur du texte, sa mise en page, son nombre de lecteurs et la fréquence de ses mots-clés.

L’auteur, la date, le type de source, les preuves, le recoupement, l’objectif et l’expression de l’incertitude.

Explication

L’évaluation peut porter sur l’auteur, la date, le type de source, les preuves, le recoupement, l’objectif et la manière d’exprimer l’incertitude. La popularité ou le ton assuré ne suffisent pas à établir la fiabilité d’une information.

23. Une équipe recueille une mesure codée, puis l’interprète en la replaçant dans son contexte : comment qualifier le résultat de cette interprétation ?

Une licence, car l’interprétation détermine les conditions de réutilisation de la mesure.
Une information, car une donnée devient une information lorsqu’elle est interprétée et contextualisée.
Une infrastructure, car la mise en contexte transforme une mesure en dispositif de stockage.
Une donnée, car toute mesure reste une donnée même après son interprétation et sa contextualisation.

Une information, car une donnée devient une information lorsqu’elle est interprétée et contextualisée.

Explication

Une donnée est une représentation codée, tandis qu’elle devient une information lorsqu’elle est interprétée et contextualisée. Le fait qu’il s’agisse au départ d’une mesure ne signifie pas que le résultat contextualisé reste seulement une donnée.

24. Une organisation doit traiter des volumes de données tels que ses outils traditionnels ne suffisent plus et met en place des infrastructures adaptées : à quel concept cela correspond-il ?

Au Big Data, qui concerne l’échelle des données ainsi que les infrastructures et pratiques associées.
À l’information, qui désigne toute donnée codée dès qu’elle est conservée dans une infrastructure.
À l’Open Data, qui concerne l’échelle des données et les infrastructures nécessaires à leur traitement.
À la Data Literacy, qui désigne les méthodes industrielles de stockage et d’analyse de grands volumes.

Au Big Data, qui concerne l’échelle des données ainsi que les infrastructures et pratiques associées.

Explication

Le Big Data désigne des données dont l’échelle dépasse les capacités des outils traditionnels, ainsi que les infrastructures et pratiques associées. L’Open Data porte plutôt sur l’accès aux données et leurs conditions de réutilisation.

25. Un jeu de données est accessible et téléchargeable, et sa licence autorise sa réutilisation sous certaines conditions : de quel type de données s’agit-il ?

De données interprétées, dont le contexte permet de produire une information exploitable.
De données massives, dont la taille dépasse les capacités des outils traditionnels.
De données maîtrisées, dont les utilisateurs savent évaluer la qualité de manière critique.
De données ouvertes, accessibles et réutilisables dans le cadre défini par leur licence.

De données ouvertes, accessibles et réutilisables dans le cadre défini par leur licence.

Explication

L’Open Data désigne des données accessibles et téléchargeables, réutilisables selon une licence qui précise certaines conditions. Le volume important relève du Big Data et ne définit pas, à lui seul, l’ouverture des données.

26. Quelle compétence décrit la capacité d’une personne à interpréter, évaluer et utiliser des données de façon critique et responsable ?

La Data Literacy, qui inclut aussi la lecture, la production et la compréhension des données.
La contextualisation, qui désigne la transformation d’une donnée codée en information interprétée.
Le Big Data, qui désigne les volumes dépassant les capacités des outils traditionnels.
L’Open Data, qui correspond aux conditions d’accès et de réutilisation fixées par une licence.

La Data Literacy, qui inclut aussi la lecture, la production et la compréhension des données.

Explication

La Data Literacy est la capacité à comprendre, lire, interpréter, produire, évaluer et utiliser les données de manière critique et responsable. L’Open Data concerne les conditions d’accès et de réutilisation, et non les compétences de la personne qui consulte les données.

27. À combien d’octets correspond un zettaoctet, unité utilisée pour représenter des volumes mondiaux de données ?

102110^{21} octets, pour exprimer des volumes de données à l’échelle planétaire.
101510^{15} octets, pour exprimer des volumes de données à l’échelle planétaire.
101210^{12} octets, pour exprimer des volumes de données à l’échelle planétaire.
101810^{18} octets, pour exprimer des volumes de données à l’échelle planétaire.

$$10^{21}$$ octets, pour exprimer des volumes de données à l’échelle planétaire.

Explication

Un zettaoctet correspond à 102110^{21} octets et sert à représenter des volumes mondiaux de données produits et répliqués. 101810^{18} octets correspond à un exaoctet, une unité d’échelle inférieure.

28. Dans la série des volumes mondiaux de données présentée pour 2010, 2015, 2020 et 2025, quelle valeur est une prévision plutôt qu’une estimation ?

La valeur de 16 Zo pour 2015 est présentée comme une prévision.
La valeur de 2 Zo pour 2010 est présentée comme une prévision.
La valeur de 64 Zo pour 2020 est présentée comme une prévision.
La valeur de 181 Zo pour 2025 est présentée comme une prévision.

La valeur de 181 Zo pour 2025 est présentée comme une prévision.

Explication

La valeur de 181 Zo pour 2025 est indiquée comme une prévision, tandis que les valeurs de 2010, 2015 et 2020 sont des estimations. En particulier, les 64 Zo de 2020 ne sont pas présentés comme une prévision.

29. Une personne publie des photos, aime des vidéos et remplit un formulaire en ligne : quelle source produit ces données ?

Les registres des administrations publiques
Les activités numériques des individus
Les transactions des systèmes bancaires
Les capteurs des objets connectés

Les activités numériques des individus

Explication

Les publications, interactions et formulaires en ligne génèrent des données produites par les individus. Les transactions bancaires relèvent plutôt des systèmes d’information et de transaction.

30. Quel exemple illustre la production de données par l’Internet des objets ?

Un internaute partage une photo sur un réseau social
Un client effectue un achat sur une boutique en ligne
Un capteur domotique mesure la température d’une pièce
Un agent consigne une demande dans un registre administratif

Un capteur domotique mesure la température d’une pièce

Explication

Les objets connectés, comme les capteurs domotiques, produisent des données à partir de mesures ou d’observations. Un achat en ligne est une transaction traitée par un système d’information.

31. Quelles dimensions composent les trois V du Big Data ?

La variété, la validation et la visualisation
La valeur, la véracité et la visibilité
Le volume, la variété et la vélocité
La vélocité, la virtualisation et la vérification

Le volume, la variété et la vélocité

Explication

Les trois V désignent la quantité de données, la diversité de leurs formats et sources, ainsi que leur vitesse de production, de circulation et de traitement. La véracité est une dimension parfois évoquée dans d’autres cadres, mais elle ne fait pas partie des trois V indiqués ici.

32. Pourquoi un service de suivi des stocks peut-il devoir analyser les données en flux presque en temps réel ?

Parce que leur structure garantit une analyse sans délai
Parce que leur vélocité exige parfois un traitement rapide
Parce que leur variété impose de les ranger en tables relationnelles
Parce que leur volume empêche leur circulation entre systèmes

Parce que leur vélocité exige parfois un traitement rapide

Explication

La vélocité correspond à la vitesse de production, de circulation et de traitement des données, et peut imposer une analyse presque en temps réel. La variété concerne plutôt la diversité des formats et des sources.

33. Quelle distinction décrit correctement l’Open Data et les données propriétaires ?

L’Open Data est diffusé sans conditions, tandis que les données propriétaires sont toujours conservées par une administration publique.
L’Open Data concerne les données personnelles, tandis que les données propriétaires concernent les statistiques destinées à l’intérêt général.
L’Open Data est réutilisable sous licence, tandis que les données propriétaires sont conservées par un acteur privé à des fins stratégiques ou économiques.
L’Open Data est réservé à l’acteur qui le collecte, tandis que les données propriétaires sont réutilisables sous licence par le public.

L’Open Data est réutilisable sous licence, tandis que les données propriétaires sont conservées par un acteur privé à des fins stratégiques ou économiques.

Explication

L’Open Data peut être consulté et réutilisé dans le cadre d’une licence, tandis que les données propriétaires sont détenues par un acteur privé pour des intérêts stratégiques ou économiques. Confondre les données propriétaires avec des données librement réutilisables inverse cette distinction.

34. Une administration publie des données pour faciliter l’évaluation des politiques publiques : quelle précaution doit accompagner cette ouverture ?

Protéger les données personnelles et documenter les sources, les formats et la collecte
Écarter les données utiles à la recherche afin de limiter les usages imprévus
Remplacer les formats documentés par des fichiers non décrits et accessibles sur demande
Réserver la réutilisation aux acteurs privés et masquer les méthodes de collecte

Protéger les données personnelles et documenter les sources, les formats et la collecte

Explication

L’ouverture peut soutenir l’évaluation des politiques publiques, mais elle nécessite la protection des données personnelles et une documentation des sources, formats et méthodes de collecte. Réserver la réutilisation aux acteurs privés contredit l’objectif d’ouverture et ne constitue pas cette précaution.

35. Quelle succession décrit la chaîne de valorisation du Big Data, des traces numériques jusqu’à leur exploitation ?

Collecte, stockage, nettoyage et organisation, croisement, analyse algorithmique, puis création de profils, prédictions ou services
Nettoyage et organisation des traces, création de prédictions, puis collecte, stockage et analyse des données associées
Stockage et croisement des traces, création de services, puis collecte et nettoyage des données destinées à l’analyse
Collecte, analyse algorithmique, création de profils, puis stockage et croisement des données pour produire des services

Collecte, stockage, nettoyage et organisation, croisement, analyse algorithmique, puis création de profils, prédictions ou services

Explication

La valorisation suit une chaîne où les traces sont d’abord recueillies et préparées, puis croisées et analysées avant d’être transformées en produits exploitables. L’option qui place la création des profils avant le stockage et le croisement inverse plusieurs étapes du processus.

36. Une plateforme utilise l’historique de navigation pour proposer des annonces adaptées à chaque personne : quelle forme de valorisation des données illustre cet usage ?

Le classement de l’information
Le ciblage publicitaire
L’optimisation logistique
L’analyse prédictive

Le ciblage publicitaire

Explication

Adapter des annonces aux traces de navigation correspond au ciblage publicitaire. L’analyse prédictive vise plutôt à produire des estimations sur des événements ou comportements futurs.

37. Pourquoi les données et les algorithmes ne peuvent-ils pas être considérés comme neutres dans l’organisation de la société ?

Parce qu’ils reproduisent les préférences individuelles sans modifier la circulation de l’information
Parce qu’ils influencent la visibilité de l’information, la formation des marchés et les rapports de pouvoir
Parce qu’ils déterminent la fiabilité des données sans intervenir dans les rapports sociaux
Parce qu’ils facilitent les échanges économiques tout en laissant inchangée la visibilité des contenus

Parce qu’ils influencent la visibilité de l’information, la formation des marchés et les rapports de pouvoir

Explication

Les choix de données et d’algorithmes contribuent à rendre certains contenus visibles, à organiser la circulation de l’information et à structurer les marchés et les rapports de pouvoir. L’idée qu’ils laissent inchangée la visibilité des contenus confond neutralité supposée et effets sociaux réels.

38. Dans la chaîne générale des données, que se passe-t-il après l’accumulation des données en Big Data et l’apprentissage automatique ?

Les usages sociaux précèdent la production des données, puis les modèles sont formés sans apprentissage automatique
Des modèles permettent la génération ou la prédiction, suivies d’usages sociaux et d’enjeux de fiabilité, de pouvoir et de responsabilité
Les données sont converties en décisions humaines, puis leur accumulation et leur production sont évaluées
Les modèles servent à nettoyer les données, après quoi l’apprentissage automatique remplace les usages sociaux

Des modèles permettent la génération ou la prédiction, suivies d’usages sociaux et d’enjeux de fiabilité, de pouvoir et de responsabilité

Explication

Après la production et l’accumulation des données, l’apprentissage automatique contribue à construire des modèles capables de générer ou de prédire, qui sont ensuite utilisés socialement. L’option qui place les usages sociaux avant la production des données renverse le déroulement général de la chaîne.

39. Une réponse paraît très probable dans son contexte, mais son exactitude n’a pas été vérifiée : que peut-on conclure ?

Elle est exacte, puisque la probabilité apparente et la vérité désignent la même propriété
Elle est fausse, car une réponse vraisemblable manque nécessairement de preuves
Elle est vraie, puisque sa cohérence contextuelle confirme son exactitude
Elle est vraisemblable, sans que sa vérité soit pour autant établie

Elle est vraisemblable, sans que sa vérité soit pour autant établie

Explication

La vraisemblance concerne l’apparence de probabilité d’une réponse dans un contexte, tandis que la vérité concerne son exactitude. Une réponse qui semble cohérente n’est donc pas automatiquement vraie.

40. Quel jalon est associé à OpenAI en 2019 ?

Le lancement de GPT-2, qui démontre la capacité à générer un texte fluide
La publication d’une étude consacrée au few-shot learning
La présentation de GPT-4 et le développement de la multimodalité
La création d’OpenAI comme organisation à but non lucratif

Le lancement de GPT-2, qui démontre la capacité à générer un texte fluide

Explication

En 2019, OpenAI lance GPT-2, modèle associé à la démonstration de la génération de texte fluide. La création de l’organisation à but non lucratif correspond à 2015, et non à ce jalon.

41. Quelle publication de 2020 est associée au few-shot learning ?

« Language Models are Few-Shot Learners », de Brown et ses coauteurs
Un travail d’OpenAI consacré au lancement de GPT-2
« Production des données », de Bullich et Clavier
Une publication situant GPT-4 et le développement de la multimodalité

« Language Models are Few-Shot Learners », de Brown et ses coauteurs

Explication

Brown et ses coauteurs publient en 2020 « Language Models are Few-Shot Learners », référence associée au few-shot learning. Le travail de Bullich et Clavier porte sur la production des données et ne correspond pas à cette référence.

Révisez avec les flashcards

Mémorisez les réponses avec 73 flashcards sur IA générative et culture des données.

Quelle activité privilégie le Web 1.0 ?

La consultation de sites statiques.

Quelle pratique caractérise le Web 2.0 ?

L’interactivité et la production de contenus.

Qu’est-ce qui caractérise le Web 3.0 ?

L’interconnexion de données structurées.

Voir les flashcards →

Approfondir avec la fiche

Consultez la fiche de révision complète sur IA générative et culture des données.

Voir la fiche →

Cours similaires

Choix organisationnels liés au SI

Réseaux et protocoles Internet

Assistant vocal et démarche de projet

Informatique et calculabilité

Listes d’entiers en machine de Peano

Programmation

Bases de données et archivage

Crée tes propres QCM

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

Générateur de QCM