Artificial intelligence
Introduit| English | Sens |
|---|---|
| artificial intelligence/ˌɑːtɪˈfɪʃl ɪnˈtelɪdʒəns/ | intelligence artificielle : simulation de processus cognitifs humains par des systèmes informatiques |
| machine learning/məˈʃiːn ˈlɜːnɪŋ/ | apprentissage automatique : capacité d'un système à apprendre et s'adapter sans programmation explicite |
| training data/ˈtreɪnɪŋ ˈdeɪtə/ | données d'entraînement : ensemble de données utilisé pour entraîner un modèle d'apprentissage automatique |
| deep learning/diːp ˈlɜːnɪŋ/ | apprentissage profond : sous-domaine de l'apprentissage automatique utilisant des réseaux neuronaux multicouches |
| neural networks/ˈnjuːrəl ˈnetwɜːks/ | réseaux de neurones : modèles calculatoires inspirés du fonctionnement du cerveau biologique |
| speech recognition/spiːtʃ ˌrekəɡˈnɪʃn/ | reconnaissance vocale : technologie convertissant le signal audio en texte ou commandes |
| image recognition/ˈɪmɪdʒ ˌrekəɡˈnɪʃn/ | reconnaissance d'images : capacité d'un système à identifier et classer des objets dans une image |
| machine translation/məˈʃiːn trænˈsleɪʃn/ | traduction automatique : conversion textuelle d'une langue source vers une langue cible par IA |
| recommendation systems/ˌrekəmenˈdeɪʃn ˈsɪstəmz/ | systèmes de recommandation : algorithmes suggérant des contenus pertinents aux utilisateurs |
| autonomous vehicles/ɔːˈtɒnəməs ˈvɪəklz/ | véhicules autonomes : systèmes capables de naviguer et de prendre des décisions sans conducteur humain |
| optical character recognition/ˈɒptɪkl ˈkærɪktə ˌrekəɡˈnɪʃn/ | reconnaissance optique de caractères : conversion de textes numérisés en formats éditables |
| text-to-speech/tekst tə spiːtʃ/ | synthèse vocale : génération de parole artificielle à partir de texte ou de signaux audio |
| bias/ˈbaɪəs/ | biais : préjugés systématiques dans les données ou algorithmes affectant l'équité des résultats |
| accountability/əˌkaʊntəˈbɪlɪti/ | responsabilité : obligation juridique ou éthique d'un acteur face aux conséquences de ses actions |
Le coup qu'aucun humain n'aurait joué
- En mars 2016, un programme nommé AlphaGo a battu Lee Sedol, l'un des meilleurs joueurs de Go vivants, par quatre parties à une. Dans la deuxième partie, il a joué un coup que les commentateurs ont jugé erroné ; il s'est avéré être l'idée gagnante.
- Personne n'avait programmé ce coup. Le système avait appris le Go en étudiant des millions de positions et en jouant contre lui-même, découvrant des motifs que ses créateurs n'auraient pas pu écrire.
- Deux ans plus tard, Amazon a abandonné un outil de recrutement par IA après avoir constaté qu'il avait appris à partir de dix ans de CV à pénaliser tout document mentionnant « femmes ».
- Ce sont tous deux des intelligences artificielles 人工智能. Cette leçon explique comment elles apprennent, ce dont elles sont utilisées, ainsi que leur impact social, économique et environnemental.
Qu'est-ce que l'IA et comment l'IA moderne apprend
- L'intelligence artificielle (AI) désigne les systèmes informatiques effectuant des tâches nécessitant normalement l'intelligence humaine : reconnaissance vocale et visuelle, traduction, jeu, conduite autonome.
- La plupart de l'IA moderne utilise l'apprentissage automatique 机器学习 : au lieu d'être programmée étape par étape, le système améliore sa performance sur une tâche en apprenant des modèles à partir de grandes quantités de données d'entraînement 训练数据.
- L'apprentissage profond 深度学习 utilise des réseaux de neurones 神经网络 comportant de multiples couches de nœuds connectés, et c'est l'approche dominante aujourd'hui. De meilleures et plus grandes données donnent un meilleur modèle ; de mauvaises données donnent de mauvais résultats.

Un modèle est entraîné sur des exemples, pas écrit comme des règles
Machine learning differs from traditional programming because it:
Difficulté 1/5 · 100 pièces + un petit bonus lors de la première réussite aujourd'hui
ML algorithms improve at a task by learning from large amounts of data, rather than following hand-written rules.
Match each AI term to what it means.
Difficulté 2/5 · 140 pièces + un petit bonus lors de la première réussite aujourd'hui
ML learns from data; deep learning uses many layers; bias and opacity (black box) are key ethical concerns.
Applications
- Compréhension de l'entrée : la reconnaissance vocale 语音识别 transforme les mots parlés en texte ; la reconnaissance d'images 图像识别 détecte des objets, visages ou texte dans des images.
- Production de sortie ou de décisions : la traduction automatique 机器翻译 entre langues ; les systèmes de recommandation 推荐系统 suggérant des vidéos, produits ou musique ; les véhicules autonomes 自动驾驶汽车 et robots ; diagnostic médical et détection de fraude.
- L'examen donne généralement un scénario et demande quels types d'IA il utilise, ou comment il fonctionne.
Laboratoire de concepts informatiques
Classify concrete examples by the computing idea they demonstrate.
Which is an everyday application of AI?
Difficulté 1/5 · 100 pièces + un petit bonus lors de la première réussite aujourd'hui
Recommendation systems (and speech/image recognition, translation, self-driving) are common AI applications.
Exemple résolu : lire une étiquette étrangère à voix haute
- Une application téléphonique photographie une étiquette de produit, la traduit et la lit à voix haute. Expliquez comment l'IA est utilisée. [4]
- La reconnaissance optique de caractères 光学字符识别 analyse les pixels de la photographie pour localiser les caractères, et les motifs de pixels sont convertis en caractères et mots individuels.
- La traduction automatique convertit les mots dans la langue de l'utilisateur.
- La synthèse vocale 文本转语音 produit la sortie audio. Chaque étape rapporte une marque, dans l'ordre du pipeline.

Reconnaître, traduire, parler
Put the stages of the label-reading app in order.
Difficulté 3/5 · 200 pièces + un petit bonus lors de la première réussite aujourd'hui
Recognise, read, translate, speak. Each stage is a mark in a four-mark answer.
Avantages
- Accessibilité : l'IA vocale et visuelle aide les personnes ayant des handicaps ; la traduction aide ceux qui ne parlent pas la langue.
- Productivité : les tâches répétitives sont automatisées, libérant les humains pour le travail créatif.
- Aide à la décision : l'IA trouve des modèles dans des ensembles de données trop volumineux pour un être humain, dans des scanners médicaux ou des transactions.
- Elle est disponible à tout moment et peut être personnalisée pour chaque utilisateur.
A benefit of AI is:
Difficulté 1/5 · 100 pièces + un petit bonus lors de la première réussite aujourd'hui
AI excels at finding patterns in large data (decision support). Fairness and explainability are concerns, not guarantees.
Impact social
- Avantages : un lecteur d'étiquettes aide les personnes malvoyantes, celles qui ne lisent pas la langue, et celles ayant des difficultés de lecture ; la reconnaissance faciale dans un aéroport accélère les contrôles d'identité et peut empêcher l'entrée de personnes recherchées.
- Dommages : la reconnaissance faciale méconnaît certaines personnes et surveille tout le monde sans consentement, donc la vie privée est perdue ; les personnes dépendant de l'IA peuvent perdre des compétences ; les systèmes de recommandation peuvent enfermer les utilisateurs dans des points de vue étroits.
- Une réponse sur l'impact social nomme le groupe touché et ce qui change pour eux.
Impact économique
- Un module de diagnostic d'erreurs par IA dans un garage de réparation diagnostique plus rapidement et plus précisément, permettant de réparer plus de véhicules par jour et réduisant les coûts.
- Mais moins de mécaniciens qualifiés seront nécessaires, donc des emplois sont perdus, et le module doit être acheté, formé et maintenu.
- Plus généralement, l'IA augmente la productivité et crée de nouveaux emplois dans certains secteurs tout en supprimant des emplois routiniers dans d'autres.
Impact environnemental
- L'entraînement et l'exécution de grands modèles consomment beaucoup d'électricité, et les centres de données utilisent de l'eau pour le refroidissement ; le matériel qu'ils utilisent devient des déchets électroniques.
- D'un autre côté, l'IA réduit la consommation d'énergie dans les bâtiments, optimise les itinéraires de transport et surveille l'environnement.
- Les deux sens sont notés, et l'examen s'attend à ce que vous sachiez qu'ils existent.

Le matériel derrière l'IA a une durée de vie, et une après-vie
Match each example to the heading it belongs under.
Difficulté 2/5 · 140 pièces + un petit bonus lors de la première réussite aujourd'hui
Jobs and costs are economic, people and privacy are social, energy and waste are environmental.
Training and running large AI models has no significant environmental cost.
Difficulté 1/5 · 100 pièces + un petit bonus lors de la première réussite aujourd'hui
Large models consume a great deal of electricity and cooling water, and their hardware becomes e-waste. AI also helps cut energy use elsewhere, so both directions belong in an answer.
Exemple résolu : répondre à une question sur un "impact"
- Expliquez l'impact économique d'un garage installant un système de diagnostic de pannes par IA. [4]
- Donnez l'impact et sa conséquence, et donnez les deux sens.
- Les pannes sont diagnostiquées plus vite et avec plus de précision, donc plus de véhicules sont réparés par jour et le chiffre d'affaires augmente. Moins d'heures de mécaniciens sont nécessaires par voiture, donc les coûts baissent.
- Des mécaniciens qualifiés peuvent perdre leur emploi, donc il y a chômage et perte de compétences ; et le système doit être acheté et entretenu, donc il y a un coût initial et récurrent.
A full-mark impact point states the impact and its ____, usually joined by "so".
Difficulté 1/5 · 100 pièces + un petit bonus lors de la première réussite aujourd'hui
"Fewer mechanics are needed, so skilled workers lose their jobs" is a mark; "fewer mechanics" alone is not.
Préoccupations
- Biais 偏见 : des modèles injustes dans les données d'entraînement deviennent des décisions injustes, comme dans l'outil de recrutement d'Amazon. Déplacement d'emplois : les postes quotidiens disparaissent.
- Confidentialité : l'entraînement utilise de grandes quantités de données personnelles. Transparence : les grands modèles sont des boîtes noires dont les décisions sont difficiles à expliquer.
- Responsabilité 问责 : lorsque l'IA se trompe, le développeur, l'opérateur ou l'utilisateur est-il responsable ? Mauvaise utilisation : deepfakes, désinformation, surveillance.
- Les professionnels doivent comprendre les limites de ce qu'ils construisent, informer les utilisateurs et réduire les dommages.

Les biais entrent avec les données et ressortent dans les décisions
AI "bias" usually arises because:
Difficulté 1/5 · 100 pièces + un petit bonus lors de la première réussite aujourd'hui
If the training data reflects unfair patterns, the model learns and repeats them — e.g. in hiring or lending.
Select tout genuine concerns about AI.
Difficulté 2/5 · 140 pièces + un petit bonus lors de la première réussite aujourd'hui
Bias, opacity and misuse are real concerns. AI certainly can be wrong — accountability for that is itself a concern.
Pièges qui font perdre des points
- L'IA n'est pas "un robot" ou "un ordinateur qui pense". Définissez-la comme des systèmes effectuant des tâches qui nécessitent normalement une intelligence humaine.
- Un impact sans conséquence vaut la moitié des points. "Des emplois sont perdus" nécessite "donc les travailleurs qualifiés sont au chômage".
- Social, économique et environnemental sont trois rubriques. Répondez sous celle nommée par la question.
- Les biais viennent des données dont le modèle a appris, et non du fait que l'ordinateur ait des opinions.
Vous avez compris
- L'IA effectue des tâches qui nécessitent normalement une intelligence humaine ; l'apprentissage automatique apprend des motifs à partir de données d'entraînement plutôt que de suivre des règles écrites ; l'apprentissage profond utilise des réseaux de neurones en couches
- applications : reconnaissance vocale et visuelle comprennent l'entrée ; traduction, recommandation et véhicules autonomes produisent une sortie ; OCR → traduction → synthèse vocale lit une étiquette à voix haute
- impact sous trois rubriques, chacune avec une conséquence et les deux sens : social, économique, environnemental
- préoccupations : biais provenant des données, déplacement d'emplois, confidentialité, transparence, responsabilité, mauvaise utilisation