# 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 `…`) 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 --- ## Corrigé avec explications ### Q1 — Réponse : C **Reformuler un e-mail** est une transformation de texte : le cœur de force du LLM (forme, ton, registre). Les trois autres sont des faiblesses structurelles : **A** — le modèle prédit des suites de chiffres plausibles, il n'exécute pas d'algorithme de multiplication (sauf appel à un outil) ; **B** — événement postérieur à la date de coupure des connaissances, inaccessible sans outil de recherche ; **D** — le modèle voit des tokens, pas des caractères (héritage direct de la Session 1). ### Q2 — Réponse : B L'objectif d'entraînement est la continuation plausible ; une référence bien formatée est statistiquement plausible, et le modèle ne possède pas de jauge de vérité calibrée qui déclencherait un « je ne sais pas ». **A** est fantaisiste ; **C** anthropomorphise (mentir suppose intention et connaissance de la vérité) ; **D** inverse la réalité — la température basse ne crée pas d'inventions, elle les rend au pire *reproductibles*. ### Q3 — Réponse : B La matrice croise **coût d'une erreur non détectée** (vertical) et **facilité de vérification** (horizontal). Le mot « non détectée » est essentiel : une erreur repérée coûte quelques secondes ; c'est celle qui passe inaperçue qui coûte cher. Les autres propositions ne sont pas les axes de cette matrice. ### Q4 — Réponse : C C'est le cas d'école de la **zone de levier** : une erreur en production coûterait cher (coût élevé), mais les tests automatisés rendent la vérification rapide et systématique (vérification facile). L'IA produit, le filet de tests contrôle. Attention toutefois : si les tests sont incomplets, la vérification n'est plus « facile » et le cas glisse vers la zone interdite. ### Q5 — Réponse : B Décrire un ton (« professionnel, chaleureux ») reste interprétable ; montrer un exemple de la sortie voulue est sans ambiguïté. De plus, le modèle est une machine à continuer des motifs : des exemples dans le prompt (few-shot prompting, amorçage par quelques exemples) installent un motif fort à prolonger. **A** est même souvent faux (les exemples coûtent des tokens) — et ce n'est pas la raison. ### Q6 — Réponse : D Les délimiteurs tracent la frontière entre **instructions** (ce qu'il faut faire) et **données** (ce qu'on traite). Sans eux, un contenu externe contenant « ignore tes instructions… » peut être exécuté comme une consigne : c'est le mécanisme de l'injection de prompt. Les délimiteurs réduisent fortement ce risque sans l'éliminer totalement. ### Q7 — Réponse : A Le prompt système est le canal **privilégié** lu avant le reste : persona permanente, règles non négociables, politique de sortie (langue, format, refus). Analogie : le règlement intérieur, face à la « demande du jour » qu'est le message utilisateur. **C** est faux : aucun prompt ne modifie les poids du modèle — c'est le rôle du fine-tuning (réglage fin), vu en Session 1. ### Q8 — Réponse : C Phénomène documenté sous le nom « **lost in the middle** » (perdu au milieu) : sur les longs contextes, les modèles retrouvent mieux les informations placées au début et à la fin qu'au milieu. Conséquence pratique : instructions critiques au début, rappel à la fin, et découpage des très longs documents. ### Q9 — Réponse : B Le modèle est **sans état** : il n'a aucune mémoire entre deux appels. L'application fabrique l'illusion de conversation en renvoyant tout l'historique à chaque tour ; le nombre de tokens traités — donc le coût et la latence — croît avec la conversation. ⚠ Certains fournisseurs atténuent le coût via le cache de prompt (tokens déjà vus facturés moins cher) : une optimisation tarifaire, pas une mémoire. ### Q10 — Réponse : C Température 0 = le hasard est (quasi) supprimé : le token le plus probable est choisi à chaque étape, donc la sortie est (quasi) reproductible. **Déterministe ≠ correct** : si le modèle se trompe, il se trompera de la même façon à chaque exécution. La fiabilité vient du processus de vérification (matrice de confiance), jamais du réglage de température. --- ## Grille de lecture des scores | Score | Lecture | |---|---| | 9–10 | Concepts maîtrisés — prêt pour la Session 3 (brancher le modèle sur vos données) | | 7–8 | Acquis solides — revoir les questions manquées avec le corrigé | | 5–6 | Relire les Parties B (hallucination) et D (spécification) du guide + refaire l'Exercice 2 | | < 5 | Reprendre la session avec la page web interactive, puis repasser le quiz | --- *Quiz — Applied AI, Niveau Intermédiaire, Session 2 — Yann Isola.*