# 🟢 Session 2 — Quiz : Comment l'IA apprend-elle ? **Applied AI — Yann Isola · Niveau Débutant** 10 questions · 1 seule bonne réponse par question · Corrigé commenté en fin de document. *Conseil d'animation : en groupe, mode "vote à main levée" ou équipes — c'est plus drôle.* --- **1. Dans l'apprentissage supervisé, que donne-t-on à l'IA pour qu'elle apprenne ?** - A) Des règles écrites à la main par des programmeurs - B) Des exemples accompagnés des bonnes réponses (étiquettes) - C) Des exemples sans aucune indication - D) Des récompenses et des punitions **2. « Trier un sac de bonbons par couleur sans que personne ne vous donne les catégories » est l'analogie de…** - A) L'apprentissage supervisé - B) L'apprentissage par renforcement - C) L'apprentissage non supervisé - D) L'overfitting **3. Une IA joue des millions de parties d'un jeu, gagne des points quand elle réussit, en perd quand elle échoue, et s'améliore. C'est…** - A) L'apprentissage supervisé - B) L'apprentissage non supervisé - C) L'apprentissage par renforcement - D) De la triche **4. Pourquoi dit-on que les données sont le « carburant » de l'IA ?** - A) Parce que les serveurs consomment de l'essence - B) Parce que sans données, une IA ne peut rien apprendre : tout son savoir vient de ses exemples - C) Parce que les données coûtent le même prix que le pétrole - D) Parce que l'IA brûle les données après les avoir lues **5. Votre IA doit reconnaître les chiens, mais vous ne l'avez entraînée QU'avec des photos de labradors. Que risque-t-il de se passer face à un chihuahua ?** - A) Rien, un chien est un chien - B) Elle le reconnaîtra encore mieux, car il est plus petit - C) Elle risque de ne pas le reconnaître : ses données manquaient de diversité - D) Elle refusera de répondre par prudence **6. Quelle est la différence entre l'entraînement et l'utilisation (inférence) d'une IA ?** - A) Aucune, c'est le même processus - B) L'entraînement est long et coûteux (l'IA apprend) ; l'utilisation est rapide (l'IA applique ce qu'elle sait) - C) L'utilisation est plus longue que l'entraînement - D) L'entraînement se fait après l'utilisation **7. Un neurone artificiel, c'est avant tout…** - A) Une copie exacte d'un neurone du cerveau humain - B) Une puce électronique vivante - C) Un petit calculateur qui reçoit des signaux, leur donne plus ou moins d'importance (poids), et envoie un signal à son tour - D) Un programme qui stocke des souvenirs **8. Dans un réseau de neurones, « apprendre » signifie essentiellement…** - A) Ajouter de nouveaux neurones à chaque bonne réponse - B) Ajuster petit à petit les poids (l'importance des connexions) pour réduire les erreurs - C) Recopier les données dans une grande mémoire - D) Augmenter la vitesse du processeur **9. Une IA obtient 99,9 % de réussite sur ses exemples d'entraînement, mais seulement 60 % sur des exemples nouveaux. Diagnostic ?** - A) C'est une excellente IA : 99,9 %, c'est presque parfait ! - B) C'est de l'overfitting : elle a « appris par cœur » au lieu de comprendre - C) C'est normal, une IA est toujours mauvaise sur du nouveau - D) Les exemples nouveaux sont forcément faux **10. Pourquoi garde-t-on des données de test que l'IA ne voit JAMAIS pendant l'entraînement ?** - A) Pour économiser de la mémoire - B) Parce que c'est une obligation légale - C) Pour vérifier qu'elle sait généraliser sur du jamais-vu, comme un contrôle avec des exercices nouveaux - D) Parce que ces données sont de moins bonne qualité --- --- # 🔑 Corrigé commenté **1. B** — Supervisé = exemples + bonnes réponses. C'est le prof qui corrige les copies : l'IA compare sa réponse à la bonne et se corrige. (A décrit la programmation classique, C le non supervisé, D le renforcement.) **2. C** — Non supervisé : aucune étiquette, l'IA découvre les groupes toute seule — comme vous qui triez les bonbons par couleur sans consigne. **3. C** — Renforcement : essai → récompense/punition → amélioration. Exactement comme apprendre un jeu vidéo. C'est ainsi qu'AlphaGo est devenu imbattable au go. **4. B** — Tout le « savoir » d'une IA vient de ses données d'apprentissage. Pas de données → pas d'IA. Et des données de mauvaise qualité → une IA de mauvaise qualité (« garbage in, garbage out »). **5. C** — Le manque de **diversité** des données empêche la généralisation. L'IA n'a appris que « chien = silhouette de labrador ». Leçon : plus de données, oui, mais surtout des données **variées**. **6. B** — Entraînement : des semaines/mois, très cher, une fois. Utilisation : moins d'une seconde, des milliards de fois par jour. Analogie : 10 ans d'études de médecine vs 20 minutes de consultation. **7. C** — Un neurone artificiel est un mini-calculateur : signaux en entrée × poids → décision → signal en sortie. L'analogie avec le cerveau est une **inspiration**, pas une copie (réponse A fausse !). **8. B** — Tout le secret de l'apprentissage tient là : des millions de micro-ajustements des poids pour réduire l'erreur. Nos curseurs du visualiseur, mais réglés automatiquement — et par milliards. **9. B** — L'écart énorme entre score d'entraînement (99,9 %) et score de test (60 %) est la signature de l'**overfitting** : l'élève qui a mémorisé les 50 exercices du livre et échoue au contrôle. Le score d'entraînement seul ne prouve RIEN. **10. C** — Les données de test sont l'examen final avec des exercices jamais vus. Si l'IA les avait vues pendant l'entraînement, elle pourrait les « réciter » et l'examen serait truqué. C'est le seul juge de paix de la vraie compétence. --- ## Barème suggéré | Score | Verdict | |---|---| | 9-10 | 🏆 Vous pourriez presque entraîner votre propre IA ! | | 7-8 | 💪 Très solide — les concepts clés sont en place. | | 5-6 | 🙂 L'essentiel est là ; revoyez overfitting et entraînement vs utilisation. | | < 5 | 🌱 Refaites un tour de la page interactive — et le quiz semblera facile. | --- *Applied AI — Yann Isola · Niveau Débutant 🟢 · Session 2 — Quiz*