Analyse comparative d’écosystemes en IA dans le but de repérer les pratiques innovantes en matière de formation et de transfert de connaissances
Notice bibliographique
Résumé
Les défis actuels des écosystèmes en IA sont caractérisés par une forte demande de talents en intelligence numérique, une demande de formations qui répondent aux besoins du marché, l’émergence de nouveaux profils d’emploi, une demande en hausse pour le rehaussement des compétences des travailleurs en emploi et une adoption de l’IA par les entreprises encore limitée à certains secteurs. C’est ce qui a motivé la mise en place de nombreuses initiatives des établissements d’enseignements et d’autres types d’acteurs, autant en matière de formation que de transfert de connaissances. Pour le Québec, les rapports qui ont été publiés en 2020 et 2021 ainsi que les entrevues menées auprès des acteurs de l’écosystème en IA ont permis de faire un survol des forces et des faiblesses. Le Québec est reconnu pour son importante communauté de recherche en IA et son positionnement pour un développement responsable de l’IA. De nombreux établissements d’enseignement ont remodelé leurs programmes pour répondre aux enjeux du numérique et aux besoins du marché. Des initiatives concertées cégeps-universités ont été mises en place et des collaborations de recherche appliquée ou l’intégration de stages ont vu le jour. Plusieurs instituts et organisations participent à accompagner les entreprises dans l’adoption de l’IA. Toutefois, la multiplicité des acteurs est souvent vue comme un obstacle pour les entreprises. Plusieurs organisations n’utilisent pas l’IA faute de compréhension générale de l’IA et de ses applications et en raison de la difficulté d’évaluer leur niveau de maturité, d’identifier les compétences nécessaires ou les besoins de formation pour les employés. Dans le cadre de cette étude, six grands constats ont pu être faits concernant les pratiques innovantes en matière de formation et de transfert de connaissances existantes à partir de l’analyse de plusieurs écosystèmes en IA dans plusieurs régions du monde. À la suite de ces constats et des discussions que nous avons eues avec des représentants de l’écosystème québécois, nous avons identifié certaines pistes qui pourraient être recommandées pour le Québec.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,005 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».