QCM Intelligence Artificielle Corrigé – Partie 18

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. Qu’est-ce qu’un “filtre” dans un réseau de neurones convolutionnel (CNN) ?

A Un antivirus

B Une technique pour ralentir l’IA

C Une couche de suppression de bruit

D Une matrice qui détecte des motifs visuels (bords, textures…) dans une image

Un filtre dans un CNN “scanne” une image pour y détecter des formes simples : bords, coins, motifs. Ces éléments sont ensuite combinés dans les couches suivantes pour reconnaître des objets complexes.

2. À quoi sert une courbe ROC ?

A À afficher l’évolution du CPU

B À mesurer la performance d’un modèle de classification

C À générer du texte automatiquement

D À identifier des visages

La courbe ROC (Receiver Operating Characteristic) permet de visualiser la capacité d’un modèle à distinguer les classes. Elle montre le taux de vrais positifs vs faux positifs pour différents seuils.

3. Qu’est-ce qu’un hyperparamètre ?

A Une erreur de calcul

B Un paramètre réglé avant l’entraînement d’un modèle

C Une métrique de performance

D Une valeur que le modèle prédit

Les hyperparamètres sont les valeurs qu’on fixe avant l’apprentissage (par ex. : le taux d’apprentissage, le nombre de couches, la taille du batch…). Ils influencent la qualité de l’entraînement.

4. Que fait un “gradient” lors de l’apprentissage d’un réseau de neurones ?

A Il définit le taux de compression des données

B Il guide l’ajustement des poids en fonction de l’erreur

C Il mesure la température du GPU

D Il ordonne les labels dans le dataset

Le gradient indique dans quelle direction ajuster les poids pour réduire l’erreur (fonction de perte). C’est la base de la descente de gradient, l’algorithme d’apprentissage le plus utilisé.

5. Quelle différence entre un modèle “génératif” et un modèle “discriminatif” ?

A Le génératif prédit une catégorie, le discriminatif crée des données

B Le discriminatif classe, le génératif produit

C Ils sont identiques mais ont des noms différents

D Le génératif supprime les erreurs

Un modèle discriminatif (ex: logistic regression, SVM, ResNet) classe les données
Un modèle génératif (ex: GPT, DALL·E, GANs) crée du contenu à partir de données apprises

6. Pourquoi le “deep learning” a-t-il explosé ces dernières années ?

A Grâce à l’essor des CPU

B Parce que les bases de données sont devenues plus rares

C Grâce à plus de données, plus de puissance de calcul (GPU) et de meilleurs algorithmes

D Parce que c’est obligatoire à l’école

Le deep learning a connu un boom car :

on a beaucoup plus de données (Big Data),
des GPU puissants pour entraîner des modèles complexes,
et de meilleurs algorithmes, notamment les Transformers.

7. Quel est le lien entre IA et cybersécurité ?

A L’IA ne sert à rien dans ce domaine

B L’IA est utilisée uniquement pour chiffrer les emails

C L’IA peut détecter des comportements suspects et anticiper des cyberattaques

D L’IA remplace les pare-feux

En cybersécurité, l’IA peut analyser des milliers d’événements, repérer des anomalies, ou bloquer automatiquement une attaque en détectant des patterns suspects → c’est un allié stratégique.

8. Quel est le rôle d’un “token” dans les modèles de traitement du langage (NLP) ?

A Une image miniature du texte

B Une variable qui mesure la vitesse de lecture

C Une unité de texte (mot, sous-mot ou caractère) utilisée comme entrée pour le modèle

D Un identifiant unique pour les utilisateurs

Un token est une unité de base du texte que le modèle traite : cela peut être un mot, une syllabe ou un caractère, selon la méthode de tokenisation. GPT, par exemple, utilise souvent des sous-mots.

9. À quoi sert l’optimiseur “Adam” dans l’apprentissage d’un modèle ?

A À créer des images plus nettes

B À sauvegarder le modèle

C À ajuster les poids efficacement pour minimiser la perte

D À augmenter la mémoire

Adam est un algorithme d’optimisation qui ajuste les poids du modèle pendant l’apprentissage, en combinant les avantages de deux autres techniques : momentum et RMSprop. Rapide, efficace, souvent utilisé.

10. Qu’est-ce qu’un “dataset déséquilibré” ?

A Un dataset sans titre

B Un dataset avec trop de colonnes

C Un dataset où certaines classes sont très minoritaires par rapport à d’autres

D Un dataset mélangé avec du bruit

Un dataset déséquilibré contient beaucoup plus d’exemples d’une classe que d’une autre. Exemple: 95 % “non malade” vs 5 % “malade”. Problème: un modèle peut prédire “non malade” tout le temps et avoir 95 % de “précision” faussement élevée.

QCMs qui pourraient vous intéresser :

1. Qu’est-ce qu’un “filtre” dans un réseau de neurones convolutionnel (CNN) ?

2. À quoi sert une courbe ROC ?

3. Qu’est-ce qu’un hyperparamètre ?

4. Que fait un “gradient” lors de l’apprentissage d’un réseau de neurones ?

5. Quelle différence entre un modèle “génératif” et un modèle “discriminatif” ?

6. Pourquoi le “deep learning” a-t-il explosé ces dernières années ?

7. Quel est le lien entre IA et cybersécurité ?

8. Quel est le rôle d’un “token” dans les modèles de traitement du langage (NLP) ?

9. À quoi sert l’optimiseur “Adam” dans l’apprentissage d’un modèle ?

10. Qu’est-ce qu’un “dataset déséquilibré” ?

Vous pourrez aussi aimer

QCM Intelligence Artificielle Corrigé – Partie 10

QCM Intelligence Artificielle Corrigé – Partie 3

QCM Intelligence Artificielle Corrigé – Partie 6

Laisser un commentaire Annuler la réponse