❓ Quiz — intermediate/session-10

Question 1 — [Session 1 — Fondements] Pourquoi un LLM (Large Language Model, grand modèle de langage) peut-il échouer à compter les lettres du mot « anticonstitutionnellement » ?

A Parce que le modèle n’a pas été entraîné sur des mots français B Parce que le modèle ne voit pas des lettres mais des tokens (unités de découpage du texte) : le mot est découpé en quelques fragments, et les lettres individuelles n’existent pas dans sa représentation C Parce que la fenêtre de contexte est trop courte pour un mot aussi long D Parce que la température est réglée trop haut par défaut

Question 2 — [Session 2 — Prompting] Parmi ces quatre prompts, lequel applique le mieux les bonnes pratiques professionnelles ?

A « Rédige un e-mail. » B « Rédige un e-mail professionnel, s’il te plaît, c’est important, fais de ton mieux, merci beaucoup. » C « Tu es assistant commercial. Rédige un e-mail de relance (≤ 120 mots) pour un devis envoyé il y a 10 jours au client {nom}. Ton : cordial, sans pression. Termine par une question ouverte. Voici deux exemples du style attendu : {exemple_1} {exemple_2} » D « Rédige le meilleur e-mail de relance jamais écrit, sois créatif et n’hésite pas à improviser sur le contexte. »

Question 3 — [Session 3 — Sortie structurée & température] Vous construisez un pipeline qui extrait des montants de factures vers un JSON (JavaScript Object Notation, format de données structuré) traité automatiquement. Quel réglage est le plus adapté ?

A Température élevée (≈ 1,0) pour que le modèle trouve des solutions créatives aux factures ambiguës B Température basse (≈ 0) + schéma de sortie structurée imposé, car on veut de la reproductibilité et un format garanti exploitable par la machine C Température moyenne (≈ 0,7) qui est le meilleur compromis universel D La température n’a aucun effet sur la stabilité du format de sortie

Question 4 — [Session 4 — RAG] Quel est le principe du RAG (Retrieval-Augmented Generation, génération augmentée par récupération) ?

A Réentraîner le modèle sur les documents de l’entreprise pour qu’il les mémorise B Rechercher, au moment de la question, les passages pertinents dans une base documentaire, puis les injecter dans le prompt pour que le modèle réponde à partir de ces sources C Augmenter la taille de la fenêtre de contexte en payant une option du fournisseur D Générer des documents synthétiques pour enrichir la base de connaissances

Question 5 — [Session 5 — Tool calling] Quand un modèle « appelle un outil », qui exécute réellement l’action (requête en base de données, envoi d’e-mail…) ?

A Le modèle lui-même, directement sur vos serveurs B Le fournisseur du modèle, dans son cloud C Votre code applicatif : le modèle émet seulement une demande structurée, et c’est vous qui exécutez (ou refusez) l’appel, avec vos autorisations et votre journalisation D Un service tiers de confiance certifié par le fournisseur

Question 6 — [Session 6 — Boucle agentique] Qu’est-ce qui distingue fondamentalement un agent d’un simple appel de modèle ?

A Un agent utilise un modèle plus gros B Un agent fonctionne en boucle : il observe le résultat de ses actions, décide de la suite, et recommence jusqu’à atteindre l’objectif ou une condition d’arrêt — d’où l’importance des limites (budget d’itérations, humain dans la boucle) C Un agent n’a pas besoin de prompt système D Un agent ne peut pas halluciner car il vérifie ses réponses

Question 7 — [Session 7 — Multi-agents & MCP] À quoi sert le MCP (Model Context Protocol, protocole de contexte de modèle) ?

A À faire communiquer les agents entre eux par télépathie de tokens B À standardiser la façon dont un modèle se connecte à des outils et sources de données : un serveur MCP expose ses capacités une fois, et tout client compatible peut les utiliser sans intégration sur mesure C À compresser le contexte pour réduire les coûts D À chiffrer les échanges entre le modèle et l’utilisateur

Question 8 — [Session 8 — Production] Votre application IA reçoit des erreurs HTTP 429 du fournisseur. Que se passe-t-il et que faites-vous ?

A Le serveur du fournisseur est en panne ; il faut changer de fournisseur immédiatement B Votre clé API (Application Programming Interface, interface de programmation applicative) est invalide ; il faut la régénérer C Vous dépassez la limite de débit (rate limit) ; il faut ralentir et réessayer avec un backoff exponentiel (attente qui double à chaque tentative), et à terme lisser ou répartir la charge D Le prompt est trop long ; il faut le tronquer

Question 9 — [Session 9 — Évaluation] Pourquoi « ça a l’air bien sur mes 5 essais » n’est-il pas une évaluation acceptable avant une mise en production ?

A Parce qu’il faut au minimum 5 000 essais pour toute évaluation B Parce que 5 essais choisis par le développeur ne mesurent ni la variabilité, ni les cas limites, ni les performances par segment : il faut un jeu d’évaluation représentatif, des métriques définies et un seuil de décision explicite C Parce que seule une certification externe du fournisseur fait foi D Parce que l’évaluation manuelle est interdite par le RGPD (Règlement Général sur la Protection des Données)

Question 10 — [Session 10 — Gouvernance] Votre entreprise déploie un assistant IA de présélection de candidatures. Selon l’AI Act (règlement européen sur l’intelligence artificielle) ⚠, dans quelle catégorie ce système tombe-t-il, et avec quelle conséquence principale ?

A Risque minimal : aucune obligation, le recrutement est un usage interne libre B Risque limité : il suffit d’indiquer aux candidats qu’une IA est utilisée C Haut risque : le recrutement figure dans les domaines sensibles — obligations renforcées (gestion des risques, qualité des données, documentation, supervision humaine) D Risque inacceptable : tout usage de l’IA en recrutement est interdit dans l’UE (Union européenne)

Question 11 — [Souveraineté institutionnelle] Pourquoi la liquidité de modèle (model liquidity) est-elle un objectif de gouvernance ?

A Parce qu’elle permet de changer de modèle ou de fournisseur sans réécrire l’application, si les prix, les règles ou la performance changent B Parce qu’elle garantit que tous les modèles donnent exactement la même réponse C Parce qu’elle supprime le besoin d’évaluations D Parce qu’elle impose d’utiliser uniquement des modèles open-weights

Question 12 — [Souveraineté institutionnelle] Quel actif devient le vrai avantage défendable de l’entreprise dans un système IA mature ?

A Le nom commercial du modèle utilisé B Le nombre total de tokens consommés chaque mois C L’ontologie et le contexte métier : objets, permissions, workflows, décisions, évaluations et corrections humaines D Le fait de ne jamais journaliser les interactions pour protéger la vie privée

Quiz final — Session 10 : évaluation complète du programme