Cet onglet présente les séances de découverte de la recherche scientifique en informatique, leurs apports méthodologiques, mes apprentissages concrets et mon retour d'expérience personnel.
Distinction fondamentale entre opinion et preuve vérifiable. Formulation d'une problématique précise et reproductible. Construction d'hypothèses testables et conception d'un protocole de validation rigoureux.
Retenu : une bonne question de recherche doit être formulée de façon à pouvoir être réfutée — c'est le principe de falsifiabilité de Popper.
Apprentissage de la structure d'un article académique : résumé (abstract), introduction, méthodes, résultats, discussion, limites. Travail sur l'identification de la question de recherche et la lecture critique des résultats.
Retenu : toujours lire les limites d'une étude avant de s'approprier ses conclusions. Un résultat isolé ne fait pas une vérité.
Pourquoi un résultat scientifique doit être reproduit par d'autres équipes pour être fiable. Comment documenter une expérience de façon exhaustive. Comparaison rigoureuse de plusieurs approches techniques avec des métriques objectifs.
Retenu : en informatique, la crise de reproductibilité est réelle — beaucoup de résultats en IA ne peuvent pas être reproduits sans accès au code et aux données.
La recherche fondamentale produit de la connaissance sans objectif produit immédiat : nouvelles théories, modèles mathématiques, preuves formelles. Elle constitue le socle sur lequel s'appuie la recherche appliquée, qui transforme ces connaissances en solutions concrètes : algorithmes d'IA, outils de cybersécurité, systèmes embarqués.
En informatique, les deux sont intimement liées : les réseaux de neurones profonds (fondamental) sont devenus les moteurs de l'IA générative (appliqué).
Avant d'être publié dans une revue scientifique, un article est évalué anonymement par des experts du domaine (les pairs). Ces reviewers vérifient la rigueur méthodologique, la validité des résultats et la pertinence de la contribution.
Ce processus garantit un niveau de fiabilité que l'on ne retrouve pas dans les articles de blog ou les prépublications (arxiv, hal). Il est la pierre angulaire de la confiance dans la connaissance scientifique.
Un résultat scientifique n'a de valeur que s'il est reproductible : les données, le code, le protocole et les conditions de l'expérience doivent être suffisamment documentés pour que n'importe qui puisse refaire l'expérience et obtenir les mêmes résultats.
Cette exigence de traçabilité se retrouve directement dans les bonnes pratiques de développement logiciel : versionning, tests automatisés, documentation du code.
Ces ateliers m'ont aidé à adopter une posture professionnelle basée sur les faits plutôt que sur l'intuition. En tant que développeur, savoir évaluer la fiabilité d'une source technique, distinguer un benchmark sérieux d'un résultat marketing et documenter mes propres expériences sont des compétences directement transférables en entreprise.
Ils ont également renforcé ma capacité à justifier mes choix techniques avec des arguments mesurables : performances, tests, comparaisons — des éléments attendus dans un contexte professionnel comme chez Manitou Group.