Lycée · Terminale · Enseignement scientifique
L'intelligence artificielle
Apprentissage automatique, réseaux de neurones et enjeux de l'IA (programme de Tle, thème « Les entreprises et l'intelligence artificielle »).
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
L'intelligence artificielle désigne :
- A. Une machine dotée de conscience
- B. Des techniques permettant à une machine d'accomplir des tâches « intelligentes »
- C. Un robot humanoïde uniquement
- D. Un super-ordinateur
Réponse
B. Des techniques permettant à une machine d'accomplir des tâches « intelligentes » — L'IA regroupe les méthodes faisant accomplir par une machine des tâches associées à l'intelligence humaine.
L'IA actuelle est qualifiée d'IA :
- A. Forte (intelligence générale)
- B. Faible (spécialisée sur une tâche)
- C. Consciente
- D. Universelle
Réponse
B. Faible (spécialisée sur une tâche) — Les IA actuelles sont « faibles » : performantes sur une tâche précise, sans conscience ni compréhension générale.
Dans l'IA symbolique, le comportement de la machine provient :
- A. De données d'entraînement
- B. De règles écrites explicitement par des humains
- C. Du hasard
- D. De réseaux de neurones
Réponse
B. De règles écrites explicitement par des humains — L'IA symbolique repose sur des règles logiques « si… alors… » formulées par des experts.
Le machine learning consiste à :
- A. Écrire toutes les règles à la main
- B. Apprendre automatiquement à partir de données
- C. Brancher des capteurs
- D. Augmenter la fréquence du processeur
Réponse
B. Apprendre automatiquement à partir de données — En apprentissage automatique, l'algorithme apprend à partir d'exemples au lieu d'être programmé règle par règle.
En apprentissage supervisé, les exemples fournis sont :
- A. Sans aucune information
- B. Étiquetés (entrée + bonne réponse)
- C. Toujours faux
- D. Choisis au hasard sans réponse
Réponse
B. Étiquetés (entrée + bonne réponse) — L'apprentissage supervisé utilise des couples (entrée, réponse correcte) pour entraîner le modèle.
Le jeu de données servant à mesurer la performance réelle d'un modèle est :
- A. Le jeu d'entraînement
- B. Le jeu de test
- C. Le jeu de poids
- D. Le jeu de règles
Réponse
B. Le jeu de test — Le jeu de test, composé de données jamais vues, mesure la capacité de généralisation du modèle.
Un neurone artificiel calcule d'abord :
- A. Une somme pondérée de ses entrées
- B. La racine carrée du résultat
- C. La moyenne des sorties
- D. Le nombre de pixels
Réponse
A. Une somme pondérée de ses entrées — Le neurone pondère ses entrées par des poids et en fait la somme avant d'appliquer une fonction d'activation.
Apprendre, pour un réseau de neurones, c'est :
- A. Ajouter des couches au hasard
- B. Ajuster automatiquement les poids des connexions
- C. Changer d'ordinateur
- D. Effacer les données
Réponse
B. Ajuster automatiquement les poids des connexions — L'apprentissage ajuste les poids des connexions pour réduire l'erreur du réseau.
L'apprentissage profond (deep learning) utilise :
- A. Une seule règle
- B. Des réseaux à de nombreuses couches
- C. Aucune donnée
- D. Un tableur
Réponse
B. Des réseaux à de nombreuses couches — Le deep learning repose sur des réseaux de neurones comportant de nombreuses couches cachées.
Une IA par apprentissage a surtout besoin de :
- A. Beaucoup de données d'entraînement
- B. Aucune donnée
- C. Un clavier
- D. Une imprimante
Réponse
A. Beaucoup de données d'entraînement — La performance d'une IA par apprentissage dépend directement de ses données d'entraînement.
Un biais d'une IA est :
- A. Une panne matérielle
- B. Une erreur systématique défavorisant certaines situations
- C. Un virus
- D. Un mot de passe
Réponse
B. Une erreur systématique défavorisant certaines situations — Un biais est une erreur systématique, souvent issue de données d'entraînement non représentatives.
En quelle décennie l'IA a-t-elle connu un essor spectaculaire grâce au big data et aux GPU ?
- A. Années 1950
- B. Années 1980
- C. Années 2010
- D. Années 1920
Réponse
C. Années 2010 — Depuis les années 2010, l'IA progresse fortement grâce aux données massives, à la puissance de calcul et aux algorithmes.
Niveau moyen — 12 questions
Pour reconnaître un chat sur une photo, l'approche la plus adaptée est :
- A. L'IA symbolique (règles écrites)
- B. L'IA par apprentissage (exemples étiquetés)
- C. Un tableur
- D. Aucune IA
Réponse
B. L'IA par apprentissage (exemples étiquetés) — Impossible d'écrire toutes les règles décrivant un chat : on entraîne le modèle sur des images étiquetées.
L'apprentissage non supervisé se caractérise par :
- A. Des données étiquetées
- B. Des données non étiquetées que l'algorithme regroupe lui-même
- C. Des récompenses
- D. Des règles écrites
Réponse
B. Des données non étiquetées que l'algorithme regroupe lui-même — En non supervisé, les données n'ont pas d'étiquette ; l'algorithme cherche seul des regroupements (clustering).
L'apprentissage par renforcement repose sur :
- A. Des exemples étiquetés
- B. Un système d'essais-erreurs avec récompenses
- C. Aucun retour
- D. Des règles fixes
Réponse
B. Un système d'essais-erreurs avec récompenses — L'agent apprend par essais-erreurs en maximisant les récompenses reçues (jeux, robotique).
Le surapprentissage (overfitting) se manifeste quand :
- A. L'erreur de test et d'entraînement baissent ensemble
- B. Le modèle excelle sur l'entraînement mais échoue sur des données nouvelles
- C. Le modèle n'apprend rien
- D. Les données sont parfaites
Réponse
B. Le modèle excelle sur l'entraînement mais échoue sur des données nouvelles — En surapprentissage, le modèle mémorise les exemples et ne généralise plus : bon à l'entraînement, mauvais au test.
On sépare entraînement et test afin de :
- A. Gagner du temps de calcul
- B. Mesurer la généralisation sur des données jamais vues
- C. Réduire le nombre de poids
- D. Supprimer les biais
Réponse
B. Mesurer la généralisation sur des données jamais vues — Le jeu de test, indépendant, évalue la performance réelle sur des données inédites.
Dans un neurone, les poids servent à :
- A. Stocker les images
- B. Quantifier l'importance de chaque entrée
- C. Refroidir le processeur
- D. Compter les couches
Réponse
B. Quantifier l'importance de chaque entrée — Chaque poids pondère une entrée : il mesure son influence sur la sortie du neurone.
À méthode fixée, augmenter la taille du jeu de données :
- A. Dégrade toujours la performance
- B. Améliore la performance, avec des gains décroissants
- C. N'a aucun effet
- D. Supprime le surapprentissage à coup sûr
Réponse
B. Améliore la performance, avec des gains décroissants — La performance croît avec les données, mais avec des rendements décroissants (la courbe s'aplatit).
« Garbage in, garbage out » signifie que :
- A. Les ordinateurs sont sales
- B. Des données de mauvaise qualité produisent un modèle de mauvaise qualité
- C. Il faut jeter les données
- D. L'IA est toujours fiable
Réponse
B. Des données de mauvaise qualité produisent un modèle de mauvaise qualité — Si les données d'entraînement sont biaisées ou de mauvaise qualité, le modèle obtenu l'est aussi.
Pourquoi un grand réseau de neurones est-il une « boîte noire » ?
- A. Il est de couleur noire
- B. On peine à expliquer pourquoi il produit telle réponse
- C. Il fonctionne sans électricité
- D. Il n'a pas de poids
Réponse
B. On peine à expliquer pourquoi il produit telle réponse — Ses millions de poids appris rendent son raisonnement interne difficile à interpréter (explicabilité limitée).
Annoter (étiqueter) un jeu de données consiste à :
- A. Le compresser
- B. Associer à chaque exemple sa réponse correcte
- C. Le supprimer
- D. Le crypter
Réponse
B. Associer à chaque exemple sa réponse correcte — L'annotation fournit l'étiquette de chaque exemple ; c'est une étape coûteuse de l'apprentissage supervisé.
Une cause fréquente de biais d'une IA est :
- A. Un jeu de données non représentatif
- B. Un écran trop petit
- C. Une connexion lente
- D. Un clavier défectueux
Réponse
A. Un jeu de données non représentatif — Un jeu de données déséquilibré ou porteur de préjugés conduit le modèle à des erreurs systématiques.
Le RGPD est, en Europe, le cadre qui protège :
- A. Les brevets industriels
- B. Les données personnelles
- C. Les marques commerciales
- D. Les logiciels libres
Réponse
B. Les données personnelles — Le RGPD encadre la collecte et l'usage des données personnelles, un enjeu majeur de l'IA.
Niveau difficile — 12 questions
Un neurone a pour poids $w_1=1$, $w_2=-2$ et biais $b=1$. Pour $x_1=3$, $x_2=1$, la somme pondérée $s$ vaut :
- A. 2
- B. 0
- C. 6
- D. -2
Réponse
A. 2 — $s = 1\times3 + (-2)\times1 + 1 = 3 - 2 + 1 = 2$.
Ce même neurone renvoie 1 si $s>0$, sinon 0. Avec $s=2$, sa sortie est :
- A. 0
- B. 1
- C. 2
- D. -1
Réponse
B. 1 — Comme $s=2>0$, la sortie vaut 1.
Un modèle atteint 99 % de réussite à l'entraînement mais 70 % au test. On en déduit :
- A. Qu'il généralise parfaitement
- B. Qu'il est en surapprentissage
- C. Qu'il manque de poids
- D. Que le test est inutile
Réponse
B. Qu'il est en surapprentissage — Un grand écart entraînement/test au détriment du test signale un surapprentissage.
Pourquoi une IA n'est-elle pas « neutre » par nature ?
- A. Car c'est une machine
- B. Car elle reflète les biais de ses données d'entraînement
- C. Car elle n'a pas d'électricité
- D. Car elle est lente
Réponse
B. Car elle reflète les biais de ses données d'entraînement — L'IA apprend les régularités de ses données : si elles sont biaisées, le modèle l'est aussi.
Passer de 100 000 à 1 000 000 d'exemples fait gagner 5 points de précision, mais de 1 000 000 à 10 000 000 seulement 2 points. Ce phénomène s'appelle :
- A. Le surapprentissage
- B. Les rendements décroissants
- C. Un biais
- D. La généralisation
Réponse
B. Les rendements décroissants — Chaque ajout de données rapporte de moins en moins : c'est l'effet de rendements décroissants.
Dans le recrutement, une IA entraînée sur des données historiques discriminatoires va :
- A. Corriger spontanément la discrimination
- B. Reproduire, voire amplifier, la discrimination passée
- C. Devenir neutre
- D. Refuser de fonctionner
Réponse
B. Reproduire, voire amplifier, la discrimination passée — L'IA apprend les régularités passées : un historique biaisé produit un modèle biaisé.
L'enjeu d'« explicabilité » d'une IA renvoie à la difficulté de :
- A. L'allumer
- B. Comprendre et justifier ses décisions
- C. La connecter à Internet
- D. La refroidir
Réponse
B. Comprendre et justifier ses décisions — L'explicabilité est la capacité à expliquer pourquoi un modèle (souvent « boîte noire ») produit telle décision.
Quel facteur N'A PAS contribué à l'essor récent de l'IA ?
- A. L'explosion des données (big data)
- B. La puissance de calcul (GPU)
- C. Le progrès des algorithmes d'apprentissage
- D. La disparition des données numériques
Réponse
D. La disparition des données numériques — L'essor récent vient au contraire de l'abondance de données, de la puissance de calcul et des progrès algorithmiques.
Pour réduire le biais d'une IA de recrutement, la mesure la plus pertinente est :
- A. Augmenter la fréquence du processeur
- B. Rééquilibrer et auditer le jeu de données
- C. Cacher les résultats
- D. Supprimer le jeu de test
Réponse
B. Rééquilibrer et auditer le jeu de données — Agir sur la représentativité des données et auditer le modèle sont les leviers efficaces contre les biais.
L'entraînement des très grands modèles d'IA pose notamment un problème :
- A. De couleur d'écran
- B. De coût énergétique et environnemental
- C. De typographie
- D. De vocabulaire
Réponse
B. De coût énergétique et environnemental — L'entraînement des grands modèles consomme énormément d'énergie : c'est un enjeu environnemental réel.
Une corrélation apprise par une IA entre deux variables :
- A. Prouve toujours une relation de cause à effet
- B. N'implique pas nécessairement une causalité
- C. Est toujours fausse
- D. Remplace tout raisonnement
Réponse
B. N'implique pas nécessairement une causalité — L'IA capte des corrélations dans les données ; une corrélation n'établit pas à elle seule une causalité.
En cas d'erreur d'une voiture autonome, la question soulevée est surtout celle :
- A. De la couleur du véhicule
- B. De la responsabilité (qui est responsable ?)
- C. Du nombre de roues
- D. De la marque des pneus
Réponse
B. De la responsabilité (qui est responsable ?) — L'IA pose des questions de responsabilité : déterminer qui répond d'une décision automatisée erronée.
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