Portrait de Jean Fundi K.

Rédaction/Marketing

Journaliste · GlobalNews42

IA et recherche : Dublin prépare un sommet où la qualité des données sera déterminante

Actualité et décryptage — 14 octobre 2026

Le sommet AI in Science doit se tenir à Dublin les 15 et 16 octobre. À la veille de son ouverture, la Research Data Alliance présente sa contribution à une rencontre consacrée à l’intelligence artificielle dans la recherche scientifique. Le programme met notamment l’accent sur les données ouvertes, leur qualité et leur capacité à être utilisées au-delà de leur contexte initial.

Centre de données BalticServers, archives de 2013 ; illustration de l’infrastructure numérique.
Centre de données BalticServers en 2013. Illustration d’archives de l’infrastructure numérique ; ce cliché ne représente aucun des événements évoqués. Photo : BalticServers.com, CC BY-SA 3.0.

Selon la présentation de la RDA, l’événement est coordonné par University College Dublin et Research Ireland dans le cadre de la présidence irlandaise du Conseil de l’Union européenne. La RDA contribue à un volet sur les données et la science ouverte avec la bibliothèque d’UCD et la Big Data Value Association. Au 14 octobre, il s’agit d’un programme annoncé, et non d’un compte rendu des débats.

La matière première de la recherche assistée par IA

Une démonstration d’intelligence artificielle peut être impressionnante sans que les données qui l’alimentent soient suffisamment décrites. Pour un chercheur, cette limite est décisive. Il faut savoir comment les observations ont été recueillies, ce qu’elles représentent et quelles erreurs peuvent les affecter.

La qualité ne se réduit pas au volume. Un grand ensemble de données peut comporter des lacunes, des doublons ou des déséquilibres. À l’inverse, un ensemble plus restreint mais bien documenté peut permettre une analyse plus solide. Le choix dépend de la question scientifique posée.

Cette exigence explique la place accordée aux infrastructures de données dans le programme. Les modèles ne travaillent pas en dehors des conditions de production des connaissances. Ils héritent des choix de mesure, de classement et de sélection effectués en amont.

Rendre les données utilisables par d’autres

L’interopérabilité désigne la possibilité de faire travailler ensemble des systèmes ou des ensembles d’informations. Dans la pratique, elle suppose des formats, des définitions et une documentation suffisamment cohérents pour éviter les interprétations erronées.

Deux équipes peuvent employer le même mot pour décrire des variables différentes. Elles peuvent aussi mesurer un phénomène à des dates, des échelles ou selon des méthodes distinctes. Avant de réunir leurs données, ces écarts doivent être identifiés. L’automatisation ne dispense pas de ce travail.

La science ouverte ajoute une autre dimension : permettre la consultation, la réutilisation ou la vérification lorsque cela est possible. L’ouverture ne signifie pas que toutes les informations peuvent être diffusées sans condition. Les restrictions liées aux personnes, aux accords de recherche ou à la sensibilité des données doivent être prises en compte.

Évaluer les résultats, pas seulement les performances techniques

Un modèle qui obtient un bon score sur un exercice ne résout pas nécessairement une question scientifique. Il faut comprendre la manière dont il a été évalué, les données utilisées pour le tester et les situations dans lesquelles ses performances diminuent.

La possibilité de reproduire une analyse compte également. Une équipe extérieure doit pouvoir comprendre les étapes, les paramètres et les limites du travail. Sans cette transparence, un résultat difficile à vérifier risque de circuler plus vite que les moyens de l’examiner.

Pour les institutions de recherche disposant de ressources limitées, ces questions ont une portée pratique. L’accès aux données, aux compétences et aux infrastructures peut conditionner la participation aux projets. Le débat sur l’IA scientifique concerne donc aussi l’organisation de la coopération.

Le sommet de Dublin sera à suivre sur ces points précis. Les échanges annoncés pourront éclairer des méthodes et des priorités, mais leurs conclusions ne doivent pas être anticipées. Les documents publiés après les 15 et 16 octobre permettront de distinguer les orientations effectivement retenues des intentions du programme.

La documentation des échecs aura aussi son intérêt. Elle peut éviter à d’autres équipes de reproduire des essais dont les limites ont déjà été identifiées.

À ce stade, le message préparatoire est clair : la progression de l’IA dans les laboratoires dépendra aussi du travail moins visible consacré aux données. Leur description, leur qualité et leur accessibilité restent des conditions essentielles d’une recherche vérifiable.

Sources

Research Data Alliance, programme annoncé pour les 15 et 16 octobre

Votre commentaire