QCM : Introduction à l’intelligence artificielle (21 questions)

Explication

Les grandes familles comprennent la reconnaissance ou classification, la prédiction ou régression, la génération, la recommandation, la détection d’anomalies, la décision ou le contrôle et la modélisation de systèmes dynamiques. Les étapes de traitement confondent usage et processus, l’archivage remplace la décision et la mesure, et le calcul statistique ne désigne pas ici une famille distincte.

Explication

Les données représentent le problème réel au moyen de mesures, mais cette représentation n’est pas nécessairement la vérité complète. Les considérer comme une description certaine confond mesure et réalité, les appeler modèle confond deux éléments distincts, et les assimiler à la décision confond les données avec un résultat ultérieur.

Explication

Le fil rouge suit l’enchaînement des données vers le modèle, puis du modèle vers la décision. Commencer par le modèle inverse le premier lien, placer la décision avant le modèle inverse le second, et terminer par les données renverse toute la chaîne.

Explication

L’IA regroupe des méthodes permettant à une machine de percevoir, d’acquérir des connaissances et d’agir pour atteindre un objectif. La perception seule omet les étapes suivantes, la confusion entre connaissances et objectif inverse leur rôle, et l’absence d’action laisse le processus incomplet.

Explication

Le processus suit l’ordre perception, acquisition de connaissances, puis action orientée vers un objectif. Agir avant d’acquérir des connaissances anticipe une étape, commencer par les connaissances inverse l’ordre, et l’objectif n’est pas une étape intermédiaire.

Explication

L’IA symbolique utilise des symboles, des concepts et des règles écrites explicitement par des humains, avec un raisonnement logique souvent explicable. L’apprentissage de régularités et les probabilités relèvent de l’approche statistique, tandis que l’approche hybride combine composantes statistiques et symboliques.

Explication

L’IA statistique apprend automatiquement des régularités dans les données et peut produire des prédictions sous forme de scores ou de probabilités. Les règles explicites et le raisonnement logique caractérisent l’approche symbolique, tandis qu’une combinaison avec des règles symboliques correspond à l’approche hybride.

Explication

Une IA hybride ou neuro-symbolique combine un modèle statistique qui perçoit avec des règles symboliques qui raisonnent pour produire une décision ou une action. L’approche statistique seule exclut les règles, l’approche symbolique seule exclut le modèle statistique, et l’architecture décrite place la perception avant le raisonnement symbolique.

Explication

Le signal reçu par l’algorithme dépend du paradigme d’apprentissage. Les réponses attendues caractérisent le supervisé, les récompenses le renforcement, et la recherche de structure sans réponses le non supervisé.

Explication

En apprentissage supervisé, chaque exemple possède une réponse attendue. Une récompense après une action relève du renforcement, tandis que découvrir des groupes sans étiquettes relève du non supervisé.

Explication

La classification prédit une classe, tandis que la régression prédit une valeur numérique. La réponse numérique ne définit donc pas la classification, et une récompense correspond à un autre paradigme.

Explication

Le supervisé utilise des réponses attendues, le non supervisé cherche une structure sans réponses fournies et le renforcement s’appuie sur les récompenses après les actions. Les autres associations échangent ces signaux d’apprentissage.

Explication

L’apprentissage supervisé repose sur les données, le modèle et la décision. La prédiction est produite par le modèle, tandis que la récompense caractérise l’apprentissage par renforcement.

Explication

Le modèle produit un score, et la décision transforme ce score en action à l’aide d’un seuil. Confondre le modèle ou le score avec cette étape revient à mélanger prédiction et décision.

Explication

La frontière de décision sépare des zones de prédiction différentes : la prédiction change lorsqu’un point la traverse. Une région de prédiction est une zone, les données d’apprentissage servent à ajuster le modèle, et une erreur désigne une prédiction incorrecte.

Explication

Une réussite de 100 % sur les données d’apprentissage ne suffit pas à départager les modèles ni à établir leur généralisation. Atteindre ce score en premier ne prouve rien, l’égalité d’apprentissage ne garantit pas une qualité identique, et les performances sur de nouveaux cas restent à évaluer.

Explication

Les données de validation sont réservées avant l’apprentissage, restent inconnues du modèle pendant celui-ci et servent à comparer les modèles. Les incorporer à l’apprentissage compromet leur rôle, et les données d’apprentissage ne remplacent pas l’évaluation de validation.

Explication

Les données d’apprentissage servent à ajuster le modèle, tandis que les données de validation servent à le choisir et à le régler. Inverser ces rôles ou utiliser l’apprentissage pour choisir entre les versions confond ajustement et sélection.

Explication

Un modèle utile doit réussir sur des cas nouveaux, et son choix ne doit pas reposer sur les données d’entraînement. Le score d’apprentissage, même élevé, ne garantit pas la généralisation et l’évaluation répétée sur les mêmes exemples ne fournit pas un test indépendant.

Explication

Le sur-apprentissage correspond au cas où l’apprentissage continue de progresser alors que les résultats de validation se dégradent. Le sous-apprentissage évoque des performances insuffisantes, tandis qu’une amélioration générale ou une stabilisation ne correspond pas à cette divergence.

Explication

La démarche comporte trois phases dans cet ordre : définir le problème avant, construire le modèle pendant, puis décider et vérifier après. « Construire le modèle » répète la phase déjà réalisée, tandis que « définir le problème » la situe au début ; « choisir les données » n’est pas le nom de la phase finale.