{"id":658452,"date":"2026-09-15T09:43:58","date_gmt":"2026-09-15T07:43:58","guid":{"rendered":"https:\/\/aivancity.ai\/blog\/?p=658452"},"modified":"2026-09-15T09:44:04","modified_gmt":"2026-09-15T07:44:04","slug":"langle-mort-de-la-formation-en-ia-la-gestion-des-donnees","status":"publish","type":"post","link":"https:\/\/aivancity.ai\/blog\/langle-mort-de-la-formation-en-ia-la-gestion-des-donnees\/","title":{"rendered":"L’angle mort de la formation en IA : la gestion des donn\u00e9es"},"content":{"rendered":"\n

Par Dr. Guendalina CALDARINI<\/a>, Directrice de programme, MSc Data Management | Professeure \u00e0 aivancity<\/em> |\u00a0<\/p>\n\n\n\n

La formation en IA est aujourd’hui confront\u00e9e \u00e0 un paradoxe. Les \u00e9coles et les bootcamps forment des dipl\u00f4m\u00e9s capables d’affiner des mod\u00e8les de langage, de d\u00e9ployer des pipelines de g\u00e9n\u00e9ration augment\u00e9e par r\u00e9cup\u00e9ration et de construire des syst\u00e8mes de vision par ordinateur. Pourtant, lorsqu’on leur demande qui est responsable de la qualit\u00e9, de la coh\u00e9rence et de la gouvernance des donn\u00e9es dont d\u00e9pendent ces mod\u00e8les, les r\u00e9ponses deviennent vite h\u00e9sitantes. La gestion des donn\u00e9es, qui rend les syst\u00e8mes d’IA fiables en production, reste le domaine le moins pr\u00e9sent dans les cursus en intelligence artificielle.<\/p>\n\n\n\n

Comment le cycle de l’engouement a fa\u00e7onn\u00e9 la formation<\/h2>\n\n\n\n

Le boom de la formation en IA dans les ann\u00e9es 2020 a suivi de pr\u00e8s le cycle de l’engouement. \u00c0 mesure que les mod\u00e8les transformeurs devenaient accessibles, les programmes se sont rapidement mis \u00e0 former des sp\u00e9cialistes du prompt engineering. L’arriv\u00e9e des grands mod\u00e8les de langage dans les logiciels d’entreprise a ensuite fait exploser la demande de ML Engineers capables de les affiner et de les d\u00e9ployer. Les organismes de formation ont donc adopt\u00e9 un socle devenu standard : Python, PyTorch, LangChain, bases de donn\u00e9es vectorielles et \u00e9valuation de mod\u00e8les. Ce choix \u00e9tait logique, car ces comp\u00e9tences sont r\u00e9ellement utiles.<\/p>\n\n\n\n

Ce mouvement a aussi cr\u00e9\u00e9 un angle mort structurel. Un mod\u00e8le est facile \u00e0 montrer et \u00e0 valoriser dans la communication d’un programme. Le travail sur les donn\u00e9es qui l’alimentent attire moins l’attention et reste difficile \u00e0 int\u00e9grer dans un cursus de douze semaines. Pourtant, dans les environnements de production, les probl\u00e8mes de donn\u00e9es torpillent bien plus de projets IA que les probl\u00e8mes de mod\u00e8les.<\/p>\n\n\n\n

Ce que recouvre la gestion des donn\u00e9es<\/h2>\n\n\n\n

On r\u00e9duit souvent la gestion des donn\u00e9es au simple fait de \u00ab stocker des donn\u00e9es \u00bb. En r\u00e9alit\u00e9, elle couvre plusieurs domaines interd\u00e9pendants : la gestion de la qualit\u00e9 des donn\u00e9es (garantir l’exhaustivit\u00e9, la coh\u00e9rence et l’exactitude tout au long du cycle de vie) ; la gestion des m\u00e9tadonn\u00e9es (d\u00e9crire les donn\u00e9es pour qu’elles puissent \u00eatre trouv\u00e9es, comprises et gouvern\u00e9es) ; la gestion des ontologies et taxonomies (construire des repr\u00e9sentations de cotext-justifynnaissance structur\u00e9es) ; la r\u00e9solution d’entit\u00e9s et la concordance des donn\u00e9es (identifier quand diff\u00e9rents enregistrements font r\u00e9f\u00e9rence \u00e0 la m\u00eame entit\u00e9 du monde r\u00e9el) ; et la gouvernance des donn\u00e9es (d\u00e9finir les r\u00e8gles de propri\u00e9t\u00e9, de responsabilit\u00e9 et de gestion du cycle de vie).<\/p>\n\n\n\n

Ensemble, ces domaines forment le socle des syst\u00e8mes d’IA fiables. Ils constituent aussi une discipline coh\u00e9rente, encore peu enseign\u00e9e, \u00e0 la crois\u00e9e de l’informatique, des sciences de l’information et des programmes de gestion.<\/p>\n\n\n\n