Révisez le thème Intelligence artificielle : voici une sélection de questions de tous niveaux, avec la réponse et une explication. Pour vous tester sans voir les réponses, jouez aux quiz.
Jouer aux quiz Intelligence artificielleRéponse : Des techniques qui permettent à une machine d'accomplir des tâches demandant de l'intelligence
L'IA regroupe des techniques qui font réaliser à une machine des tâches demandant normalement de l'intelligence, comme comprendre une phrase ou reconnaître un visage.
Réponse : Siri
Siri, l'assistant vocal d'Apple, comprend une demande orale et y répond. Excel, Photoshop et Git ne sont pas des assistants vocaux.
Réponse : Un programme qui dialogue avec un utilisateur en langage naturel
Un chatbot est un programme qui échange avec une personne en langage naturel, par écrit ou à l'oral. Les autres propositions décrivent d'autres objets informatiques.
Réponse : 1950
Dans son article « Computing Machinery and Intelligence », publié en 1950, Alan Turing propose le jeu de l'imitation, devenu le test de Turing : un juge doit distinguer un humain d'une machine à partir de conversations écrites.
Réponse : John McCarthy
John McCarthy, l'un des organisateurs de la conférence de Dartmouth en 1956, est crédité d'avoir proposé l'expression « intelligence artificielle ».
Réponse : 1997
Deep Blue, développé par IBM, remporte en mai 1997 le match contre Garry Kasparov, champion du monde en titre, par 3,5 à 2,5.
Réponse : Jeopardy
Watson, développé par IBM, bat en 2011 deux anciens champions humains du jeu Jeopardy, diffusé aux États-Unis.
Réponse : Le go
AlphaGo gagne 4 parties à 1 contre Lee Sedol en mars 2016, au jeu de go.
Réponse : Une étiquette, c'est-à-dire la réponse attendue
En apprentissage supervisé, chaque exemple est associé à une étiquette, par exemple « chat » ou « chien » pour une photo, que le modèle apprend à prédire.
Réponse : Repérer des regroupements ou une structure cachée dans les données, sans étiquette
Sans étiquettes, le modèle cherche par lui-même des groupes d'exemples proches, par exemple des clients aux habitudes d'achat similaires.
Réponse : Une récompense obtenue après chacune de ses actions
L'agent apprend par essais et erreurs : il cherche à maximiser la récompense cumulée que lui rapportent ses actions dans un environnement.
Réponse : La régression
Une régression prédit une valeur numérique continue, comme un prix ou une température, à partir d'exemples dont la valeur est connue.
Réponse : La classification
La classification attribue une catégorie parmi plusieurs possibles, ici « spam » ou « non spam », à partir d'exemples déjà étiquetés.
Réponse : Pour évaluer le modèle sur des données qu'il n'a jamais vues pendant l'entraînement
Un modèle peut sembler très bon sur les données qu'il a apprises. Seul un jeu de test, tenu à l'écart, permet de mesurer sa performance sur de nouveaux cas.
Réponse : Un modèle qui colle trop aux données d'entraînement et généralise mal à de nouvelles données
Le surapprentissage apparaît quand le modèle mémorise les particularités de son jeu d'entraînement, bruit compris, au lieu de repérer des régularités générales.
Réponse : Le neurone artificiel
Un réseau de neurones artificiels est formé de neurones reliés entre eux et organisés en couches. Chaque neurone calcule une somme pondérée de ses entrées.
Réponse : Le texte d'instructions ou de question envoyé au modèle pour obtenir une réponse
Le prompt est l'entrée que l'utilisateur donne au modèle : question, consigne ou exemple. La qualité de la réponse dépend beaucoup de sa formulation.
Réponse : Une unité de texte, souvent un mot, une partie de mot ou un signe de ponctuation
Le texte est découpé en tokens avant d'être traité par le modèle. Un token peut être un mot entier, un fragment de mot ou un signe de ponctuation.
Réponse : La quantité maximale de texte, en tokens, que le modèle peut traiter en une seule requête
La fenêtre de contexte limite ce que le modèle peut prendre en compte d'un coup : au-delà, les passages les plus anciens ne sont plus visibles pour lui.
Réponse : Une réponse fausse ou inventée, présentée avec assurance comme si elle était exacte
Un LLM produit un texte plausible sans vérifier les faits. Il peut ainsi inventer une source, une date ou une citation, d'où l'intérêt de vérifier ses réponses.
Réponse : Llama
Llama est une famille de grands modèles de langage développée par Meta. Gemini est conçu par Google, Claude par Anthropic et GPT par OpenAI.
Réponse : Attention Is All You Need
Publié en 2017, l'article « Attention Is All You Need » introduit le Transformer, une architecture fondée sur le mécanisme d'attention, base de la plupart des grands modèles de langage.
Réponse : Poursuivre son entraînement sur un jeu de données ciblé pour l'adapter à une tâche
Le fine-tuning spécialise un modèle déjà entraîné en ajustant ses poids sur des exemples propres à un domaine ou à un style de réponse.
Réponse : Une représentation numérique, sous forme de vecteur, qui capture le sens d'un contenu
Des textes au sens proche ont des embeddings proches, ce qui permet de rechercher des documents par similarité plutôt que par mots identiques.
Réponse : Les hivers de l'IA
Les hivers de l'IA désignent les périodes, notamment dans les années 1970 et à la fin des années 1980, où des promesses déçues ont fait chuter les financements.
Réponse : Frank Rosenblatt
Frank Rosenblatt présente en 1958 le perceptron, un modèle à une seule couche de neurones qui apprend à classer des entrées en ajustant ses poids.
Réponse : AlexNet
AlexNet, entraîné sur des processeurs graphiques, réduit fortement le taux d'erreur du concours ImageNet en 2012 : c'est un tournant pour l'apprentissage profond.
Réponse : Geoffrey Hinton, Yann LeCun et Yoshua Bengio
L'ACM attribue en 2018 le prix Turing, souvent présenté comme le prix Nobel de l'informatique, à ces trois pionniers des réseaux de neurones profonds.
Réponse : La capacité à expliquer à un humain les raisons d'une décision produite par le modèle
L'explicabilité (XAI) vise à rendre compréhensibles les décisions d'un modèle, nécessaire quand une décision touche une personne, comme un refus de crédit.
Réponse : Modifier les poids à petits pas pour réduire la fonction de perte
Le modèle ajuste ses poids dans le sens qui fait diminuer l'erreur mesurée par la fonction de perte, en répétant ce pas sur de nombreux exemples.
Réponse : La rétropropagation du gradient
La rétropropagation applique la règle de dérivation des fonctions composées couche après couche, de la sortie vers l'entrée, pour fournir ces gradients à la descente de gradient.
Réponse : Les réseaux convolutifs (CNN)
Les filtres détectent des motifs locaux, comme des bords ou des textures, puis les combinent couche après couche. Cette approche est au cœur de la vision par ordinateur.
Jouer aux quiz Intelligence artificielle