Former les ingénieurs des connaissances de demain

Une université souhaite ouvrir un parcours en intelligence artificielle. Elle envisage naturellement des enseignements en programmation, statistiques, apprentissage automatique et modèles de langage. Ces enseignements sont essentiels. Mais suffisent-ils à préparer les professionnels capables de construire des assistants spécialisés dans l’éducation, l’agriculture, l’industrie ou l’administration ?

Pour de nombreux projets, la difficulté ne se limite pas à utiliser un modèle. Il faut identifier les connaissances utiles, recueillir les savoirs des experts, structurer les ressources, définir leurs conditions d’utilisation et vérifier que les applications les mobilisent correctement.

Cette réalité invite à réexaminer les formations : il ne s’agit pas de créer un diplôme supplémentaire pour chaque nouvelle technologie, mais de développer des compétences durables, à l’interface des disciplines et des secteurs.

L’ingénierie des connaissances n’est pas née avec les grands modèles de langage. Elle s’intéresse depuis longtemps à l’acquisition, à la représentation et à l’exploitation des savoirs. Les systèmes experts, les ontologies, les graphes de connaissances et les méthodes d’explicitation constituent une partie de son héritage.

À l’ère de l’IA générative, ces méthodes peuvent être combinées avec la préparation de corpus, les architectures RAG, les services de données, les outils de vérification et l’évaluation des assistants.

Un ingénieur des connaissances peut ainsi provenir de l’informatique, des sciences de l’information, de l’ingénierie des données ou d’une spécialisation métier. Il n’existe pas nécessairement un parcours académique unique ni un titre professionnel uniformément reconnu.

Le manuscrit « Les compétences invisibles de l’intelligence artificielle » propose huit familles fonctionnelles : ingénierie documentaire ; ingénierie des connaissances ; ingénierie ontologique et sémantique ; ingénierie des données ; ingénierie cognitive ; ingénierie pédagogique et sectorielle ; curation et gouvernance ; évaluation des systèmes d’IA métier.

Ces familles ne constituent pas huit cursus obligatoires. Elles servent à identifier les fonctions à couvrir selon les projets et à décrire les compétences attendues sous forme d’activités observables.

Une formation devrait donc partir de situations professionnelles concrètes : qualifier un corpus, conduire un entretien avec un expert, formaliser une règle, représenter des relations entre notions, vérifier un résultat ou organiser la maintenance d’un référentiel.

Tous les profils n’ont pas besoin de savoir entraîner un grand modèle. Mais ils doivent comprendre les principes généraux des modèles de langage, la différence entre génération et recherche documentaire, les limites de la fiabilité et les enjeux de confidentialité.

Ce socle devrait aussi couvrir la formulation des besoins, les données et leurs métadonnées, la provenance des sources, les principes de test et les conditions d’usage responsable.

L’objectif n’est pas d’apprendre seulement à manier un outil du moment. Il est de pouvoir raisonner sur une architecture, identifier ses dépendances et discuter avec les autres spécialistes.

Le futur professionnel doit apprendre à identifier les détenteurs de savoirs, conduire des entretiens d’explicitation, analyser des documents et distinguer les connaissances établies des interprétations ou hypothèses.

Il doit pouvoir décrire des concepts, des méthodes, des règles, des exceptions et des conditions d’application, puis relier ces éléments aux sources qui les justifient.

Une épreuve pratique pourrait consister à travailler avec un enseignant sur un ensemble d’exercices et à produire un référentiel de notions, de méthodes et d’erreurs fréquentes, avec un registre des points restant à valider.

Les étudiants peuvent être initiés aux fiches structurées, aux taxonomies, aux schémas de données, aux graphes de connaissances et aux ontologies. Il faut aussi leur apprendre à déterminer quand ces représentations sont utiles et quand elles deviennent excessives.

Les méthodes de préparation de corpus pour la recherche, la gestion des versions, les interfaces d’accès et les tests de récupération peuvent compléter cet enseignement.

La réussite ne devrait pas être évaluée par la complexité du dispositif produit, mais par sa pertinence, sa traçabilité, sa cohérence et son aptitude à répondre aux besoins définis.

Une ressource correcte aujourd’hui peut devenir obsolète demain. La formation doit donc couvrir les droits d’utilisation, les statuts de validation, la gestion des versions, les responsabilités et les mécanismes de correction ou de retrait.

Elle doit aussi apprendre à concevoir des jeux de tests représentatifs, distinguer une erreur documentaire d’une erreur de recherche ou de génération, et interpréter les résultats avec prudence.

Cette dimension est indispensable pour passer d’un prototype convaincant à un service fiable dans la durée.

Une première voie concerne les spécialisations techniques approfondies, destinées notamment aux informaticiens et ingénieurs souhaitant maîtriser la représentation sémantique, les architectures de connaissances et les mécanismes d’évaluation.

Une deuxième voie concerne les profils hybrides métier–IA. Elle peut permettre à des enseignants, juristes, agronomes ou professionnels de santé d’acquérir les méthodes nécessaires pour formaliser et valider les connaissances de leur domaine.

Une troisième voie concerne la gouvernance et la coordination : gestion des patrimoines de connaissances, qualité, droits, versionnement et organisation d’équipes interdisciplinaires.

Ces voies sont des propositions d’architecture pédagogique. Elles ne correspondent pas à des diplômes ou certifications déjà créés par le Ministère.

Le référentiel de travail distingue quatre niveaux : compréhension, pratique opérationnelle, expertise spécialisée, puis architecture et innovation.

Au premier niveau, l’apprenant sait expliquer les méthodes et reconnaître les besoins. Au deuxième, il réalise des activités courantes selon des procédures définies. Au troisième, il adapte les méthodes, résout des situations complexes et contrôle les résultats. Au quatrième, il conçoit des architectures et des dispositifs de portée étendue.

Ces niveaux doivent être appréciés compétence par compétence. Un professionnel peut être expert en documentation et débutant en ontologie. Il serait donc trompeur de lui attribuer un niveau global d’« expert IA » sans préciser les capacités réellement démontrées.

Imaginons un atelier réunissant des étudiants en informatique, mathématiques, sciences de l’éducation et documentation. Leur mission consiste à préparer un assistant limité à quelques notions du secondaire.

L’équipe commence par définir les usages et les exclusions, puis qualifie un petit corpus de ressources autorisées. Elle formalise les notions, prépare des exercices, décrit les comportements pédagogiques attendus et construit un prototype.

Enfin, elle conçoit des scénarios de test, documente les erreurs et propose un plan de maintenance. L’évaluation porte à la fois sur les livrables individuels, la coopération interdisciplinaire et la qualité de l’ensemble.

Un tel projet permet d’apprendre les méthodes en les appliquant, sans prétendre qu’un prototype pédagogique constitue un service prêt pour une diffusion à grande échelle.

Les modèles génératifs peuvent assister l’extraction documentaire, la production de métadonnées, la formulation de règles ou la préparation de jeux de tests. Les interdire systématiquement dans les exercices serait parfois éloigné des pratiques professionnelles.

Mais leur utilisation doit être accompagnée d’exigences de justification. L’étudiant doit pouvoir expliquer ce que l’outil a produit, ce qu’il a vérifié, les erreurs détectées et les limites restantes.

L’objectif de la formation est de développer une maîtrise méthodologique augmentée par les outils, non une dépendance à des réponses qu’on ne sait plus contrôler.

Les établissements peuvent commencer par intégrer des modules dans des cursus existants, proposer des projets interdisciplinaires ou développer des certificats de formation continue lorsque leur cadre le permet.

Les laboratoires peuvent contribuer à la recherche sur l’acquisition des connaissances, les représentations sémantiques, l’évaluation des systèmes et les méthodes de maintenance. Les entreprises et administrations peuvent fournir des cas d’usage, des experts et des situations professionnelles, dans le respect des droits et de la confidentialité.

Avant de créer de nouvelles filières, il convient de cartographier les formations disponibles, d’identifier les compétences effectivement couvertes et de confronter les propositions aux besoins des employeurs.

Pour la Côte d’Ivoire, l’enjeu ne consiste pas à annoncer immédiatement un nombre de formations ou de professionnels à produire. Il consiste d’abord à identifier les capacités existantes, les besoins sectoriels, les expertises rares et les possibilités de mutualisation.

Un dispositif pilote pourrait associer un établissement d’enseignement supérieur, des experts métier et des porteurs de projets IA autour de quelques productions vérifiables. Les résultats permettraient d’ajuster les contenus, les niveaux et les modalités d’évaluation.

Cette approche progressive contribuerait à construire une offre de formation fondée sur des preuves plutôt que sur la seule popularité des technologies.

Les ingénieurs des connaissances de demain ne seront pas nécessairement issus d’un seul cursus. Certains viendront de l’informatique, d’autres de la documentation, des données ou des disciplines sectorielles.

Leur point commun sera la capacité à transformer des savoirs dispersés en ressources compréhensibles, structurées, vérifiables et maintenables, puis à coopérer avec les équipes qui développent les applications.