Analyse comparative d’écosystemes en IA dans le but de repérer les pratiques innovantes en matière de formation et de transfert de connaissances
Bibliographic record
Abstract
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.
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 | 0.001 | 0.003 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.003 | 0.005 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.003 | 0.002 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.007 | 0.001 |
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".