Quelles sont les grandes familles d’utilisation de l’intelligence artificielle ?
La classification ou reconnaissance, la régression ou prédiction, l’IA générative de texte, d’image ou de son, la recommandation ou personnalisation, la détection d’anomalies, la décision ou le contrôle et la modélisation de systèmes dynamiques.
Comment les données représentent-elles le problème réel ?
À partir de mesures.
Les données reflètent-elles nécessairement la vérité ?
Non, pas nécessairement.
Que désigne l’intelligence artificielle ?
L’ensemble des méthodes permettant à une machine de percevoir, d’apprendre et d’agir vers un objectif.
Quelles sont les étapes de la définition de l’IA ?
La machine perçoit des informations, en tire des connaissances, puis agit vers un objectif.
Comment l’IA symbolique représente-t-elle les connaissances ?
Par des symboles et des concepts.
Comment l’IA symbolique traite-t-elle souvent les connaissances ?
Par des règles humaines explicites et un raisonnement logique souvent explicable.
Comment l’IA statistique apprend-elle les régularités ?
Elle les apprend automatiquement dans les données.
Comment fonctionne une IA hybride ou neuro-symbolique ?
Un modèle statistique perçoit, puis des règles symboliques raisonnent et produisent une décision ou une action.
De quoi dépend le signal d’apprentissage reçu par un algorithme ?
Du paradigme d’apprentissage.
Comment s’écrit l’ensemble de données en apprentissage supervisé ?
Que possède chaque exemple en apprentissage supervisé ?
Une réponse attendue.
Quelle réponse attendue vise la classification supervisée ?
Une classe.
Quelle réponse attendue vise la régression supervisée ?
Une valeur numérique.
Sur quoi s’appuie l’apprentissage par renforcement ?
Sur les récompenses reçues après les actions.
Quelles sont les trois briques indispensables de l’apprentissage supervisé ?
Les données, le modèle et la décision.
Que produit le modèle dans le processus de prédiction ?
Un score de prédiction.
Que devient le score de prédiction pour produire une action ?
La décision le transforme en action à l’aide d’un seuil.
Qu’est-ce que la frontière de décision d’un modèle ?
L’endroit où la prédiction change lorsqu’un point la traverse.
Quelle performance d’apprentissage ne suffit pas à départager deux modèles ?
Une réussite de 100 % pour chacun.
Que permettent les données de validation dans la comparaison de modèles ?
Elles permettent de comparer les modèles.
Quand les données de validation sont-elles réservées ?
Avant l’apprentissage.
À quoi servent les données d’apprentissage ?
À ajuster le modèle.
À quoi servent les données de validation ?
À choisir et régler le modèle.
Sur quels cas un modèle doit-il réussir ?
Sur des cas nouveaux.
Quelles données ne doivent pas déterminer le choix d’un modèle ?
Les données d’apprentissage.
Que devient la performance sur de nouveaux cas au début de l’apprentissage ?
Elle s’améliore.
Que peut-il arriver aux résultats de validation si l’apprentissage continue ?
Ils se dégradent malgré la progression de l’apprentissage.
Quelle chaîne constitue le fil rouge annoncé pour cette partie du cours ?
Données → modèle → décision.
Quelles modalités peuvent servir à atteindre un même objectif ?
La vision, l’haptique ou leur combinaison.
Que provoque un changement des perceptions d’une machine ?
Un changement des connaissances dont elle dispose.
Quelle limite l’IA symbolique rencontre-t-elle face à l’imprévu ?
Elle s’adapte difficilement à l’imprévu.
Quelle capacité l’IA statistique peut-elle appliquer à de nouveaux cas ?
Elle peut généraliser à de nouveaux cas.
Quelle règle un système expert médical symbolique peut-il appliquer ?
« SI fièvre ET toux, ALORS suspecter une infection. »
Qu’apprend un filtre anti-spam statistique à partir des courriels ?
Un score indiquant si un message est un spam ou non.
Quelles informations l’agent utilise-t-il pour améliorer sa stratégie en apprentissage par renforcement ?
Les conséquences de ses actions.
Que fournissent les données au modèle pour apprendre des régularités ?
Des exemples passés.
Quel score le modèle produit-il dans l’exemple présenté ?
Comment le score se situe-t-il par rapport au seuil de l’exemple ?
Il dépasse le seuil de 0,5.
Que ne peut pas faire un modèle sans données ?
Il n’a rien à apprendre.
Qu’est-ce qui est impossible sans modèle ?
Aucune généralisation n’est possible.
Quel modèle généralise mieux dans l’exemple comparatif ?
Le modèle A.
Combien d’erreurs le modèle A fait-il en validation ?
Une erreur.
Combien d’erreurs le modèle B fait-il en validation ?
Trois erreurs.
Quel diagnostic correspond aux résultats du modèle A, à 62 % en apprentissage et 60 % en validation ?
Le sous-apprentissage.
Quel modèle est un bon candidat, avec 91 % en apprentissage et 88 % en validation ?
Le modèle B.
Quelles sont les trois phases de construction d’une IA utile ?
Avant, pendant et après la construction du modèle.
Que faut-il faire avant de construire une IA utile ?
Définir le problème.
Que faut-il faire après avoir construit une IA utile ?
Décider et vérifier.
Teste tes connaissances avec un QCM de 21 questions sur Introduction à l’intelligence artificielle.
1. Quel ensemble regroupe les grandes familles d’utilisation de l’intelligence artificielle ?
2. Un système estime le risque d’inondation à partir de mesures de pluie et de niveau d’eau. Quelle interprétation des données est la plus juste ?
Révisez le cours complet dans la fiche de révision de Introduction à l’intelligence artificielle.
Voir la fiche →Importe ton cours et l'IA génère des flashcards en 30 secondes.
Générateur de flashcards