QCM Intelligence Artificielle Corrigé – Partie 15

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. Quelle est l’utilité d’un “batch” pendant l’entraînement ?

A Diviser les données en petits groupes pour les traiter progressivement

B Entraîner le modèle une donnée à la fois

C Réinitialiser le modèle après chaque itération

D Tester le modèle uniquement

Un batch est un sous-ensemble des données utilisé pour une étape d’apprentissage. Travailler en batch permet d’optimiser la mémoire et d’accélérer l’entraînement tout en rendant l’apprentissage plus stable.

2. Quel est le rôle de la fonction “softmax” en sortie d’un modèle de classification ?

A Convertir les poids en 0

B Choisir la sortie au hasard

C Convertir les scores bruts en probabilités de chaque classe

D Rendre le modèle plus coloré

La fonction softmax prend des scores (logits) et les transforme en probabilités comprises entre 0 et 1, qui représentent la probabilité que chaque classe soit la bonne.

3. Qu’est-ce qu’un “modèle linéaire” en apprentissage automatique ?

A Un modèle qui ne peut fonctionner que sur des données droites

B Un modèle dont la sortie est une combinaison linéaire des entrées

C Un modèle qui fonctionne uniquement avec du texte

D Un modèle dont les poids sont toujours à 0

Un modèle linéaire (comme la régression linéaire ou la régression logistique) calcule la sortie comme une somme pondérée des entrées. C’est simple, rapide, mais limité à des relations… linéaires !

4. Que permet de faire une fonction de perte comme “MSE” (Mean Squared Error) ?

A Elle dessine un graphique

B Elle supprime les données aberrantes

C Elle formate les résultats en pourcentage

D Elle mesure l’erreur entre les prédictions et les vraies valeurs (en moyenne quadratique)

La MSE calcule la moyenne des carrés des erreurs entre les prédictions du modèle et les vraies valeurs. Plus la MSE est faible, plus ton modèle est bon en régression.

5. Dans un réseau de neurones, qu’est-ce qu’une “couche cachée” ?

A Une couche que l’on masque pour la sécurité

B Une couche qui relie directement l’entrée à la sortie

C Une couche contenant les données d’origine

D Une couche intermédiaire où les neurones font des calculs avant la sortie finale

Les couches cachées sont situées entre l’entrée et la sortie. C’est là que le traitement des informations se fait, et où le modèle apprend les représentations internes.

6. Quelle est la principale source de données pour entraîner ChatGPT ?

A Des caméras de surveillance

B Des images médicales

C Des textes en ligne (livres, articles, forums…)

D Des signaux GPS

Les modèles comme ChatGPT sont entraînés sur d’énormes corpus de textes trouvés sur internet : livres, articles, Wikipédia, discussions, etc.

7. Que signifie “fine-tuning” d’un modèle IA ?

A Réécrire tout le modèle depuis zéro

B Ajuster légèrement un modèle déjà entraîné pour une tâche précise

C Supprimer ses erreurs passées

D Ajouter des images dans un réseau de neurones textuel

Le fine-tuning permet d’adapter un modèle pré-entraîné à une tâche spécifique (ex: un chatbot médical, juridique…). C’est rapide, économe et très efficace.

8. Quel est le risque principal si l’IA est entraînée uniquement sur des données biaisées ?

A Elle oublie son objectif

B Elle fonctionne plus vite

C Elle reproduit ou amplifie les injustices existantes

D Elle utilise trop d’électricité

Une IA biaisée peut prendre des décisions injustes: exclusion de candidats, propos discriminants, etc. C’est une vraie question éthique en IA aujourd’hui.

9. Quel outil permet de visualiser la structure d’un modèle d’apprentissage profond ?

A Excel

B Matplotlib

C TensorBoard

D Visual Studio Code

TensorBoard est un outil de visualisation fourni avec TensorFlow qui montre les courbes de performance, le graphe du réseau, etc. Super pratique pour comprendre et débugger.

10. Que signifie “GPT” dans ChatGPT ?

A General Performance Training

B Giant Predictive Transformer

C Generative Pretrained Transformer

D Global Prompted Talker

GPT = Generative Pretrained Transformer: un modèle qui a été préentraîné sur beaucoup de textes, puis utilisé pour générer du contenu avec une architecture Transformer.

QCMs qui pourraient vous intéresser :

1. Quelle est l’utilité d’un “batch” pendant l’entraînement ?

2. Quel est le rôle de la fonction “softmax” en sortie d’un modèle de classification ?

3. Qu’est-ce qu’un “modèle linéaire” en apprentissage automatique ?

4. Que permet de faire une fonction de perte comme “MSE” (Mean Squared Error) ?

5. Dans un réseau de neurones, qu’est-ce qu’une “couche cachée” ?

6. Quelle est la principale source de données pour entraîner ChatGPT ?

7. Que signifie “fine-tuning” d’un modèle IA ?

8. Quel est le risque principal si l’IA est entraînée uniquement sur des données biaisées ?

9. Quel outil permet de visualiser la structure d’un modèle d’apprentissage profond ?

10. Que signifie “GPT” dans ChatGPT ?

Vous pourrez aussi aimer

QCM Intelligence Artificielle Corrigé – Partie 1

QCM Intelligence Artificielle Corrigé – Partie 8

QCM Intelligence Artificielle Corrigé – Partie 17

Laisser un commentaire Annuler la réponse