QCM Intelligence Artificielle Corrigé – Partie 17

avril 14, 2025avril 14, 2025 Thomas Aucun commentaire

Questions d’Entretien sur l’intelligence artificielle avec des réponses pour la préparation des entretiens d’embauche, tests en ligne, examens et certifications. Ces questions et réponses sur l’intelligence artificielle comprennent divers sujets tel que les bases de l’intelligence artificielle, comprendre la théorie de l’Intelligence Artificielle, la conception de modèles, le Q-Learning, le Deep Q-Learning, etc… Et sont tirés d’un vrai entretien écrit et certaines parties sont en direct. Cette méthode d’apprentissage systématique préparera facilement toute personne pour réussir son test sur l’intelligence artificielle.

1. Que fait un “autoencodeur” (autoencoder) ?

A Il encode des vidéos pour YouTube

B Il décode des instructions en binaire

C Il apprend à compresser et reconstruire des données

D Il supprime toutes les données erronées

Un autoencodeur est un type de réseau de neurones qui compresse (encode) les données dans un format plus petit, puis les reconstruit (decode). Utile pour la réduction de dimension, détection d’anomalies, ou encore la compression d’images.

2. Dans le “reinforcement learning” (apprentissage par renforcement), que cherche à faire l’agent ?

A Minimiser la mémoire utilisée

B Maximiser une récompense cumulative

C Choisir des actions au hasard

D Réduire le nombre de classes

En apprentissage par renforcement, un agent interagit avec un environnement pour maximiser une récompense. Exemples: apprendre à jouer à un jeu, contrôler un robot, optimiser un système de recommandation.

3. Quel est le rôle de la “dropout” dans les réseaux de neurones ?

A Accélérer le GPU

B Supprimer des couches

C Ajouter des données bruitées

D Déconnecter aléatoirement des neurones pendant l’entraînement pour éviter l’overfitting

La dropout consiste à désactiver aléatoirement des neurones lors de l’entraînement, pour forcer le modèle à ne pas dépendre de neurones spécifiques. C’est un moyen efficace de régularisation.

4. Que représente un “label” dans un dataset supervisé ?

A Une variable aléatoire

B Le nom du fichier

C La réponse correcte associée à une entrée

D L’ordre des colonnes

Un label, c’est la valeur attendue dans un jeu de données supervisé. Par exemple, pour une image de chat, le label sera “chat”. Le modèle apprend à associer les entrées aux bons labels.

5. Quelle est l’utilité d’un modèle de type “multimodal” ?

A Il change automatiquement de langue

B Il fonctionne sans données

C Il traite plusieurs types d’entrée (texte, image, audio…) en même temps

D Il se met à jour toutes les heures

Un modèle multimodal peut croiser plusieurs types de données, comme une image et une description, ou du texte et du son. Par exemple, GPT-4 avec vision peut analyser une image et répondre en langage naturel.

6. Quelle est la différence entre classification binaire et multi-classe ?

A Binaire a deux sorties, multi-classe en a plusieurs

B Multi-classe n’utilise pas de réseau

C Binaire est plus lent

D Il n’y a pas de différence

Classification binaire → 2 classes (ex : malade / pas malade)
Classification multi-classe → plusieurs classes (ex : chat / chien / cheval / oiseau)

7. Que mesure une “métrique” en machine learning ?

A Le nombre de lignes dans un fichier

B La performance du modèle selon un critère défini

C La taille de l’image d’entrée

D Le nombre de couches du modèle

Une métrique comme l’accuracy, le F1-score ou l’AUC sert à évaluer la qualité des prédictions du modèle. Elle aide à savoir si le modèle apprend bien ou non.

8. Pourquoi dit-on que l’IA “ne comprend pas” réellement ce qu’elle dit ?

A Parce qu’elle ne parle pas anglais

B Parce qu’elle manque de RAM

C Parce qu’elle génère des réponses à partir de probabilités sans conscience réelle

D Parce qu’elle fait semblant

L’IA comme GPT prédit mot après mot ce qui a le plus de chances d’apparaître. Elle ne “comprend” pas au sens humain, elle simule une réponse crédible basée sur des statistiques et des patterns appris.

9. Pourquoi dit-on que les réseaux de neurones sont « inspirés du cerveau humain » ?

A Parce qu’ils peuvent rêver

B Parce qu’ils ont des neurones et des synapses simulés

C Parce qu’ils sont faits en biologie moléculaire

D Parce qu’ils fonctionnent en sommeil profond

Les réseaux de neurones artificiels s’inspirent de la structure du cerveau, avec des nœuds appelés « neurones » et des connexions (poids) comme les synapses entre neurones biologiques.

10. Quelle est la différence entre “précision” (precision) et “rappel” (recall) ?

A La précision mesure ce qu’on a bien trouvé ; le rappel, ce qu’on a manqué

B Ce sont des synonymes

C Le rappel est plus rapide que la précision

D La précision s’applique aux images, le rappel au son

Précision = sur tout ce que le modèle a prévu comme positif, combien étaient corrects.
Rappel = sur tout ce qui aurait dû être positif, combien il en a effectivement détecté.

QCMs qui pourraient vous intéresser :

1. Que fait un “autoencodeur” (autoencoder) ?

2. Dans le “reinforcement learning” (apprentissage par renforcement), que cherche à faire l’agent ?

3. Quel est le rôle de la “dropout” dans les réseaux de neurones ?

4. Que représente un “label” dans un dataset supervisé ?

5. Quelle est l’utilité d’un modèle de type “multimodal” ?

6. Quelle est la différence entre classification binaire et multi-classe ?

7. Que mesure une “métrique” en machine learning ?

8. Pourquoi dit-on que l’IA “ne comprend pas” réellement ce qu’elle dit ?

9. Pourquoi dit-on que les réseaux de neurones sont « inspirés du cerveau humain » ?

10. Quelle est la différence entre “précision” (precision) et “rappel” (recall) ?

Vous pourrez aussi aimer

QCM Intelligence Artificielle Corrigé – Partie 3

QCM Intelligence Artificielle Corrigé – Partie 7

QCM Intelligence Artificielle Corrigé – Partie 9

Laisser un commentaire Annuler la réponse