QCM : Intelligence artificielle et société (16 questions)

Explication

L’intelligence artificielle désigne les techniques visant à réaliser des machines capables de simuler l’intelligence. La confusion avec le remplacement des activités humaines élargit la définition, l’apprentissage sur les données n’en est qu’un aspect, et l’intelligence humaine autonome ne correspond pas à cette définition.

Explication

L’IA s’appuie sur des algorithmes qui apprennent à partir des données et s’y adaptent. Des réponses fixes ignorent l’adaptation, les données seules ne réalisent pas le traitement algorithmique, et l’IA n’est pas une intelligence autonome.

Explication

La recherche d’informations, la traduction et la reconnaissance vocale sont des usages de l’IA. La génération de voix, les recommandations commerciales, le diagnostic médical et les voitures autonomes correspondent à d’autres usages.

Explication

L’IA est utilisée en santé pour diagnostiquer des maladies et dans les transports pour développer des voitures autonomes. La personnalisation commerciale, la création de vidéos et les recommandations de produits relèvent d’autres usages.

Explication

L’apprentissage automatique permet aux machines d’apprendre et de s’améliorer sans programmation explicite. La programmation explicite confond apprentissage et instructions prédéfinies, l’absence d’amélioration écarte le principe même de la méthode, et la simple collecte de données ne correspond pas à cette définition.

Explication

Les quatre méthodes sont le renforcement, le supervisé, le non supervisé et l’auto-supervisé. L’apprentissage par transfert et l’apprentissage profond remplacent à tort des catégories de cette liste, tandis que la programmation explicite n’est pas l’un des quatre types.

Explication

Dans l’apprentissage par renforcement, l’IA apprend par essais et erreurs en recevant des récompenses ou des pénalités selon ses actions. L’apprentissage supervisé s’appuie sur des données étiquetées, tandis que les méthodes non supervisée et auto-supervisée exploitent des données non étiquetées pour effectuer des prédictions.

Explication

L’apprentissage supervisé utilise des données étiquetées pour déterminer les paramètres d’une formule pendant l’entraînement, puis applique cette formule à des données inconnues. Les données non étiquetées caractérisent les approches non supervisée et auto-supervisée, tandis que les récompenses et pénalités caractérisent le renforcement.

Explication

L’adaptation des tutoriels aux besoins des élèves illustre la facilitation de l’éducation par des apprentissages personnalisés et interactifs. Le diagnostic médical relève de la santé, l’automatisation des tâches de la productivité des entreprises, et la prévention des accidents de la sécurité.

Explication

L’automatisation de tâches répétitives peut faire gagner du temps et de l’argent aux entreprises, ce qui améliore leur productivité. La création de nouveaux produits et services concerne l’innovation, les diagnostics relèvent de la santé et la prévention des accidents concerne la sécurité.

Explication

Lorsque l’IA remplace la réflexion et la résolution de problèmes, elle peut entraîner une passivité intellectuelle. La dépendance concerne la vulnérabilité en cas de panne, l’atteinte à la vie privée concerne les données et la discrimination concerne des décisions injustes.

Explication

Un système qui défavorise des candidats selon leur nom ou leur adresse produit des décisions discriminatoires. L’exposition de données concerne la vie privée, le remplacement de postes concerne l’automatisation des emplois et la passivité concerne la réflexion.

Explication

La collecte et l’analyse de volumes importants de données peuvent nuire à la vie privée et à la sécurité des données. Les émissions de carbone relèvent de la consommation énergétique, tandis que le remplacement des emplois et les décisions biaisées sont d’autres risques distincts.

Explication

Pour limiter les risques, il faut comprendre le fonctionnement de l’IA, surveiller les informations partagées et leur usage, et ne pas lui confier seule une décision importante. Vérifier une réponse ne justifie pas de déléguer entièrement la décision, et repérer les biais ne remplace pas les autres précautions.

Explication

Les résultats de l’IA doivent être examinés avec prudence, puisqu’ils peuvent comporter des erreurs ou des biais. Une apparence de cohérence ne garantit pas l’exactitude; repérer les stéréotypes et apprendre à traiter l’information sont des démarches utiles, mais ne remplacent pas cet examen.

Explication

Avant d’utiliser l’IA générative, apprendre à sélectionner et traiter l’information permet de raisonner et de développer son esprit critique face aux résultats. Surveiller les données, signaler des prédictions inappropriées et demander des normes sont d’autres mesures de prévention.