90
confrontées et pour y recruter des jeunes diplômés. Il est essentiel que les entreprises françaises
puissent également bénéficier de cet atout, ce qui n’est pas encore suffisamment le cas.
Telle était donc la mission confiée au groupe « Industrialisation et appropriation des résultats de la
recherche par les entreprises », détaillée comme suit :
1. Identifier les principaux domaines et sous domaines de la recherche en Intelligence
artificielle dans lesquels un transfert à court terme (moins de trois ans) est envisageable
vers les entreprises, en tenant compte autant que possible de l'effort d'industrialisation et
du potentiel économique ;
2. Proposer des actions (notamment appels à projets) permettant de susciter et de soutenir
les coopérations entre entreprises et laboratoires favorisant les transferts de
technologies ;
3. Caractériser, au regard des sujets de recherche identifiés, les phases de tests et d’essais
qui seraient à réaliser, en identifiant autant que possible les risques réglementaires
éventuels ;
4. Identifier ou proposer des dispositifs et moyens (plateformes matérielles et logicielles)
possiblement mutualisés permettant aux entreprises de tester les technologies issues de
travaux de recherche ;
5. Et toute autre action faisant sens sur le sujet de l’industrialisation des résultats de la
recherche en IA.
Le groupe, composé à parts égales de membres de la communauté académique et de représentants du
monde des industries et services, a questionné les équipes de recherche et les entreprises sur le
potentiel de transfert, les enjeux et les freins à lever pour augmenter la bande passante entre ces deux
communautés dans le domaine de l’intelligence artificielle et dans ses sous-domaines. Plus d’une
centaine de technologies développées dans les laboratoires de recherche ont été jugées transférables à
court et moyen terme vers les entreprises, essentiellement dans les sous-domaines de l’apprentissage
automatique, de l’optimisation et de la prise de décision, du traitement de la langue naturelle, de la
représentation des connaissances, de l’évolution artificielle et des systèmes multi-agents. En résonance
avec ces résultats, pour la cinquantaine d’entreprises qui ont répondu au questionnaire, les bénéfices
attendus des technologies d’IA sont qualifiés comme importants voire critiques.
Pour ce faire, les principaux enjeux identifiés par les chercheurs et les entreprises, qui correspondent
également à des freins à lever, sont les suivants :
x Disposer d’ensembles de données nettoyées et fiables prêtes à l’emploi, notamment
données publiques ou ouvertes. Elles sont nécessaires aux algorithmes d’apprentissage et
plus largement pour tous les domaines qui font appel à des données, qu’elles soient
expérimentales, acquises en ligne, traces de transactions, etc. L’application des méthodes
d’IA sur des données représentatives des problèmes à traiter est une condition sine qua non
de leur adoption par le monde économique.
x Etre capable de garantir ou de certifier certaines méthodes (besoin de fondements
théoriques pour prouver les algorithmes). Cette garantie/certification est indispensable pour
les systèmes critiques et importante pour les autres, faute de quoi les entreprises seront
réticentes à déployer des systèmes auxquels elles ne font pas totalement confiance.
confrontées et pour y recruter des jeunes diplômés. Il est essentiel que les entreprises françaises
puissent également bénéficier de cet atout, ce qui n’est pas encore suffisamment le cas.
Telle était donc la mission confiée au groupe « Industrialisation et appropriation des résultats de la
recherche par les entreprises », détaillée comme suit :
1. Identifier les principaux domaines et sous domaines de la recherche en Intelligence
artificielle dans lesquels un transfert à court terme (moins de trois ans) est envisageable
vers les entreprises, en tenant compte autant que possible de l'effort d'industrialisation et
du potentiel économique ;
2. Proposer des actions (notamment appels à projets) permettant de susciter et de soutenir
les coopérations entre entreprises et laboratoires favorisant les transferts de
technologies ;
3. Caractériser, au regard des sujets de recherche identifiés, les phases de tests et d’essais
qui seraient à réaliser, en identifiant autant que possible les risques réglementaires
éventuels ;
4. Identifier ou proposer des dispositifs et moyens (plateformes matérielles et logicielles)
possiblement mutualisés permettant aux entreprises de tester les technologies issues de
travaux de recherche ;
5. Et toute autre action faisant sens sur le sujet de l’industrialisation des résultats de la
recherche en IA.
Le groupe, composé à parts égales de membres de la communauté académique et de représentants du
monde des industries et services, a questionné les équipes de recherche et les entreprises sur le
potentiel de transfert, les enjeux et les freins à lever pour augmenter la bande passante entre ces deux
communautés dans le domaine de l’intelligence artificielle et dans ses sous-domaines. Plus d’une
centaine de technologies développées dans les laboratoires de recherche ont été jugées transférables à
court et moyen terme vers les entreprises, essentiellement dans les sous-domaines de l’apprentissage
automatique, de l’optimisation et de la prise de décision, du traitement de la langue naturelle, de la
représentation des connaissances, de l’évolution artificielle et des systèmes multi-agents. En résonance
avec ces résultats, pour la cinquantaine d’entreprises qui ont répondu au questionnaire, les bénéfices
attendus des technologies d’IA sont qualifiés comme importants voire critiques.
Pour ce faire, les principaux enjeux identifiés par les chercheurs et les entreprises, qui correspondent
également à des freins à lever, sont les suivants :
x Disposer d’ensembles de données nettoyées et fiables prêtes à l’emploi, notamment
données publiques ou ouvertes. Elles sont nécessaires aux algorithmes d’apprentissage et
plus largement pour tous les domaines qui font appel à des données, qu’elles soient
expérimentales, acquises en ligne, traces de transactions, etc. L’application des méthodes
d’IA sur des données représentatives des problèmes à traiter est une condition sine qua non
de leur adoption par le monde économique.
x Etre capable de garantir ou de certifier certaines méthodes (besoin de fondements
théoriques pour prouver les algorithmes). Cette garantie/certification est indispensable pour
les systèmes critiques et importante pour les autres, faute de quoi les entreprises seront
réticentes à déployer des systèmes auxquels elles ne font pas totalement confiance.