# Modèles, contexte et réponses incorrectes

Taiga Learning · Fiche d’exercice
https://taiga.training/fr/lessons/models-context/

Utilisez des informations fictives ou approuvées. Ne placez pas de secrets dans cette fiche.

## Objectifs d’apprentissage
- Distinguer les capacités du modèle de son accès aux faits actuels.
- Reconnaître quand une contrainte absente rend incorrecte une réponse pourtant plausible.
- Demander des preuves que vous pouvez inspecter.

## Exercice
Choisissez une petite fonction que vous comprenez. Utilisez du code sans informations sensibles.
1. Demandez à un outil d’IA approuvé d’expliquer la fonction.
2. Fournissez le code appelant et un test en échec.
3. Demandez à l’outil de revoir son explication.
4. Notez l’affirmation modifiée et la preuve qui a motivé ce changement.
5. Notez les incertitudes restantes.

## Votre réponse
- Scénario et périmètre :
- Hypothèses et questions ouvertes :
- Réponse ou décision proposée, avec justification :

## Vérifier votre réponse
| Affirmation ou critère | Preuve ou test | Résultat ou lacune | Responsable |
| --- | --- | --- | --- |
| | | | |
| | | | |
| | | | |

## Action suivante
- Action, responsable et date :
- Quand réexaminerez-vous cette réponse ?

## Principe à retenir
Un résultat utile exige des capacités et les bonnes informations sur la tâche. Une explication claire ne prouve pas que le modèle a vérifié ses hypothèses.

## Sources
- [NIST: Generative AI Profile, AI 600-1](https://doi.org/10.6028/NIST.AI.600-1)

Cette fiche sert à apprendre. La remplir n’autorise pas à elle seule une modification en production.