Exercices: Intelligence artificielle et big data

Expliquer avec vos propres mots la différence entre la programmation traditionnelle (règles écrites par une personne) et l'apprentissage automatique (règles apprises à partir d'exemples), et donner une application pour laquelle chaque approche est la plus adaptée.

Définir le « big data » et expliquer les trois « V » classiques (volume, vélocité et variété) avec un exemple de chacun dans le contexte d'une application de transport urbain.

La figure montre la chaîne d'un système d'apprentissage automatique qui recommande des itinéraires de bus, mais l'un de ses blocs est masqué. Indiquer quel bloc manque, ce qui se passe à l'intérieur et quelles données il doit recevoir du bloc précédent.

Expliquer ce qu'est un « modèle » en apprentissage automatique (les motifs et paramètres appris à partir des données) et quelle différence il y a entre l'entraîner et l'utiliser (inférence). Pourquoi l'entraînement demande-t-il beaucoup plus de calcul que l'utilisation ?

Citer cinq services du quotidien qui utilisent aujourd'hui l'apprentissage automatique (cartes et trafic, traducteurs, recommandation de vidéos, assistants vocaux, filtres anti-spam) et indiquer pour chacun quelles données d'entrée le modèle utilise.

En apprentissage supervisé, qu'est-ce que l'étiquette d'une donnée ? Donner trois exemples de jeux de données étiquetés (photo → chat/chien, courriel → spam/non spam, capteur → sain/panne) et expliquer qui produit généralement les étiquettes et quel en est le coût.

Expliquer à l'aide d'une analogie simple ce qu'est un réseau de neurones artificiels : des couches de « neurones » qui combinent des entrées avec des poids ajustables. Qu'est-ce qui est ajusté pendant l'entraînement et que signifie que le réseau « apprend » ?

Classer du plus général au plus spécifique ces trois termes : apprentissage profond (deep learning), intelligence artificielle, apprentissage automatique. Expliquer la relation d'inclusion entre eux avec un exemple de chaque niveau.

Expliquer la différence entre apprentissage supervisé, non supervisé et par renforcement, et classer ces applications : un filtre anti-spam entraîné avec des courriels étiquetés, le regroupement de clients selon leurs habitudes d'achat sans étiquettes, et un robot qui apprend à marcher par essais et erreurs.

Un système apprend avec $80\,\%$ des données et est évalué avec les $20\,\%$ restants. Expliquer ce que sont l'ensemble d'entraînement et l'ensemble de test, ce qu'est le surapprentissage et comment on le détecte en comparant les erreurs sur les deux ensembles.

Une mairie installe des capteurs de trafic dans $200$ carrefours qui envoient une mesure toutes les $5$ secondes. a) Estimer le nombre de mesures générées par jour et par an. b) Expliquer quels problèmes de stockage et de traitement cela pose et pourquoi les bases de données classiques sur un seul serveur peuvent se révéler insuffisantes.

Un classifieur de pannes évalué sur $200$ machines donne la matrice de confusion de la figure. a) Calculer la précision ($\frac{VP}{VP + FP}$) et le rappel ou sensibilité ($\frac{VP}{VP + FN}$). b) Expliquer quelle erreur est la plus grave en maintenance (le faux négatif : panne non détectée) et comment vous modifieriez le seuil du modèle pour la réduire au prix de davantage de fausses alertes.

Expliquer ce qu'est la validation croisée (diviser les données en plusieurs parties et faire tourner celle qui sert au test) et quel problème elle résout quand il y a peu de données : pourquoi une seule division entraînement/test peut-elle donner une estimation « chanceuse » ou « malchanceuse » de l'erreur réelle ?

Dans la détection de fraude bancaire, une seule transaction sur mille est frauduleuse. Expliquer ce qu'est un jeu de données déséquilibré, pourquoi un modèle qui classe tout comme « légitime » a raison dans $99{,}9\,\%$ des cas et ne sert à rien, et quelles métriques et techniques on utilise à la place (rappel, suréchantillonnage de la classe minoritaire, pondération).

Pour prédire la consommation électrique d'un bâtiment, proposer au moins six variables d'entrée (température extérieure, heure de la journée, jour ouvré ou férié, occupation, historique de la veille, rayonnement solaire) et justifier chacune. Expliquer ce qu'est l'ingénierie des variables (feature engineering) et pourquoi elle est souvent plus déterminante que l'algorithme choisi.

Distinguer un problème de classification (prédire une catégorie) d'un problème de régression (prédire un nombre). Classer ces tâches : estimer le prix d'un logement, décider si une radiographie montre une fracture, prédire la température de demain et regrouper des articles d'actualité par thème.

Une entreprise technologique entraîne un modèle d'apprentissage automatique pour trier les CV de candidats à des postes d'ingénieur. Pour éviter les biais discriminatoires selon l'origine socio-économique, l'équipe exclut des données le code postal, le quartier de résidence et la nationalité. Cependant, lors de la phase de test, on constate que les candidats issus de quartiers à faibles revenus sont écartés dans une proportion supérieure de 73,5 % à celle des candidats de quartiers à hauts revenus ayant des profils académiques équivalents.

1. a) Justifier techniquement comment le modèle a pu déduire l'origine socio-économique malgré la suppression des variables géographiques directes, en proposant au moins deux variables courantes dans un CV qui jouent le rôle de variables de substitution (proxies).
2. b) Analyser les implications éthiques et juridiques de ce résultat au regard de la réglementation européenne sur l'intelligence artificielle (classification des risques et principe de non-discrimination).
3. c) Concevoir un audit algorithmique préalable au déploiement comprenant une métrique quantitative d'équité (fairness) et une technique d'atténuation pour corriger le biais.

Concevoir au niveau conceptuel un système de maintenance prédictive pour le parc de chaudières d'une ville : quels capteurs et quelles données recueilleriez-vous, quelles étiquettes serait nécessaire à l'apprentissage supervisé, comment valideriez-vous le modèle et quelle décision le système prendrait-il face à une prédiction de panne imminente ?

Lors d'un congrès sur la numérisation, la thèse suivante est exposée : « Les données sont le nouveau pétrole : elles sont extraites massivement, raffinées dans des centres de calcul et, comme les gisements de brut, constituent une ressource naturelle finie dont la possession exclusive garantit le monopole du marché ».

1. a) Réfuter techniquement cette affirmation en analysant au moins deux différences essentielles entre les données et une matière première comme le pétrole, en s'appuyant sur des notions comme la non-rivalité de leur usage, le coût marginal de copie et la dépendance de leur valeur au contexte temporel.
2. b) Justifier sur quel unique aspect de la chaîne de valeur de l'intelligence artificielle l'analogie du « raffinage » reste valable.
3. c) Évaluer quels droits fondamentaux des citoyens (inscrits dans des textes comme le RGPD) empêchent de traiter les données personnelles comme une ressource extractive en libre appropriation par de grandes entreprises.

Une plateforme de contenus audiovisuels en ligne a développé un nouvel algorithme de recommandation et veut évaluer s'il doit remplacer l'actuel au moyen d'un test A/B. L'équipe craint que le nouveau modèle augmente les visites immédiates grâce à des contenus sensationnalistes (clickbait), mais réduise la fidélisation à long terme.

1. a) Concevoir l'expérience en définissant l'affectation des utilisateurs aux deux groupes, la durée recommandée et deux métriques quantitatives clés : une métrique primaire d'impact immédiat et une métrique secondaire ou de garde-fou (guardrail metric) pour surveiller la rétention à long terme.
2. b) Identifier et justifier deux facteurs possibles de biais ou de contamination susceptibles d'invalider les résultats du test (par exemple, liés au comportement des comptes partagés ou à l'effet de nouveauté) et expliquer comment les atténuer dans la conception expérimentale.
3. c) Après le test, le groupe expérimental enregistre une hausse de 14,8 % des minutes quotidiennes par utilisateur, mais une baisse de 5,2 % des utilisateurs actifs hebdomadaires au bout d'un mois. Interpréter ces données et justifier la décision technique et stratégique que la plateforme doit prendre.

La direction d'un centre hospitalier universitaire prévoit de céder sa base de données de patients atteints de cancer à une entreprise afin d'entraîner un réseau de neurones de diagnostic. Pour respecter la loi, l'équipe informatique propose de « supprimer uniquement le nom, le prénom et le numéro de carte vitale de chaque ligne, en conservant le code postal, la date de naissance complète, le sexe, la date d'admission et le code de diagnostic CIM-10 ».

1. a) Démontrer pourquoi cette mesure ne constitue pas une véritable anonymisation, en décrivant comment un attaquant pourrait réidentifier des patients précis au moyen d'une attaque par recoupement (linkage attack) avec des bases de données publiques accessibles (comme les listes électorales).
2. b) Distinguer avec rigueur technique les notions de « pseudonymisation » et d'« anonymisation » au sens du RGPD, et déterminer dans lequel de ces deux états se trouverait le jeu de données proposé par l'hôpital.
3. c) Concevoir une alternative technique robuste pour protéger la vie privée des patients sans détruire l'utilité du jeu de données pour l'entraînement, en justifiant l'usage d'au moins deux techniques avancées (comme la k-anonymité, l'agrégation ou la confidentialité différentielle).

Dans un hôpital, on évalue deux systèmes d'intelligence artificielle pour aider au tri aux urgences et à la détection des AVC à partir de neuroimageries :

• Système Alpha : réseau de neurones profond avec un taux de réussite global de 97,4 %, mais dont le processus interne de décision est une boîte noire mathématique non interprétable.

• Système Bêta : arbre de décision fondé sur des règles cliniques structurées avec un taux de réussite de 89,6 %, totalement transparent et auditable pas à pas par les spécialistes.

1. a) Justifier le dilemme éthique et déontologique auquel est confronté le personnel médical lorsqu'il choisit l'un des systèmes : est-il admissible d'utiliser un modèle au taux de réussite inférieur s'il permet de connaître les causes cliniques de chaque diagnostic ?
2. b) Analyser les exigences du patient et de la législation sanitaire concernant le droit à une explication compréhensible et l'attribution des responsabilités en cas de diagnostic erroné.
3. c) Concevoir une proposition de compromis technologique qui combine la haute performance du système Alpha avec les garanties d'interprétabilité du système Bêta, en justifiant l'intégration de méthodes d'explicabilité post hoc (comme les cartes de chaleur d'attribution) et d'un protocole de supervision humaine obligatoire (human-in-the-loop).

Une entreprise technologique décide d'entraîner de zéro son propre modèle de langage de 70 000 millions de paramètres dans un centre de données raccordé à un réseau dont le facteur d'émission est de 0,26 kg CO₂/kWh. Le processus d'entraînement nécessite 1,5 GWh d'énergie électrique. Une fois déployé, on estime que le service traitera 20 millions de requêtes par jour, en consommant 0,5 GWh supplémentaire par mois pendant la phase d'inférence.

1. a) Analyser les trois phases du cycle de vie de ce système d'IA qui contribuent à son empreinte environnementale et justifier pourquoi, sur une année de fonctionnement, l'impact de l'inférence quotidienne peut dépasser largement celui de l'entraînement initial.
2. b) Calculer la masse de CO₂ (en tonnes) émise uniquement pendant la phase d'entraînement et la comparer aux émissions générées par la première année complète d'inférence.
3. c) Concevoir trois mesures techniques d'ingénierie (au niveau de l'architecture du modèle, de la réutilisation des poids et du choix des infrastructures) qui réduisent drastiquement la consommation d'énergie sans dégrader de façon inacceptable la qualité des réponses.

La délégation à la sécurité d'une mairie commande à une équipe technique un système d'apprentissage automatique pour « prédire quels quartiers subiront le plus d'incidents délictueux l'année prochaine » et répartir ainsi les patrouilles. Le modèle sera entraîné à partir du registre géolocalisé des procès-verbaux et des interpellations des quatre dernières années.

1. a) Argumenter de façon critique pourquoi l'utilisation des registres de plaintes et d'interventions policières comme variable cible (target) introduit un biais de mesure systématique par rapport à la conflictualité réelle de la commune.
2. b) Modéliser la dynamique de boucle fermée (prophétie autoréalisatrice) que provoquera le déploiement de cet algorithme : prévoir comment évolueront les données recueillies après l'envoi de davantage de patrouilles dans les quartiers désignés lors de la première itération et quel effet cela aura sur le réentraînement du modèle.
3. c) Concevoir une proposition alternative pour la mairie qui utilise la science des données non pour un patrouillage punitif anticipé, mais pour repérer les besoins d'intervention sociale préventive, d'investissement dans l'éclairage ou de renforcement des services publics dans les zones vulnérables.