- Appui à la recherche : outils, chaînes de traitement de données, prototypes et analyse de corpus
- Appui technologique : architecture, revue de code, passage d’un prototype à un outil fiable
- Interventions en cours, ateliers pratiques et projets de fin d’études sur des cas réalistes
- Périmètre, données, confidentialité et propriété fixés avec l’institution avant de commencer
Un appui concret pour les équipes de recherche
Un laboratoire ou une équipe de recherche a souvent une question claire, mais peu de temps pour construire l’outil qui permettrait d’y répondre. On prend en charge la partie logicielle, avec les chercheurs qui gardent la main sur la question, la méthode et l’interprétation.
Le but est un traitement que l’équipe peut relancer, comprendre et décrire dans ses travaux, pas une démonstration ponctuelle.
- Outils sur mesure pour collecter, nettoyer ou structurer des données
- Chaînes de traitement reproductibles (pipelines), documentées et relançables
- Analyse de documents ou de corpus avec l’IA, avec contrôle des résultats sur un échantillon
- Prototypes pour tester une hypothèse ou une méthode avant d’y investir davantage
- Petites interfaces pour consulter, annoter ou partager des résultats au sein de l’équipe
Un renfort technique pour les projets existants
Certains projets ont déjà du code : un script de thèse devenu indispensable, un prototype qui doit servir à d’autres, un outil que plus personne n’ose modifier. On aide à le rendre solide sans tout reconstruire.
Cet appui peut porter sur l’architecture, une revue de code, la mise en place de tests, la documentation ou le passage d’un prototype à un outil qui tient dans la durée. Ce qui est gardé, sécurisé ou réécrit est décidé avec l’équipe.
Des étudiants à jour quand ils quittent l’université
Les outils d’IA changent la façon de travailler en entreprise plus vite que les programmes ne peuvent suivre. L’objectif : que les étudiants sachent comment les équipes utilisent réellement ces outils aujourd’hui, et qu’ils ne soient pas perdus à leur premier emploi.
Les formats possibles sont définis avec l’équipe pédagogique, selon les objectifs du cours et le niveau des étudiants. Pas de durée imposée ni de programme tout fait.
| Format possible | Pour qui | Ce qui reste après |
|---|---|---|
| Intervention dans un cours | Étudiants d’un cours existant, avec l’enseignant | Exemples et supports réutilisables par l’équipe pédagogique |
| Atelier pratique | Groupe d’étudiants ou de doctorants | Méthode de travail et grille de vérification |
| Projet de fin d’études | Étudiant ou petit groupe, avec un promoteur académique | Projet documenté sur un cas réaliste |
| Session pour jeunes diplômés | Diplômés récents qui veulent rester à jour | Repères sur les outils et pratiques du moment |
Ce que les étudiants pratiquent
On montre les outils et méthodes que les entreprises utilisent aujourd’hui, sur des cas concrets. La priorité reste la même : savoir vérifier ce que produit une IA avant de s’en servir.
- Assistants d’IA pour rédiger, résumer, chercher ou analyser, et leurs limites
- Agents d’IA : ce qu’ils savent faire seuls, et où il faut garder un contrôle humain
- Automatisation de tâches répétitives entre outils courants
- Développement assisté par l’IA : relire, tester et comprendre le code généré
- Vérifier une réponse dans la source, repérer une affirmation inventée ou une fausse précision
- Choisir quelles données peuvent entrer dans un outil, et lesquelles non
Comment on travaille avec une institution
Chaque collaboration commence par un cadre écrit, court et vérifiable. Les règles de l’institution priment ; on s’y adapte plutôt que d’en proposer d’autres.
- Une personne de contact nommée du côté de l’université ou du laboratoire
- Périmètre et livrables écrits avant de commencer
- Règles sur les données de recherche, les données personnelles et la confidentialité fixées au départ
- Exigences d’un comité d’éthique ou d’un délégué à la protection des données : décidées par l’institution
- Propriété du code et des résultats définie projet par projet