Quiz sur les moteurs de personnalisation de l'IA

Les réponses et les explications apparaissent au fur et à mesure que vous répondez au quiz.

1. Sur quoi repose principalement le filtrage collaboratif ?
   • Modèles chez de nombreux utilisateurs, par ex. « les gens qui ont aimé X ont aussi aimé Y »
   • Uniquement la description textuelle de chaque article
   • Niveau de batterie de l'appareil de l'utilisateur
   • Une liste éditoriale fixe du top 10
2. Quel est le « problème du démarrage à froid » en matière de personnalisation ?
   • Les serveurs mettent trop de temps à démarrer
   • Avoir peu ou pas de données sur un nouvel utilisateur ou un nouvel élément
   • Recommandations fonctionnant uniquement en hiver
   • Les utilisateurs se déconnectent fréquemment
3. Dans une architecture typique en deux étapes, que fait la première étape (génération des candidats) ?
   • Classe avec précision seulement dix éléments
   • Rédige les descriptions finales des produits
   • Réduit rapidement des millions d'articles à quelques centaines
   • Supprime les comptes d'utilisateurs inactifs
4. Pourquoi un recommandataire pourrait-il ajouter un objectif de diversité à une liste classée ?
   • To guarantee every item receives equal clicks
   • To remove all user-history signals
   • To make every recommendation random
   • To avoid filling the list with near-duplicate items and broaden the alternatives shown
5. Que sont les « intégrations » dans un système de recommandation ?
   • Vecteurs représentant les utilisateurs et les éléments afin que la proximité signale la pertinence
   • Puces physiques dans le serveur
   • Cookies stockés dans le navigateur
   • Lignes d'objet des e-mails
6. Pourquoi les commentaires implicites (clics, durée de visionnage) ont-ils souvent une plus grande importance que les notes explicites par étoiles ?
   • C'est plus facile de faire semblant
   • Il est bien plus abondant et reflète le comportement réel
   • C'est exigé par la loi
   • Les classements par étoiles sont illégaux
7. What does content-based filtering use to recommend items?
   • Only other users’ passwords
   • Random item order
   • Features of items a user has liked or interacted with
   • The device’s battery history
8. What does normalized discounted cumulative gain (NDCG) evaluate?
   • The number of users who created accounts
   • The model’s training duration
   • Whether an item description is grammatically correct
   • The quality of a ranked list, giving higher weight to relevant items near the top