Gérer le risque lié à l'impartition des technologies de l'information
Bibliographic record
Abstract
Résumé L’impartition des technologies de l’information permet à la firme de retirer un certain nombre de bénéfices dont les plus importants sont l’accès à une expertise de pointe, l’augmentation de la qualité des services offerts, la possibilité de se concentrer sur ses compétences clés et la réduction des coûts. Une fois l’entente d’impartition signée, certaines entreprises font pourtant face à des coûts de transition et de gestion qu’elles n’avaient pas prévus, à des coûts de service cachés, à des coûts élevés de renégociation de contrats, à des conflits avec leur fournisseur, de même qu’à des niveaux de service inférieurs à ceux qui avaient été prévus au contrat. Bien que l’impartition d’activités de technologies de l’information ne soit pas exempte de risques, il existe des pratiques qui permettent d’en retirer les bénéfices et d’en éviter les écueils. Cet article propose et illustre une méthode de gestion du risque lié à l’impartition qui s’appuie sur des études de cas menées au cours des dernières années et qui s’est avérée utile à un certain nombre d’entreprises qui l’ont mise en pratique.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.009 | 0.047 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.005 | 0.003 |
| Science and technology studies | 0.003 | 0.003 |
| Scholarly communication | 0.012 | 0.007 |
| Open science | 0.002 | 0.005 |
| Research integrity | 0.003 | 0.003 |
| Insufficient payload (model declined to judge) | 0.026 | 0.006 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".