Profil de la main-d'œuvre en intelligence artificielle, sciences des données et mégadonnées au Québec

Consultez notre étude sur

le profil de la main-d'œuvre

le profil de la main-d'œuvre

en intelligence artificielle, sciences des données et mégadonnées au Québec

TECHNOCompétences dresse un portrait représentatif sur la main-d’œuvre en intelligence artificielle, sciences des données et mégadonnées au Québec. Découvrez le contexte particulier au Québec, la définition du domaine de l’intelligence numérique, les processus de création et d’intégration de l’IA, un portrait global de l’emploi, la taxonomie des métiers, l’état de la demande et des pistes de réflexion sur ce domaine qui continue son implantation au Québec.

Téléchargez maintenant

Faits saillants

Étude PDF STANDARD

Étude PDF PLANCHE

Découvrez notre étude

section par section!

section par section!

Portrait d’un écosystème en IA de premier rang mondial

Les métiers de l’intelligence numérique(1) au Québec sont en effervescence. Ils participent à une tendance mondiale à la promotion du développement des infrastructures de données et des talents en intelligence numérique. Les avancées technologiques progressent à un rythme soutenu à travers la planète : elles poussent les nations à repenser leurs modèles socioéconomiques et à promouvoir le développement des infrastructures de données et d’intelligence artificielle (IA). Les dépenses mondiales reliées aux systèmes d’IA devraient d’ailleurs atteindre 110 milliards de dollars US d’ici à 2024, soit une croissance de 100 % (IDC, 2020). La concurrence est féroce et ce qui en découle est lourd de conséquences. Le leadership en IA et en gestion des données est donc devenu crucial dans un contexte où les pays les plus avancés sont ceux qui en tireront le maximum d’avantages économiques.

(1) L’intelligence numérique regroupe les emplois techniques en IA, science des données et mégadonnées ainsi que les emplois périphériques opérant dans « l’interface » de l’entreprise.

Une adoption encore timide

Si l’IA présente des potentiels de gains en productivité évidents, son intégration dans les organisations demeure complexe, considérant son impact sur l’évolution des processus organisationnels, des modèles d’affaires et les changements stratégiques et culturels qui en découlent. En effet, les résultats d’un récent sondage mené par Deloitte (2019) auprès de citoyens canadiens et d’entreprises internationales identifie le manque de connaissances en IA, le manque de confiance dans les décisions prises par l’IA, la difficulté à collaborer avec les fournisseurs et à démontrer la valeur générée par l’IA ainsi que les problématiques d’intégration et de mise en œuvre de l’IA comme principaux obstacles à l’adoption de cette technologie par les entreprises canadiennes. De plus, seuls 31 % des entreprises ayant adopté l’IA qualifient leur déploiement de réussite (Reynolds, 2018). Force est d’admettre que l’adoption de l’IA est à la fois une opportunité et un défi.

La genèse de l’IA à Montréal et au Québec

Créés respectivement en 1985 et 1990, le Centre for Intelligent Machines et le Reasoning and Learning Lab de l’Université McGill se spécialisent alors dans les systèmes probabilistes, le traitement de langage naturel, l’apprentissage par renforcement et l’application de l’IA en robotique.

En 1993, c’est l’Institut québécois d’intelligence artificielle (Mila) qui voit le jour grâce au professeur Yoshua Bengio de l’Université de Montréal. Reconnu mondialement pour ses importantes contributions au domaine de l’apprentissage profond, Mila se distingue dans la modélisation du langage, la traduction automatique neuronale, la reconnaissance d’objets et les modèles génératifs. Dès lors, le talent en apprentissage profond devient une spécificité très recherchée par les grandes entreprises technologiques.

L’arrivée de géants technologiques au Québec

Attirées par l’essor de Mila et l’effervescence de l’écosystème québécois, plusieurs entreprises multinationales ont fait le choix de s’établir à Montréal. L’arrivée de ces entreprises technologiques dynamise le milieu, tant sur le plan industriel qu’universitaire, et complémente les initiatives gouvernementales avec le déploiement d’investissements massifs (plus de 700 M$ depuis 2016).

Constitution d’un écosystème québécois en IA

Plusieurs organisations endossent un rôle central dans l’exécution de la stratégie provinciale en IA et en gestion des mégadonnées. La Stratégie pour l’essor de l’écosystème québécois en intelligence artificielle (Forum IA Québec, 2018) a comme objectif d’unir ces acteurs avec l’ambition de :

« créer au Québec le plus important écosystème d’intelligence artificielle en Amérique du Nord et développer une force de travail en ce domaine pour enraciner ce créneau et hisser le Québec au rang des principaux concepteurs, utilisateurs et exportateurs de solutions d’intelligence artificielle ».

MILA

2016

IVADO

2016

CRIM

JACOBB

2018

SCALE IA

2018

2020

CEIMIA

2020

FORUM IA QUÉBEC

2020

Développer le bassin de talents en IA : une priorité absolue

La présence de grands groupes technologiques dessine un écosystème québécois complet capable aujourd’hui de rivaliser avec celui de la Silicon Valley, principal responsable de la fuite des cerveaux canadiens. Toutefois, cette opportunité accentue la rareté des talents en IA et les difficultés liées à leur rétention du point de vue des petites et moyennes entreprises.

Le développement des compétences en IA et en science des données est donc un prérequis fondamental pour faire face à la pénurie de talents, qui devrait s’amplifier. À ce propos, les universités se sont rapidement adaptées à l’évolution des besoins du marché en offrant de nouveaux programmes menant à l’obtention de diplômes et de certificats en IA, science des données, mégadonnées et analytique.

Investissements publics majeurs

Alors que les retombées économiques mondiales de l’IA devraient atteindre les 20 000 milliards de dollars d’ici 2030 (Forum IA Québec), les États (comme les États-Unis, la Chine ou le Japon) s’empressent d’investir dans le développement de l’IA et les infrastructures en mégadonnées.

Dans cette compétition d’innovation technologique, le Canada et le Québec ont déployé une série d’investissements publics majeurs afin de conforter leur avance scientifique et d’en accélérer les retombées économiques et sociales.

Définition de l'IA

L’expression « intelligence artificielle » désigne la conception de systèmes informatiques qui sont capables de présenter certains attributs de l’intelligence humaine (comme l’apprentissage, la réflexion, la résolution de problème, le raisonnement, l’élaboration de stratégies) (Forum IA, 2018). Il existe deux types d’intelligence artificielle

Quatre éléments fondamentaux

Les applications de l’IA ont crû substantiellement ces dernières années (comme dans le transport de marchandises, la simulation vocale et la reconnaissance visuelle, la prévision météorologique, la calligraphie, les diagnostics médicaux, la composition musicale, la rédaction de codes logiciels, etc.) et pénètrent progressivement l’ensemble des secteurs d’activité. À cet effet, 85 % des solutions d’IA commercialisées seront concrètement appliquées dans l’industrie d’ici à 2023 (Gartner, 2020).

Les experts interrogés par TECHNOCompétences distinguent quatre éléments fondamentaux quant à l’IA :

Les types d’apprentissage

L’IA et son développement reposent essentiellement sur trois grandes catégories d’algorithmes d’apprentissage automatique : L’apprentissage supervisé permet d’inférer des règles dont la valeur des résultats est connue à partir d’exemples bien programmés et définis. Ces exemples permettent à la machine de développer des prédictions dont la précision dépend de la qualité, mais aussi du volume d’entraînement de l’algorithme.

L’apprentissage non supervisé permet à la machine de détecter des patrons (« patterns ») dans les données de manière autonome. La machine identifie les répétitions dans les données (bien souvent disparates et non structurées/étiquetées) et les catégorise en fonction de leurs récurrences et similarités.

L’apprentissage par renforcement repose sur l’utilisation d’un dispositif/agent autonome, tel un robot, qui apprend à réviser et adapter ses actions sur la base d’expériences régies par des règles d’action au sein d’un environnement fermé. Les actions de l’agent sont alors renforcées (ou récompensées) positivement ou négativement, ce qui lui permet d’adopter au fil du temps les comportements décisionnels souhaités (et souhaitables).

Un besoin massif de données

Pour les entreprises désirant intégrer l’IA au sein de leur processus auront un besoin massif de données pour opérer de manière efficace les cadres d’apprentissage automatique. La figure 6 représente ceux étant les plus répandus dans le milieu.

De plus, a puissance de calcul et la disponibilité des mégadonnées ont permis le développement et la sophistication d’algorithmes qui offrent la possibilité d’aborder des problématiques complexes qui ne pouvaient être résolues avec des méthodes traditionnelles. Les algorithmes d’apprentissage profond sont d’autant plus performants qu’ils nécessitent une quantité colossale de données. Ces dernières comprennent très souvent des millions voire des milliards d’éléments sous-jacents de données, qui eux-mêmes peuvent avoir des milliers de caractéristiques ramifiées (Davenport, 2018).

Vers une IA explicative

L’IA devient de plus en plus sophistiquée et peut parvenir à des décisions qui proviennent de processus opaques (problématique de la « boîte noire »). Dans ce cas de figure, l’expertise humaine devient primordiale pour expliquer les comportements et les résultats de la machine. À cet effet, l’IA explicable (un domaine en expansion de l’apprentissage automatique) permet d’évaluer les algorithmes décisionnels de la boîte noire afin de les rendre plus transparents et ainsi mieux comprendre le raisonnement de la machine. La traçabilité et la vérifiabilité des algorithmes décisionnels sont des enjeux majeurs pointés par les experts. Sur la base des prédictions Gartner (AI Business, 2020), tous les professionnels en IA devront présenter une expertise en développement responsable de l’IA d’ici à 2023.

Définition des mégadonnées

Les mégadonnées influencent aujourd’hui un grand nombre de résultats organisationnels et sociétaux. Par conséquent, l’intérêt de la communauté d’affaires envers les mégadonnées s’est fortement et rapidement accru.

Les mégadonnées représentent le domaine de l’intelligence numérique pour lequel la définition donnée par les experts interrogés dans cette étude est la plus consensuelle. Ils parlent de mégadonnées lorsqu’il y a un changement d’échelle si important dans le volume de données qu’une machine (ou un ordinateur standard) ne suffit plus pour les stocker et les traiter.

Les « V » des mégadonnées

Le traitement distribué des données

Si les données sont souvent considérées comme la matière première du XXIe siècle, ce sont les capacités analytiques qui permettent d’en extraire de précieuses perspectives. Dans cette optique, les experts qui travaillent avec des mégadonnées utilisent des outils de traitement distribué de données, Hadoop et les technologies MapReduce, Spark et Kafka figurant parmi les principaux. Les applications comme Excel et SPSS ne permettent pas de traiter des données volumineuses. Le travail se fait alors de manière programmatique, soutenu par une infrastructure de données où plusieurs parties d’un seul ensemble de données peuvent être dispersées sur plusieurs serveurs.

Les services en infonuagique

Les entreprises qui adoptent les mégadonnées cherchent à développer des infrastructures fiables et flexibles, offrant une grande disponibilité. De plus en plus, les services en infonuagique semblent être priorisés pour une quantité de données très importante avec un niveau de sensibilité modéré.

L’infonuagique étant aujourd’hui largement utilisée (les technologies de traitement distribué des données y sont étroitement liées), les experts expriment des préoccupations en matière de cybersécurité et de protection des données. La notion de gouvernance des données devient un enjeu crucial, confirmé lors des entrevues avec les experts. Elles révèlent d’ailleurs les principaux facteurs qui orientent le choix des acteurs en matière d’outils de stockage des données, à savoir :

Le volume des données ;
La fréquence d’accès aux données, et ;
Le niveau de sensibilité des données.

Définition de la science des données

La science des données, dont la définition recueillie est moins consensuelle, est un domaine pluridisciplinaire permettant l’exploration et l’analyse de données dans le but d’en extraire des connaissances adaptées à la problématique d’affaires identifiée. Elle aide à mettre en lumière des tendances et des patrons complexes, dont l’interprétation et la compréhension doivent permettre une prise de décision optimisée.

Les compétences et tâches effectuées en science des données sont multiples et croisent les trois domaines de l’intelligence numérique. Des « métiers » (détaillés dans la section suivante) émergent et gagnent en visibilité. Parmi eux, certains profils ont des compétences multiples, alors que d’autres se spécialisent dans des étapes ou tâches spécifiques, telles que le prétraitement, l’analyse et la modélisation, la connaissance du domaine, la vulgarisation et la visualisation.

Le processus de création et intégration de l'IA

Quatre phases essentielles au processus de transformation numérique ont été identifiées. Ces phases sont itératives et influencées par le niveau initial de maturité technologique de l’entreprise.

L’identification des problématiques et l’orientation stratégique

L’étape d’identification de la problématique nécessite un travail de collaboration étroit entre professionnels techniques(2) et d’affaires.

D’abord, la présence d’experts du domaine (du client ou de l’entreprise) est primordiale afin d’arrimer la solution d’IA aux besoins spécifiques de l’organisation;

Ensuite, l’intervention d’experts techniques est requise pour estimer la faisabilité du projet, anticiper la performance de la solution et déterminer comment l’implanter dans l’entreprise (client);

Enfin, les experts du côté des affaires (analyste d’affaires/gestionnaire de projet) maintiennent la relation client, s’occupent des aspects financiers du projet et préparent les enjeux de gestion du changement inhérents à l’implantation de la solution.

(2) Tels que définis dans la taxonomie des métiers développée dans la présente étude, les termes « professionnels techniques » réfèrent à la nature technique des tâches en lien avec l’IA et les mégadonnées, et non à l’ordre d’enseignement.

La preuve de concept

L’étape de la preuve de concept requiert un concentré de professionnels techniques ayant des connaissances et compétences avancées en statistiques, programmation et bases de données.

En premier lieu, les scientifiques de données conçoivent et élaborent les principaux algorithmes qui propulsent la solution. Ils assurent également le bon fonctionnement des modèles;

Ensuite, les ingénieurs en apprentissage automatique ou les développeurs en IA (« AI developers ») développent les algorithmes élaborés par les scientifiques de données afin de les rendre fonctionnels dans la solution finale;

Enfin, les ingénieurs de données assurent l’assistance technique quant à la programmation des codes des modèles et autres problèmes liés aux systèmes informatiques.

La production

Si la preuve de concept est concluante, les professionnels en IA poursuivent la programmation et le perfectionnement des algorithmes créés. Les équipes de développement se chargent ensuite de transformer le prototype en une solution finale.

Une phase pilote est organisée afin de mettre à l’épreuve la solution d’IA avec des données en temps réel, et ainsi valider son fonctionnement;

Les ajustements nécessaires sont ensuite apportés aux codes et algorithmes par les équipes de développement. Ce sont principalement les ingénieurs en apprentissage automatique, les développeurs en IA ou les ingénieurs de données qui apportent les correctifs;

La solution est alors déployée à grande échelle et intégrée à l’infrastructure prévue. Les algorithmes sont alimentés par un flux constant de données « vivantes » permettant d’identifier le potentiel d’optimisation de la solution. Ce sont les architectes de solutions qui sont responsables d’intégrer la solution au sein de l’infrastructure.

L’adoption

L’adoption de la solution en fin de processus de développement est un défi important. À ce titre, la gestion cruciale des préoccupations liées aux changements relève généralement des analystes d’affaires. Cet enjeu d’adoption de l’IA est identifié par les experts comme le plus grand défi de l’industrie et démontre le rôle stratégique des cadres et gestionnaires des entreprises, tout comme des équipes clientes, qui détiennent le pouvoir décisionnel.

Taxonomie des métiers au Québec

Vous trouverez dans cette section la taxonomie des métiers en intelligence numérique (IN) au Québec. Pour consulter l’intégralité des 18 fiches métiers en IA et leur répartition industrielle au Québec, veuillez télécharger l’étude gratuitement.

Fiches métiers

Portrait global de l'emploi

Vous trouverez dans cette section les faits saillants sur le portrait global de l’emploi en intelligence numérique (IN). Pour consulter le résumé complet du profil de la main-d’œuvre en intelligence numérique, veuillez télécharger l’étude gratuitement!

Près de 45 000 professionnels en intelligence numérique (IN) au Québec

CENTRE

Plus de 2 200 professionnels au cœur de l’IN, de la science des données ou des mégadonnées.

PÉRIPHÉRIE

Plus de 40 000 professionnels dans des emplois périphériques à l’IN, à la science des données ou aux mégadonnées.

La progression de l'IA au Québec

Les compétences en demande en intelligence numérique

Répartition de l'IA au Québec et le niveau d'étude des professionnels

Une demande très concentrée dans le secteur des TIC au Québec.

Le niveau d’éducation des professionnels en intelligence numérique.

Le processus d’embauche en intelligence numérique

Bien que les entreprises dans lesquelles évoluent les experts disposent de processus de recrutement spécifiquement adaptés à leurs activités et secteurs respectifs, nous relevons la présence de méthodes similaires d’attraction des talents visant à pourvoir les postes vacants en intelligence numérique.

Travailler en partenariat avec les laboratoires universitaires/centres de recherche et participer aux conférences scientifiques pour attirer les meilleurs profils de chercheurs en IA.

Adopter une approche « réseau de proximité » en mobilisant les contacts personnels, en participant à des foires d’emplois/stages et en s’impliquant dans les universités du Québec. Les experts précisent que le faible nombre de talents locaux pour certains postes permet d’identifier très rapidement les travailleurs les plus performants. Certains mentionnent la possibilité d’ouvrir les postes au Canada ou à l’international bien que les restrictions de déplacement dues à la COVID-19 recentrent les processus de recrutement sur une échelle provinciale.

Utiliser les médias sociaux et les plateformes de recrutement pour effectuer de la chasse de tête (principalement LinkedIn Recruiter).

Afficher les emplois en ligne de manière classique sur des sites web spécialisés (Monster, Jobboom, Indeed, LinkedIn, etc.)

Recourir aux services d’une entreprise de recrutement en TI ou d’une agence de placement.

Il est à noter que certains experts mentionnent le fait qu’une grande majorité des emplois vacants en intelligence numérique ont été pourvus en interne dans leurs entreprises. Une fois le bassin de candidats identifié, les entreprises vont généralement procéder à une entrevue téléphonique de présélection. Plusieurs entrevues techniques sont ensuite menées (1 à 3 en moyenne) incluant des tests techniques (test d’algorithmie, devoir de code, débogage d’un jeu de données) ou une étude de cas. Des exercices de présentation et de réseautage seront également de mise pour les métiers d’interface qui requièrent une interaction avec le client évaluation du facteur d’interaction avec le client. Dans le même temps, l’adéquation individu-organisation est évaluée afin de voir si le savoir-être du candidat correspond à la culture organisationnelle. Nota bene : le processus de recrutement d’un chercheur en IA peut varier en fonction de la nécessité d’impliquer, ou pas, des professeurs professeurs capables d’évaluer les connaissances et compétences scientifiques du candidat.

Les facteurs déterminant l’embauche en intelligence numérique

Les experts ont été invités à se positionner sur l’importance de cinq facteurs clés influençant la décision de convoquer en entrevue ou d’engager un professionnel en intelligence numérique. Ses facteurs étant: les compétences techniques, les compétences humaines, l’autoformation, l’expérience en entreprise et la formation initiale.

Parallèlement, les experts-recruteurs ont été interrogés de manière ouverte sur les autres facteurs qu’ils jugeaient importants dans le processus d’embauche. Ceux-ci s’articulent principalement autour de :

La réalisation de stages
La connaissance du secteur d’activité de l’entreprise/du client
Les publications universitaires et articles scientifiques (lorsqu’applicable)

L’objectif de carrière du candidat
Le niveau de communication en anglais et français (bilinguisme)
Les attentes salariales

Les besoins en main-d’œuvre à court terme

Les experts-recruteurs mentionnent que les besoins en main-d’œuvre à court terme s’orientent essentiellement vers 7 postes de l’intelligence numérique. Ceci confirme la validité empirique de la taxonomie des métiers présentée en section 5 du présent rapport. En effet, les besoins en main d’œuvre à court terme couvrent l’ensemble des trois catégories taxonomiques, soit l’IA (création d’algorithmes), les mégadonnées ainsi que les métiers d’interface. Le niveau de complexité pour pourvoir ces postes et le niveau de croissance dans l’industrie sont estimés par les experts pour chacun de ces emplois. Ceci complète leurs descriptions individuelles présentées dans les fiches-métiers (section 5).

Les besoins futurs en main-d’œuvre

De manière plus prospective, les experts ont été invités à se prononcer sur l’évolution des besoins en main-d’œuvre afin d’identifier les métiers en intelligence numérique qui émergeront dans un horizon de 3 à 5 ans.

Il s’agit d’un spécialiste hybride qui maîtrise les aspects techniques et les enjeux d’affaires. Ce profil bilingue de l’intelligence numérique détient un rôle clé permettant d’assurer le lien entre les besoins du marché et ceux des clients, et les réalités techniques et scientifiques. D’après les profils-métiers établis dans le cadre de la présente étude, ce type d’emploi se positionne au croisement du scientifique de données et du gestionnaire de projet. Ce faisant, les compétences de communication et de vulgarisation s’avèrent primordiales. Ce type de profil est manifestement très difficile à trouver considérant le nombre important d’années d’expérience requises. Sa demande dans l’industrie devrait connaitre une forte croissance au cours des prochaines années.

Bien que certains profils dépeints dans les fiches métiers effectuent d’ores et déjà des tâches en lien avec le suivi, l’évolution et l’actualisation des solutions d’IA (ex. : l’architecte de solutions), certains experts soulignent le fait que les besoins futurs s’articuleront davantage autour du diagnostic de solutions d’IA que de leur création en tant que telle. En effet, une fois les algorithmes et codes mis en production, la maintenance des solutions devient cruciale. En ce sens, il est fort probable que des professionnels soient spécifiquement dédiés à diagnostiquer, investiguer et créer des outils permettant aux solutions de continuer à répondre aux besoins organisationnels. Un tel professionnel posséderait idéalement une maîtrise en informatique en IA, et aurait une large connaissance des outils de programmation et cadres d’apprentissage automatique. De surcroit, des compétences humaines telles que la communication, la persévérance et la curiosité prévaudraient. Les experts estiment qu’un poste de responsable de la maintenance des solutions d’IA serait relativement complexe à pourvoir.

Certains experts estiment que l’évolution rapide des capacités et des utilisations de l’IA implique la nécessité qu’un professionnel facilite l’adéquation entre l’homme et la machine de demain. Les dispositifs d’IA devenant plus performants et sophistiqués, il semble important qu’un spécialiste s’assure que leur utilisation demeure responsable et cohérente avec les objectifs d’affaires, sociaux et éthiques.

L’algorithmiste est chargé d’auditer les algorithmes, de mener des tests de qualité et d’examiner l’impact des décisions algorithmiques sur les parties prenantes. Ce rôle va gagner en importance à mesure que les algorithmes s’opérationnalisent dans les organisations. Il permettra d’en accroître la crédibilité et l’imputabilité en s’assurant que la logique derrière chaque algorithme est liée de manière éthique et vertueuse à l’homme.

Bien qu’il n’existe pas encore de formation spécifique pour ce type de profil, les compétences requises doivent permettre au professionnel d’interagir tant avec la partie technique (algorithmes, codes, mégadonnées, etc.) qu’avec les enjeux d’affaires. Des compétences humaines telles que la communication, la collaboration et la curiosité sont donc essentielles. Le niveau de difficulté à pourvoir un tel poste serait, aux dires des experts, relativement élevé.

État de la formation

Les éléments distinctifs de la formation en intelligence numérique au Québec

Les experts ont été invités à se prononcer sur les programmes de formation10 qu’ils jugent les mieux et les moins adaptés au marché ainsi que sur les forces et faiblesses de leurs finissants. En premier lieu, la formation en intelligence numérique se distingue au Québec pour trois raisons essentielles :

Comme évoqué dans la section contextuelle du présent rapport, Montréal bénéficie d’une réputation de pôle universitaire international en IA. Ceci permet d’attirer des chercheurs et des spécialistes de renom, qui eux mêmes attirent les étudiants les plus brillants. Ce phénomène permet le développement des connaissances en IA par l’attraction des meilleurs talents et contribue
au renforcement d’une communauté locale déjà forte dans les domaines de l’IA et de la science des données. La réputation des professeurs-chercheurs exerce un fort impact sur la qualité de la formation et l’image de l’université.

Les universités québécoises figurent parmi les meilleures au monde (McGill, UdeM) et offrent des programmes spécialisés répondant aux besoins variés du marché du travail en intelligence numérique. Axés sur les fondements théoriques et le transfert à la pratique, les programmes en statistique, mathématiques et informatique préparent notamment les futurs développeurs et scientifiques. Des écoles de génie et de gestion (HEC Montréal, ÉTS, Sherbrooke, etc.) offrent également des programmes spécialisés qui répondent plus ou moins spécifiquement aux exigences de certains postes en intelligence numérique. Ces programmes permettent une intégration continue des étudiants dans l’industrie.

Les experts soulignent finalement l’importance des programmes de cycles supérieurs (maitrise et doctorat) proposés non seulement dans les universités mais aussi dans les centres de recherche et les laboratoires. Nous rappelons que la formation collégiale préuniversitaire prépare les étudiants à accéder aux cycles universitaires supérieurs. De plus, certains DEC techniques (informatique, TI) visant le marché du travail peuvent, eux aussi, faciliter l’accès aux programmes universitaires en lien avec l’intelligence numérique (informatique, statistique, mathématiques, génie, etc.). À l’exception des étudiants qui se destinent à la recherche fondamentale, la capacité à allier théorie et pratique s’impose comme une nécessité. Bien que les experts-recruteurs disent recruter essentiellement dans les universités québécoises (UdeM, McGill, Concordia, UQAM, Sherbrooke, etc.), il se peut que certains profils d’excellence soient recrutés à l’étranger. La réputation et le classement de l’université sont bien souvent les premiers critères d’évaluation pour juger de l’équivalence de la formation.

Les principales forces des talents sortant de ces programmes

Rencontrés par les experts-recruteurs lorsqu’ils pénètrent le marché du travail, les talents ayant suivi les programmes de formation détaillés précédemment présentent, semble-t-il, certains atouts :

Profil de la main-d'œuvre en intelligence artificielle, sciences des données et mégadonnées au Québec

Profil de la main-d'œuvre en intelligence artificielle, sciences des données et mégadonnées au Québec

Profil de la main-d'œuvre en intelligence artificielle, sciences des données et mégadonnées au Québec

Consultez notre étude sur le profil de la main-d'œuvre le profil de la main-d'œuvre

en intelligence artificielle, sciences des données et mégadonnées au Québec

Téléchargez maintenant

Découvrez notre étude section par section! section par section!

Portrait d’un écosystème en IA de premier rang mondial

Une adoption encore timide

La genèse de l’IA à Montréal et au Québec​

L’arrivée de géants technologiques au Québec

Constitution d’un écosystème québécois en IA​

MILA

IVADO

CRIM

JACOBB

SCALE IA

CEIMIA

FORUM IA QUÉBEC

Développer le bassin de talents en IA : une priorité absolue

Investissements publics majeurs

Consultez notre étude sur

le profil de la main-d'œuvre

le profil de la main-d'œuvre

Découvrez notre étude

section par section!

section par section!

La genèse de l’IA à Montréal et au Québec

Constitution d’un écosystème québécois en IA