Font size
WorksheetsIA-IoT-Partie1
Total questions: 12
Worksheet time: 8mins
Quelle est la principale différence entre l’IoT passif et l’IoT intelligent ?
L’IoT passif utilise l’intelligence artificielle, alors que l’IoT intelligent non.
L’IoT passif fonctionne uniquement dans les environnements industriels.
L’IoT intelligent nécessite toujours une connexion cloud, contrairement à l’IoT passif.
L’IoT passif collecte et transmet les données, tandis que l’IoT intelligent peut les analyser et prendre des décisions.
Quels rôles l’intelligence artificielle peut-elle jouer dans l’Internet des Objets (IoT) ?
Stocker les données dans une base de données centralisée.
Décider d’actions automatiques (ex. déclencher une alarme).
Assurer la connectivité entre les capteurs et le cloud.
Prédire des valeurs futures (ex. température, consommation).
Détecter des anomalies ou des pannes.
Quelles affirmations décrivent correctement les différences entre l’IA traditionnelle et l’IA appliquée à l’IoT ?
L’IA traditionnelle est conçue pour être exécutée dans des centres de calcul puissants, tandis que l’IA pour l’IoT peut agir localement sur les objets.
L’IA pour l’IoT fonctionne uniquement dans le cloud.
L’IA traditionnelle s’appuie sur des données statiques et nettoyées, alors que l’IA pour l’IoT traite des données issues d’environnements dynamiques.
L’IA pour l’IoT doit souvent fonctionner avec des ressources matérielles limitées, contrairement à l’IA classique.
Les deux approches reposent sur les mêmes contraintes de calcul et de communication.
Pourquoi les modèles d’IA classiques ne fonctionnent-ils pas directement dans les objets IoT ?
Les capteurs IoT fonctionnent toujours en réseau stable et permanent.
Les objets IoT ont des ressources limitées (CPU, mémoire, énergie).
L’IA classique ne sait pas traiter des données textuelles.
Les modèles classiques sont souvent trop lourds pour être exécutés localement.
Les données IoT arrivent sous forme de flux continu, non maîtrisable.
Quels problèmes liés aux données rendent l’IA classique difficile à appliquer telle quelle à l’IoT ?
Les données sont hétérogènes (capteurs différents, formats variés).
Les données peuvent être bruitées ou incomplètes.
Les données sont toujours pré-traitées et propres.
Les données IoT sont dynamiques et imprévisibles.
Les modèles classiques exigent que toutes les données soient centralisées.
Pourquoi une dépendance directe au cloud pose problème pour appliquer l’IA classique dans l’IoT ?
La connexion peut être intermittente ou instable.
Envoyer toutes les données vers le cloud consomme beaucoup de bande passante.
Les modèles cloud sont toujours optimisés pour IoT.
L’IoT peut nécessiter des décisions immédiates au niveau local.
L’IA classique ne peut jamais fonctionner hors-ligne.
Le prétraitement des données dans l’IA, y compris pour l’IoT, se fait en deux phases : un nettoyage initial suivi d’un prétraitement statistique.
Vrai
Faux
Parmi les actions suivantes, lesquelles font partie du prétraitement initial des données dans l’IA classique et dans l’IoT ?
Imputation des valeurs manquantes
Déploiement d’une interface utilisateur
Suppression des duplicatas
Entraînement du modèle sur le cloud
Détection des outliers
Dans l’IoT, certaines opérations classiques de prétraitement comme calculer la moyenne ou la médiane, ou reconnaître les doublons, peuvent être difficiles à réaliser. Pourquoi ?
Les modèles classiques n’ont jamais besoin de données propres
Les données arrivent en flux continu, on ne dispose pas de toutes les valeurs à un instant donné
Les données sont souvent hétérogènes et bruitées, ce qui fausse les statistiques classiques
Les objets IoT disposent de ressources limitées, rendant les calculs lourds difficiles
Les doublons peuvent être identifiés uniquement par hashage ou structures adaptées, pas par simple comparaison de toutes les données
Parmi les propositions suivantes, quelles méthodes permettent de détecter des valeurs aberrantes (outliers) dans un jeu de données ?
IQR (Interquartile Range)
Régression linéaire simple
Moyenne mobile
Analyse en composantes principales (PCA)
Z-score
Le prétraitement initial vise à nettoyer les données, tandis que le prétraitement statistique sert à préparer les données pour l’analyse ou l’apprentissage
Vrai
Faux
Parmi les opérations suivantes, lesquelles font partie du prétraitement statistique ?
Normalisation des données
Suppression des doublons
Échantillonnage d’un sous-ensemble représentatif
Réduction de dimension
Imputation des valeurs manquantes
