Savoirs en informatique — concours d’inspection (qualifiant, session 2023)

2.1 Trois familles d’applications mobiles

2.2 La plateforme Android

• Système : bâti sur un noyau Linux, développé par Google ; applications distribuées en APK ou en AAB (Android App Bundle) via Google Play ou d’autres canaux.
• Langages : Kotlin (langage officiellement recommandé par Google depuis 2019) et Java ; côté interface, fichiers XML de mise en page (layouts) ou Jetpack Compose (interface déclarative).
• Composants : Activity (un écran), Fragment (portion d’écran réutilisable), Service (tâche en arrière-plan), BroadcastReceiver (réaction à des événements du système), ContentProvider (partage de données entre applications), Intent (message qui demande une action ou lance un composant).
• Fichier manifeste (AndroidManifest.xml) : déclare les composants, les permissions et les fonctionnalités nécessaires.
• Permissions : certaines sont accordées à l’installation, les plus sensibles (caméra, localisation, contacts…) sont demandées à l’exécution depuis Android 6.

2.3 Cycle de vie d’une Activity

Retenez l’ordre normal d’un lancement : onCreate → onStart → onResume ; et celui d’une mise en arrière-plan : onPause → onStop. La rotation de l’écran détruit et recrée l’activité par défaut, d’où l’importance de sauvegarder l’état (onSaveInstanceState, ou un ViewModel).

2.4 iOS et outils multiplateformes

• iOS : applications écrites en Swift (ou Objective-C) avec Xcode, distribuées par l’App Store ; développement sur macOS.
• Flutter : kit de Google, langage Dart, dessine lui-même ses composants d’interface ; une base de code pour mobile, Web et bureau.
• React Native : framework de Meta, JavaScript/TypeScript, utilise des composants natifs ; les développeurs Web s’y retrouvent.

2.5 Architecture et contraintes

• Séparer les responsabilités : modèle (données), vue (interface) et logique de présentation : motifs MVC ou MVVM (modèle–vue–vue-modèle, recommandé sur Android avec ViewModel et LiveData/Flow).
• Données : stockage local (SQLite, préférences), stockage distant par appels d’API REST au format JSON (chapitre 9), notifications push (par exemple Firebase Cloud Messaging).
• Contraintes propres au mobile : écrans de tailles variées, batterie limitée, réseau intermittent, mémoire contrainte, sécurité des données, cycle de vie capricieux. Une bonne application mobile gère le mode hors ligne et ne bloque jamais le fil principal (opérations réseau en arrière-plan).

2.6 Exercice d’entraînement

3.1 Définition et caractéristiques essentielles

Le National Institute of Standards and Technology (NIST, États-Unis) définit le Cloud (publication SP 800-145, 2011) comme un modèle d’accès par le réseau, à la demande, à un ensemble partagé de ressources informatiques configurables (réseaux, serveurs, stockage, applications, services) qui peuvent être provisionnées et libérées rapidement avec un effort de gestion minimal. Cinq caractéristiques essentielles :

3.2 Les trois modèles de service

Règle mnémotechnique : plus on monte de l’IaaS vers le SaaS, plus le fournisseur gère de couches et moins le client gère ; en contrepartie, le client perd en flexibilité.

3.3 Les modèles de déploiement

• Cloud public : infrastructure possédée par un fournisseur et partagée entre de nombreux clients.
• Cloud privé : infrastructure dédiée à une seule organisation (sur site ou hébergée).
• Cloud hybride : combinaison de public et de privé reliés, par exemple données sensibles en privé et pics de charge en public.
• Cloud communautaire : infrastructure partagée par des organisations ayant des besoins communs (administrations, hôpitaux…).

3.4 Virtualisation et conteneurs

3.5 Avantages, risques et cadre réglementaire

Au Maroc, le traitement des données personnelles relève de la loi 09-08 (2009) et de la Commission nationale de contrôle de la protection des données à caractère personnel (CNDP) ; la sécurité des systèmes d’information est encadrée par la loi 05-20 sur la cybersécurité (2020). Ces textes sont cités pour contexte ; la fiche n’en fait pas une obligation de connaissance détaillée.

3.6 Exercice d’entraînement

4.1 Les « V » du Big Data

Les trois premiers (Volume, Vélocité, Variété) sont les « 3 V » historiques (formulés par l’analyste Doug Laney en 2001) ; Véracité et Valeur s’y ajoutent dans les présentations à « 5 V ».

4.2 Stockage : au-delà du relationnel

Une base relationnelle (SQL) impose un schéma strict, des transactions ACID (atomicité, cohérence, isolation, durabilité) et des jointures ; elle s’adapte mal à la répartition sur de nombreux serveurs. Les systèmes NoSQL (« not only SQL ») relâchent certaines contraintes pour gagner en passage à l’échelle horizontal :

Le théorème CAP (proposé par Eric Brewer en 2000, démontré en 2002) énonce qu’un système de données réparti ne peut garantir à la fois la cohérence (C), la disponibilité (A) et la tolérance au partitionnement du réseau (P) ; en cas de partition, il faut choisir entre C et A. Beaucoup de systèmes NoSQL privilégient la disponibilité avec une cohérence « à terme » (eventual consistency).

4.3 Traitement : Hadoop, Spark, flux

• Hadoop (écosystème libre inspiré de publications de Google des années 2003–2004) : HDFS (système de fichiers distribué, les fichiers sont découpés en blocs répliqués sur plusieurs nœuds), MapReduce (modèle de calcul en deux phases : map traite les blocs en parallèle, reduce agrège les résultats) et YARN (gestion des ressources).
• Apache Spark : moteur de calcul distribué qui travaille en mémoire, donc beaucoup plus rapide que MapReduce pour les algorithmes itératifs ; il gère traitement par lots, requêtes SQL, apprentissage automatique et flux.
• Traitement par lots (batch) et par flux (streaming) : le premier traite de grands volumes accumulés (calcul de fin de journée) ; le second traite les données au fil de l’eau, avec une faible latence (outils comme Kafka pour transporter les flux, Spark Streaming ou Flink pour les traiter).

4.4 Entrepôt de données et lac de données

4.5 Cycle d’exploitation, usages et enjeux

• Chaîne de valeur : collecte → stockage → nettoyage et préparation → analyse (statistique, apprentissage automatique) → visualisation (tableaux de bord) → décision.
• Usages : recommandation de produits, détection de fraude, maintenance prédictive, météo et agriculture de précision, santé, analyse de réseaux sociaux, et en éducation l’analyse des apprentissages (learning analytics).
• Enjeux : qualité des données (« garbage in, garbage out »), protection de la vie privée (loi 09-08), biais des données, sécurité, coût énergétique du stockage et du calcul.

4.6 Exercice d’entraînement

5.1 Terminologie : trois cercles emboîtés

Une IA « symbolique » (systèmes experts, règles si… alors) n’apprend pas ; une IA par apprentissage ajuste ses paramètres à partir d’exemples.

5.2 Les trois grands types d’apprentissage

5.3 Démarche d’un projet d’apprentissage supervisé

1. Définir le problème (classification ou régression) et l’objectif mesurable.
2. Collecter et préparer les données : nettoyage, valeurs manquantes, encodage des variables, normalisation.
3. Séparer les données en ensembles d’apprentissage (entraînement), de validation (réglage) et de test (évaluation finale, jamais utilisée pour apprendre).
4. Choisir et entraîner un modèle.
5. Évaluer avec des métriques adaptées, puis déployer et surveiller.

Surapprentissage (overfitting) : le modèle colle trop aux données d’entraînement (excellent score à l’entraînement, mauvais sur de nouvelles données). Sous-apprentissage (underfitting) : le modèle est trop simple et échoue même à l’entraînement. Remèdes au surapprentissage : plus de données, modèle plus simple, régularisation, validation croisée.

5.4 Quelques algorithmes classiques

5.5 Mesurer la performance d’un classifieur

On construit la matrice de confusion d’un classifieur binaire avec : VP (vrais positifs), VN (vrais négatifs), FP (faux positifs), FN (faux négatifs).

Exemple chiffré. Un détecteur de spam traite 100 courriels : VP = 30, FP = 10, FN = 20, VN = 40. Exactitude = (30 + 40)/100 = 70 % ; précision = 30/40 = 75 % ; rappel = 30/50 = 60 %.

5.6 Exercice d’entraînement

6.1 Du neurone artificiel au réseau profond

• Neurone artificiel : calcule une somme pondérée de ses entrées (poids w, biais b), puis applique une fonction d’activation (ReLU, sigmoïde…) : sortie = f(Σ wᵢxᵢ + b). Le perceptron (Frank Rosenblatt, 1957) en est la forme historique.
• Réseau : des couches de neurones : une couche d’entrée, une ou plusieurs couches cachées, une couche de sortie. Un réseau est « profond » lorsqu’il a de nombreuses couches cachées.
• Apprentissage : on mesure l’erreur par une fonction de coût, puis on ajuste les poids par descente de gradient, le gradient étant calculé couche après couche par la rétropropagation (popularisée par Rumelhart, Hinton et Williams en 1986).
• Pourquoi le profond a explosé : grandes bases de données, puissance de calcul des processeurs graphiques (GPU), et progrès algorithmiques.

6.2 Familles de réseaux et domaines d’usage

Domaines d’application : vision par ordinateur, traitement automatique du langage naturel (TALN/NLP), reconnaissance vocale, recommandation, conduite autonome, diagnostic assisté.

6.3 L’IA générative et les grands modèles de langage

Un grand modèle de langage (LLM) est un réseau de type transformer entraîné sur de très grands corpus de textes pour prédire le mot (ou le segment) suivant. Il génère ainsi du texte plausible. Les usages vont de la rédaction à l’aide à la programmation. Les limites principales sont :

• les hallucinations : réponses plausibles mais fausses, car le modèle optimise la vraisemblance, non la vérité ;
• la dépendance aux données d’entraînement (connaissances arrêtées à une date, biais, contenus protégés) ;
• l’opacité (difficulté d’expliquer une décision) et le coût énergétique ;
• les risques de confidentialité si l’on saisit des données personnelles dans un service externe.

6.4 Biais, éthique et régulation

6.5 L’IA dans l’éducation

• Opportunités : parcours personnalisés, aide à la correction, génération de ressources et d’exercices, assistants de révision, accessibilité (reconnaissance vocale, traduction).
• Risques : triche et dépendance, erreurs présentées avec assurance, uniformisation des productions, atteinte à la vie privée des élèves, creusement des inégalités d’accès.
• Posture de l’inspecteur : apprendre aux élèves à vérifier les sources, à citer l’usage de l’outil, à garder la maîtrise du raisonnement ; définir des règles claires d’usage dans l’établissement.

6.6 Exercice d’entraînement

7.1 Architecture d’un système IoT

Le schéma est parfois présenté en trois couches (perception, réseau, application) : les noms varient, la logique reste la même.

7.2 Capteurs, actionneurs et matériel

• Capteur : convertit une grandeur physique en signal électrique (analogique ou numérique). Actionneur : convertit un signal électrique en action physique.
• Microcontrôleur (Arduino à base d’AVR, ESP32 avec Wi-Fi et Bluetooth intégrés) : petit circuit intégré qui exécute un programme sans système d’exploitation complet, consomme peu et coûte peu.
• Ordinateur monocarte (Raspberry Pi) : exécute un système d’exploitation complet (Linux), plus puissant, plus gourmand en énergie.
• Entrées/sorties : broches numériques (0 ou 1), entrées analogiques converties par un CAN (convertisseur analogique-numérique), sorties à modulation de largeur d’impulsion (MLI/PWM).

7.3 Protocoles de communication

Le choix dépend de la portée, du débit, de la consommation et du coût : un capteur de sol alimenté par pile pendant des années choisit LoRaWAN ; une caméra qui diffuse de la vidéo choisit le Wi-Fi.

7.4 Cloud, edge et fog

• Cloud : traitement centralisé, très puissant mais avec latence et dépendance au réseau.
• Edge computing (informatique en périphérie) : traitement près de la source (sur l’objet ou la passerelle) pour réduire la latence, économiser la bande passante et rester utile hors ligne.
• Fog computing : niveau intermédiaire entre l’edge et le Cloud.

7.5 Applications et enjeux

• Applications : agriculture de précision (irrigation selon l’humidité du sol), villes intelligentes (éclairage, trafic, déchets), santé connectée, industrie 4.0 (maintenance prédictive), maison intelligente, suivi logistique.
• Sécurité : mots de passe par défaut, absence de mises à jour du micrologiciel (firmware), communications non chiffrées. Le botnet Mirai (2016) a exploité des caméras et routeurs mal protégés pour lancer de grandes attaques par déni de service.
• Vie privée et énergie : collecte massive de données personnelles, empreinte énergétique et déchets électroniques.

7.6 Exercice d’entraînement

8.1 Images : numérique et formats

• Image matricielle (bitmap) : grille de pixels ; qualité fixée par la résolution (nombre de pixels, ou densité en ppp/dpi) et la profondeur de couleur (bits par pixel). Image vectorielle : décrite par des formes mathématiques (points, courbes) ; elle s’agrandit sans perte (logos, schémas ; format SVG).
• Couleurs : RGB (rouge, vert, bleu) : synthèse additive des écrans ; à 8 bits par canal (24 bits au total), on obtient 2²⁴ = 16 777 216 couleurs, écrites en hexadécimal #RRGGBB. CMYK (cyan, magenta, jaune, noir) : synthèse soustractive de l’impression.

Taille d’une image non compressée : largeur × hauteur × profondeur (en bits) ÷ 8 = nombre d’octets.

Exemple : une image 1920 × 1080 en 24 bits : 1920 × 1080 = 2 073 600 pixels ; 2 073 600 × 24 / 8 = 6 220 800 octets, soit environ 5,9 Mio (6,2 Mo).

8.2 Son numérique

Numériser un son, c’est l’échantillonner (mesurer l’amplitude à intervalles réguliers) puis le quantifier (coder chaque mesure sur un nombre de bits). Trois paramètres : la fréquence d’échantillonnage fₑ, la profondeur (bits par échantillon) et le nombre de canaux (mono = 1, stéréo = 2). Le théorème de Nyquist–Shannon impose fₑ ≥ 2 × f_max du signal pour le reconstituer sans perte : l’oreille entend jusqu’à environ 20 kHz, d’où 44,1 kHz pour le CD.

Taille non compressée : fréquence × profondeur × canaux × durée (en s) ÷ 8 = octets.

Exemple : une minute en qualité CD (44 100 Hz, 16 bits, stéréo) : 44 100 × 16 × 2 × 60 = 84 672 000 bits ; divisé par 8, 10 584 000 octets, soit environ 10,1 Mio ; le débit est de 1 411 200 bits par seconde.

8.3 Vidéo

• Une vidéo est une suite d’images (fréquence d’images en i/s ou fps : 24, 25, 30…) accompagnée de son. Taille brute = taille d’une image × fréquence × durée (+ audio) ; elle est énorme, d’où la compression.
• Codec (H.264/AVC, H.265/HEVC, VP9, AV1) : algorithme qui compresse et décompresse. Conteneur (MP4, MKV, AVI) : fichier qui regroupe les flux vidéo, audio et sous-titres. Ce sont deux notions différentes : un fichier MP4 peut contenir de la vidéo H.264 ou H.265.
• Résolution : HD = 1280 × 720, Full HD = 1920 × 1080, 4K (UHD) = 3840 × 2160.

8.4 Compression : avec et sans perte

Le taux de compression se calcule : taille d’origine ÷ taille compressée (par exemple 6 Mo ramenés à 1,5 Mo : taux 4). On ne compresse jamais « avec perte » un texte, un programme ou une archive de données : un seul octet modifié suffit à les rendre inutilisables.

8.5 Bureautique : tableur, traitement de texte, présentation

8.6 Exercice d’entraînement

9.1 Client–serveur et HTTP

• Client–serveur : le client (navigateur, application mobile) envoie une requête, le serveur renvoie une réponse. Le protocole HTTP est sans état (stateless) : chaque requête est indépendante ; pour « se souvenir » d’un utilisateur, on utilise des cookies, des sessions ou des jetons.
• Requête HTTP : ligne de requête (GET /eleves/12 HTTP/1.1), en-têtes (Host, Accept, Authorization…), corps éventuel. Réponse : ligne d’état (HTTP/1.1 200 OK), en-têtes (Content-Type: application/json), corps.
• HTTPS = HTTP au-dessus de TLS : chiffrement et authentification du serveur ; indispensable dès qu’il y a des données personnelles ou des mots de passe.

9.2 Méthodes et codes d’état

Familles : 1xx information, 2xx succès, 3xx redirection, 4xx erreur du client, 5xx erreur du serveur.

9.3 Le style REST

REST (Representational State Transfer, thèse de Roy Fielding, 2000) est un style d’architecture, pas un protocole. Ses contraintes principales : client–serveur, sans état, possibilité de mise en cache, interface uniforme (ressources identifiées par des URL, manipulées par les méthodes HTTP, représentées en JSON ou XML) et architecture en couches.

Bonnes pratiques : des noms de ressources au pluriel dans l’URL (pas de verbes : /eleves, pas /getEleves), des codes d’état justes, un versionnage (/api/v1/…), des erreurs documentées.

9.4 JSON

JSON (JavaScript Object Notation) est un format texte de données : objets { } de paires clé–valeur, tableaux [ ], valeurs : chaînes (entre guillemets doubles), nombres, booléens (true, false), null. Pas de commentaires, pas de virgule après le dernier élément.

{
  "id": 12,
  "nom": "Amine",
  "classe": "TCS-2",
  "notes": [14.5, 16, 12],
  "actif": true,
  "adresse": null
}

Comparé à XML, JSON est plus compact et plus facile à manipuler en JavaScript et dans les applications mobiles ; XML reste utilisé quand on a besoin de schémas et d’espaces de noms (SOAP, flux de documents).

9.5 Authentification, autorisation et sécurité de base

• Authentification : prouver qui l’on est (mot de passe, jeton, certificat). Autorisation : déterminer ce que l’on peut faire (rôles, permissions). Ne pas les confondre (401 contre 403).
• Clé d’API (simple, peu sûre si exposée), jeton porté dans l’en-tête Authorization: Bearer … (par exemple JWT, JSON Web Token, signé et à durée limitée), OAuth 2.0 (délégation d’accès : « se connecter avec un compte tiers »).
• CORS (partage de ressources entre origines) : mécanisme du navigateur qui autorise ou interdit à une page d’appeler une API d’un autre domaine.
• Vérifier toutes les entrées côté serveur (injection SQL, XSS), ne jamais stocker les mots de passe en clair (hachage salé), utiliser HTTPS.

9.6 Exercice d’entraînement

10.1 Mémento de formules

10.2 Méthode pour les questions fermées (QCM et réponses courtes)

• Lisez toutes les propositions avant de choisir : plusieurs peuvent sembler justes, une seule est la plus complète ou la plus précise.
• Repérez les mots absolus (« toujours », « jamais », « uniquement ») : ils rendent souvent une proposition fausse.
• Distinguez les paires piégeuses : virtualisation / Cloud ; VM / conteneur ; HTTP / MQTT ; PUT / POST ; 401 / 403 ; supervisé / non supervisé ; précision / rappel ; codec / conteneur ; schéma à l’écriture / à la lecture.
• Pour un calcul, écrivez la formule, remplacez, convertissez les unités (bits → octets) et vérifiez l’ordre de grandeur.

10.3 Méthode pour les questions ouvertes

1. Définir le terme en une phrase précise.
2. Décrire les éléments ou étapes (liste ou schéma).
3. Illustrer par un exemple concret du contexte marocain ou scolaire.
4. Conclure par une limite ou un point critique (risque, coût, éthique) : c’est ce qui distingue un candidat inspecteur d’un simple technicien.

10.4 Correspondance fiche — chapitres