Lycée · Terminale · Enseignement scientifique
Données et algorithmes
Du recueil des données numériques aux algorithmes d'apprentissage : comment l'exploitation des données fonde l'intelligence artificielle — thème « Une histoire du vivant : les entreprises et l'intelligence artificielle » (programme d'enseignement scientifique de Tle générale)
À propos de cette page
Choisis ton niveau. Questions et réponses mélangées à chaque partie. Bonne chance !
Les 36 questions du QCM en version texte
Pour réviser sans écran ou imprimer : chaque question avec ses propositions ; la bonne réponse et son explication se déplient.
Niveau facile — 12 questions
Sous quelle forme une donnée est-elle codée dans un ordinateur ?
- A. En lettres de l'alphabet
- B. En binaire (0 et 1)
- C. En chiffres romains
- D. En hexagones
Réponse
B. En binaire (0 et 1) — Toute donnée numérique est codée in fine en binaire, sous forme de bits (0 et 1).
Comment appelle-t-on une donnée qui décrit une autre donnée (date, lieu, format) ?
- A. Une métadonnée
- B. Une mégadonnée
- C. Une variable
- D. Un algorithme
Réponse
A. Une métadonnée — Une métadonnée est une donnée qui décrit la donnée (auteur, date, format, lieu…).
Que désigne le terme « big data » (mégadonnées) ?
- A. Un type de processeur
- B. Des ensembles de données très volumineux, variés et produits rapidement
- C. Un langage de programmation
- D. Un réseau social
Réponse
B. Des ensembles de données très volumineux, variés et produits rapidement — Le big data se caractérise par le Volume, la Vélocité et la Variété des données.
Combien d'octets y a-t-il environ dans un kilooctet ?
- A. 10
- B. 100
- C. 1000
- D. 1 000 000
Réponse
C. 1000 — On passe d'une unité de stockage à la suivante en multipliant par 1000 (≈ 10³).
Qu'est-ce qu'un algorithme ?
- A. Une machine électronique
- B. Une suite finie et ordonnée d'instructions résolvant un problème
- C. Un fichier de données
- D. Un réseau de capteurs
Réponse
B. Une suite finie et ordonnée d'instructions résolvant un problème — Un algorithme est une suite finie d'instructions transformant des entrées en un résultat.
Que produit un algorithme à partir de ses données d'entrée ?
- A. Un résultat de sortie
- B. De nouvelles données aléatoires
- C. Une métadonnée uniquement
- D. Un disque dur
Réponse
A. Un résultat de sortie — Un algorithme transforme des données d'entrée en un résultat de sortie.
L'apprentissage automatique (machine learning) est une branche de :
- A. La biologie
- B. L'intelligence artificielle
- C. La chimie organique
- D. La géologie
Réponse
B. L'intelligence artificielle — L'apprentissage automatique est une branche de l'intelligence artificielle.
En apprentissage supervisé, les données fournies au modèle sont :
- A. Sans aucune information
- B. Déjà étiquetées (associées à la bonne réponse)
- C. Toujours fausses
- D. Uniquement des images
Réponse
B. Déjà étiquetées (associées à la bonne réponse) — En apprentissage supervisé, chaque exemple est associé à son étiquette (la bonne réponse).
Qu'analyse principalement un système de recommandation ?
- A. La météo
- B. Les données de l'utilisateur (historique, clics, achats)
- C. La vitesse du processeur
- D. La couleur de l'écran
Réponse
B. Les données de l'utilisateur (historique, clics, achats) — Il exploite les données d'usage pour prédire les contenus susceptibles d'intéresser l'utilisateur.
En Europe, quel règlement encadre la protection des données personnelles ?
- A. Le RGPD
- B. Le code de la route
- C. Le big data
- D. Le binaire
Réponse
A. Le RGPD — Le RGPD (Règlement général sur la protection des données) encadre l'usage des données personnelles.
Un programme est :
- A. La traduction d'un algorithme dans un langage compréhensible par l'ordinateur
- B. Un synonyme de métadonnée
- C. Un type de capteur
- D. Une unité de stockage
Réponse
A. La traduction d'un algorithme dans un langage compréhensible par l'ordinateur — Le programme est la mise en œuvre d'un algorithme dans un langage informatique.
De quoi dépend surtout la performance d'un modèle d'apprentissage ?
- A. De la couleur de l'interface
- B. De la quantité et de la qualité des données d'entraînement
- C. Du nombre d'écrans
- D. De la marque de l'ordinateur
Réponse
B. De la quantité et de la qualité des données d'entraînement — Plus les données d'entraînement sont nombreuses, variées et de qualité, plus le modèle est performant.
Niveau moyen — 12 questions
Quelles sont les « 3 V » qui caractérisent le big data ?
- A. Vitesse, Volonté, Valeur
- B. Volume, Vélocité, Variété
- C. Vidéo, Voix, Vision
- D. Variable, Vecteur, Valeur
Réponse
B. Volume, Vélocité, Variété — Le big data se définit par le Volume, la Vélocité (vitesse de production) et la Variété des données.
Combien de mégaoctets représente 1 téraoctet ?
- A. 1000 Mo
- B. 1 000 000 Mo
- C. 100 Mo
- D. 10 Mo
Réponse
B. 1 000 000 Mo — 1 To = 1000 Go = 1 000 000 Mo (× 1000 à chaque palier).
Pour chercher dans une liste triée, la recherche dichotomique demande environ :
- A. $n$ comparaisons
- B. $n^2$ comparaisons
- C. $\log_2(n)$ comparaisons
- D. $2^n$ comparaisons
Réponse
C. $\log_2(n)$ comparaisons — La dichotomie divise la liste en deux à chaque étape : environ $\log_2(n)$ comparaisons.
Qu'évalue la complexité d'un algorithme ?
- A. Sa couleur
- B. La quantité de ressources (temps, mémoire) selon la taille des données
- C. Le nombre de lignes de code uniquement
- D. La langue de programmation
Réponse
B. La quantité de ressources (temps, mémoire) selon la taille des données — La complexité mesure le coût (opérations, mémoire) en fonction de la taille n des données.
Pourquoi le big data favorise-t-il l'essor de l'apprentissage automatique ?
- A. Parce qu'il ralentit les ordinateurs
- B. Parce que de grandes quantités d'exemples améliorent l'entraînement des modèles
- C. Parce qu'il supprime les algorithmes
- D. Parce qu'il code en hexadécimal
Réponse
B. Parce que de grandes quantités d'exemples améliorent l'entraînement des modèles — Plus on dispose d'exemples, plus les modèles d'apprentissage peuvent être performants.
En apprentissage non supervisé, on cherche surtout à :
- A. Fournir la bonne réponse à chaque exemple
- B. Regrouper des données sans étiquette en catégories similaires
- C. Trier une liste de nombres
- D. Convertir des octets en bits
Réponse
B. Regrouper des données sans étiquette en catégories similaires — Sans étiquettes, l'objectif est souvent de regrouper (clustering) les données par similarité.
Le « filtrage collaboratif » d'un système de recommandation consiste à :
- A. Bloquer les courriels indésirables
- B. Recommander à un utilisateur ce qu'ont aimé des utilisateurs au profil proche
- C. Trier les fichiers par taille
- D. Chiffrer les données personnelles
Réponse
B. Recommander à un utilisateur ce qu'ont aimé des utilisateurs au profil proche — Le filtrage collaboratif s'appuie sur les goûts d'utilisateurs similaires pour recommander des contenus.
Qu'est-ce qu'un biais des données d'entraînement ?
- A. Une erreur de stockage du disque
- B. Un déséquilibre ou préjugé dans les données qui fausse les prédictions du modèle
- C. Un type de métadonnée
- D. Une unité de mesure
Réponse
B. Un déséquilibre ou préjugé dans les données qui fausse les prédictions du modèle — Si les données reflètent un préjugé, le modèle l'apprend et le reproduit dans ses décisions.
Pourquoi dit-on qu'un algorithme « n'est jamais neutre » ?
- A. Parce qu'il consomme de l'électricité
- B. Parce que ses résultats dépendent des données et des choix de conception
- C. Parce qu'il est toujours faux
- D. Parce qu'il fonctionne au hasard
Réponse
B. Parce que ses résultats dépendent des données et des choix de conception — Les résultats reflètent les données d'entraînement et les choix des concepteurs : aucune neutralité absolue.
Que désigne une « bulle de filtre » ?
- A. Un défaut de l'écran
- B. L'enfermement de l'utilisateur dans des contenus conformes à ses goûts et opinions
- C. Une panne de serveur
- D. Un type d'octet
Réponse
B. L'enfermement de l'utilisateur dans des contenus conformes à ses goûts et opinions — Les recommandations personnalisées tendent à n'exposer qu'à des contenus déjà conformes au profil.
Pourquoi l'optimisation des algorithmes a-t-elle un enjeu environnemental ?
- A. Parce que les algorithmes polluent les océans
- B. Parce que les calculs et le stockage de données consomment beaucoup d'énergie
- C. Parce qu'ils émettent du CO₂ par les écrans
- D. Parce qu'ils fabriquent des déchets plastiques
Réponse
B. Parce que les calculs et le stockage de données consomment beaucoup d'énergie — Centres de données et entraînements de modèles sont énergivores : des algorithmes efficaces réduisent la consommation.
Dans la phase d'utilisation, un modèle entraîné traite :
- A. Uniquement ses données d'entraînement
- B. De nouvelles données jamais vues
- C. Des données effacées
- D. Aucune donnée
Réponse
B. De nouvelles données jamais vues — Après entraînement, le modèle généralise et traite des données inédites.
Niveau difficile — 12 questions
Une recherche séquentielle dans 1 000 000 d'éléments demande au pire ~1 000 000 d'opérations. Combien la dichotomie en demande-t-elle environ (sachant $2^{20} \approx 10^6$) ?
- A. Environ 20
- B. Environ 1000
- C. Environ 500 000
- D. Environ 1 000 000
Réponse
A. Environ 20 — $\log_2(10^6) \approx 20$ : la dichotomie ne demande qu'une vingtaine de comparaisons.
Pourquoi un modèle supervisé très performant à l'entraînement peut-il échouer sur de nouvelles données ?
- A. Parce que l'ordinateur s'éteint
- B. Parce que les données d'entraînement n'étaient pas représentatives des cas réels
- C. Parce que le binaire change
- D. Parce que les métadonnées sont supprimées
Réponse
B. Parce que les données d'entraînement n'étaient pas représentatives des cas réels — Si les exemples d'entraînement ne couvrent pas la diversité réelle, le modèle généralise mal (manque de représentativité).
Un algorithme de tri de CV reproduit une discrimination passée. Quel raisonnement l'explique le mieux ?
- A. L'algorithme a un avis personnel
- B. Le modèle a appris sur des données historiques biaisées et reproduit ce biais
- C. Le hasard a décidé
- D. Le RGPD impose la discrimination
Réponse
B. Le modèle a appris sur des données historiques biaisées et reproduit ce biais — Le modèle apprend les régularités des données ; si elles sont biaisées, il les reproduit voire les amplifie.
Pourquoi qualifie-t-on certains modèles d'apprentissage de « boîtes noires » ?
- A. Parce qu'ils sont peints en noir
- B. Parce qu'il est difficile d'expliquer comment ils parviennent à leurs décisions
- C. Parce qu'ils ne contiennent pas de données
- D. Parce qu'ils fonctionnent sans électricité
Réponse
B. Parce qu'il est difficile d'expliquer comment ils parviennent à leurs décisions — La complexité interne du modèle rend ses décisions peu transparentes et difficiles à interpréter.
La courbe de précision d'un modèle augmente avec le nombre d'exemples puis « plafonne ». Comment l'interpréter ?
- A. Le modèle devient infini
- B. Au-delà d'un certain volume, ajouter des données améliore peu la performance
- C. Le modèle oublie tout
- D. La complexité disparaît
Réponse
B. Au-delà d'un certain volume, ajouter des données améliore peu la performance — La performance croît fortement au début puis sature : le gain marginal de chaque exemple supplémentaire diminue.
En quoi un système de recommandation peut-il réduire la diversité de l'information reçue ?
- A. Il augmente le volume de données stockées
- B. Il enferme l'utilisateur dans une bulle de filtre conforme à ses goûts
- C. Il efface l'historique
- D. Il chiffre les contenus
Réponse
B. Il enferme l'utilisateur dans une bulle de filtre conforme à ses goûts — En ne proposant que des contenus proches du profil, il limite l'exposition à des points de vue différents.
Pourquoi la quantité de données ne suffit-elle pas à garantir un bon modèle ?
- A. Parce qu'il faut aussi des données de qualité et représentatives, sans biais
- B. Parce que trop de données effacent l'algorithme
- C. Parce que le binaire devient instable
- D. Parce que le RGPD l'interdit
Réponse
A. Parce qu'il faut aussi des données de qualité et représentatives, sans biais — Des données nombreuses mais biaisées ou de mauvaise qualité conduisent à des prédictions erronées.
Une entreprise propose un service « gratuit » financé par la publicité ciblée. Quel est le véritable échange ?
- A. L'utilisateur paie en données personnelles, exploitées pour le ciblage
- B. Le service ne récolte rien
- C. L'entreprise perd de l'argent sans contrepartie
- D. L'utilisateur reçoit des octets gratuits
Réponse
A. L'utilisateur paie en données personnelles, exploitées pour le ciblage — « Si c'est gratuit, c'est vous le produit » : la valeur réside dans les données personnelles collectées.
Quel est le rôle d'une supervision humaine sur une décision algorithmique sensible (santé, justice, emploi) ?
- A. Accélérer le calcul
- B. Contrôler, expliquer et corriger d'éventuels biais ou erreurs du modèle
- C. Augmenter le volume de données
- D. Remplacer le RGPD
Réponse
B. Contrôler, expliquer et corriger d'éventuels biais ou erreurs du modèle — La supervision humaine garantit transparence, responsabilité et correction des biais sur des décisions à fort enjeu.
Pourquoi le choix de l'algorithme devient-il critique à l'ère du big data ?
- A. Parce que le volume de données rend coûteux tout algorithme inefficace
- B. Parce que les données disparaissent
- C. Parce que la dichotomie ne marche plus
- D. Parce que les octets changent de taille
Réponse
A. Parce que le volume de données rend coûteux tout algorithme inefficace — Sur de très grands volumes, un algorithme à forte complexité devient inutilisable : l'efficacité est décisive.
Un modèle apprend à reconnaître des animaux mais n'a vu que des chats sur fond vert ; il classe mal un chat sur fond rouge. Quel problème illustre-t-il ?
- A. Un défaut de stockage
- B. Un biais lié à des données d'entraînement non représentatives (corrélation parasite)
- C. Une panne de l'algorithme de tri
- D. Une erreur de conversion d'unités
Réponse
B. Un biais lié à des données d'entraînement non représentatives (corrélation parasite) — Le modèle a appris une corrélation parasite (le fond vert) plutôt que la vraie caractéristique : données peu variées.
En quoi le couple données–algorithmes a-t-il transformé le modèle économique de nombreuses entreprises ?
- A. Il a supprimé toute publicité
- B. Les données personnelles sont devenues une ressource économique centrale (ciblage, recommandation)
- C. Il a rendu Internet payant pour tous
- D. Il a remplacé la monnaie
Réponse
B. Les données personnelles sont devenues une ressource économique centrale (ciblage, recommandation) — La collecte et l'exploitation des données fondent la publicité ciblée et les recommandations, au cœur de la valeur.
Cours particuliers de enseignement scientifique à Marseille, en présentiel ou à distance — un prof qui s'adapte à ton rythme et reprend ce qui coince.
Soutien scolaire à Marseille · Cours particuliers au lycée · Aide aux devoirs