Quiz — Session 2 : Prompting professionnel

Programme : Applied AI — Niveau Intermédiaire · Instructeur : Yann Isola Format : 10 QCM (Questions à Choix Multiples) · 1 seule bonne réponse par question · ~12 minutes Barème suggéré : 1 point par question. Seuil de validation : 7/10.

Questions

Q1. Parmi ces tâches, laquelle correspond à un point FORT structurel d'un LLM (Large Language Model, grand modèle de langage) ?

A Multiplier deux nombres à cinq chiffres sans outil externe B Donner le cours de clôture d’une action hier soir C Reformuler un e-mail sec en version diplomatique D Compter précisément les occurrences d’une lettre dans un texte long

Q2. Un modèle invente une référence bibliographique parfaitement formatée mais inexistante. Quelle est l'explication correcte ?

A Le modèle a été piraté et renvoie des données corrompues B Le modèle est entraîné à produire une continuation plausible du texte, pas à être calibré sur la vérité C Le modèle ment volontairement pour paraître plus compétent D La température était réglée trop bas, ce qui provoque des inventions

Q3. Dans la matrice de confiance 2×2, quels sont les deux axes ?

A Vitesse de génération × longueur de la réponse B Coût d’une erreur non détectée × facilité de vérification C Taille du modèle × taille de la fenêtre de contexte D Créativité demandée × précision demandée

Q4. Générer du code couvert par un jeu de tests automatisés complet se situe typiquement dans quelle zone de la matrice de confiance ?

A Zone interdite : le code est toujours trop risqué B Zone libre : le code ne peut pas causer d’erreur coûteuse C Zone de levier : coût d’erreur élevé mais vérification facile grâce aux tests D Hors matrice : le code n’est pas concerné par la matrice de confiance

Q5. Pourquoi dit-on que « les exemples battent les descriptions » dans un prompt ?

A Les exemples consomment moins de tokens que les descriptions B Montrer une sortie type lève l’ambiguïté qu’une description en adjectifs laisse ouverte, et installe un motif que le modèle continue C Les modèles sont incapables de comprendre les adjectifs D Les descriptions sont interdites par les fournisseurs de modèles

Q6. À quoi servent les délimiteurs (triples guillemets, balises `<document>…</document>`) dans un prompt ?

A À accélérer la génération de la réponse B À réduire le nombre de tokens facturés C À rendre la sortie plus créative D À cloisonner les données à traiter pour qu’elles ne soient pas confondues avec des instructions

Q7. Quel est le rôle spécifique du prompt système ?

A C’est un canal d’instructions privilégié, invisible pour l’utilisateur final, qui fixe la persona, les règles permanentes et la politique de sortie B C’est le premier message que l’utilisateur tape dans la conversation C C’est un fichier de configuration qui modifie les poids du modèle D C’est le journal technique des erreurs du modèle

Q8. Sur les très longs contextes, où le rappel d'information des modèles est-il le plus faible ?

A Au tout début du contexte B À la toute fin du contexte C Au milieu du contexte D Le rappel est uniforme sur toute la fenêtre

Q9. Pourquoi une longue conversation avec un assistant devient-elle de plus en plus coûteuse et lente ?

A Le modèle se fatigue et ralentit après de nombreuses réponses B Le modèle étant sans état, l’application renvoie l’intégralité de l’historique à chaque tour, et le coût croît avec le nombre de tokens traités C Le fournisseur augmente les prix au fil de la conversation pour décourager les abus D Le modèle télécharge de nouvelles données à chaque message

Q10. Que garantit une température réglée à 0 ?

A Que la réponse est factuellement correcte B Que le modèle refusera de répondre s’il n’est pas sûr C Que la sortie est (quasi) reproductible, le modèle choisissant à chaque étape le token le plus probable — sans garantie d’exactitude D Que le modèle utilisera moins de tokens