Du signal à la stratégie : comment mon doctorat m’a appris à structurer la complexité

Loubna Imrani SALLAK. Crédit photo: Louise Galis, Cap Digital

LinkedIn, ThesesFr

Merci beaucoup pour votre témoignage

Pouvez-vous nous présenter votre parcours et ce qui vous a menée au doctorat ?

Mon parcours scientifique a commencé par une formation en génie électrique, avant de m’orienter vers le génie biomédical, puis vers les sciences des données et le traitement du signal à l’Université de Technologie de Compiègne.

J’ai toujours été attirée par les sujets à l’intersection de plusieurs disciplines. Pendant mon doctorat en génie biomédical, sciences des données et traitement du signal, j’ai travaillé sur des problématiques nécessitant de comprendre des signaux complexes, de structurer des données expérimentales et de développer des méthodes d’analyse permettant d’en extraire une information pertinente.

À cette époque, je ne mesurais probablement pas encore à quel point le doctorat allait structurer ma manière de travailler.

Au-delà de l’expertise scientifique, la thèse m’a appris à entrer dans un sujet complexe, à accepter de ne pas avoir immédiatement la réponse, à formuler les bonnes questions, à expérimenter, à documenter et surtout à construire progressivement une démarche robuste.

Avec le recul, c’est cette méthode qui constitue aujourd’hui l’un des fils conducteurs de ma carrière.

Après votre doctorat, vous avez occupé des fonctions très différentes. Comment votre parcours a-t-il évolué ?

Mon parcours n’a effectivement pas été linéaire, et je considère aujourd’hui cette diversité comme une véritable richesse.

J’ai d’abord évolué dans des environnements de R&D et d’intelligence artificielle. Chez SILAMIR, j’ai contribué à la stratégie R&D et au développement de solutions Data et IA. J’ai ensuite rejoint GENCI, où j’ai travaillé sur l’évaluation scientifique et technique de projets de recherche nationaux et sur des problématiques liées au calcul intensif.

Cette expérience m’a permis de prendre de la hauteur. Je n’étais plus uniquement dans la réalisation d’un modèle ou d'une expérimentation : il fallait comprendre la pertinence scientifique d’un projet, ses besoins technologiques, ses ressources et son potentiel.

J’ai ensuite retrouvé une dimension plus directement scientifique en tant que chercheuse en intelligence artificielle, notamment sur des problématiques de reconnaissance des émotions par machine learning et deep learning.

Progressivement, une évidence s’est imposée : ce qui m’intéressait profondément n’était pas uniquement de développer une technologie, mais de comprendre comment créer les conditions permettant à la science, à la Data et à l’IA de produire un impact réel.

C’est ce qui m’a conduite vers la valorisation scientifique, les partenariats et la structuration d’écosystèmes d’innovation.

Comment êtes-vous passée de la recherche et de l’IA à des fonctions plus stratégiques ?

Je ne considère pas réellement avoir quitté la recherche. J’ai plutôt déplacé mon niveau d’intervention.

À l’Université de Technologie de Compiègne, j’ai accompagné des laboratoires dans la structuration et la valorisation de leurs activités scientifiques et contribué aux actions du Pôle Universitaire d’Innovation.

Puis, chez Cap Digital, j’ai animé et coordonné des écosystèmes réunissant laboratoires de recherche, startups, grands groupes et acteurs publics autour de la Data et de l’intelligence artificielle.

J’ai notamment piloté un programme d’accélération de projets IA, travaillé sur des sujets liés au calcul intensif et contribué à différentes réflexions autour des transformations technologiques et réglementaires de l’intelligence artificielle.

Ces expériences m’ont appris une chose essentielle : une technologie, aussi performante soit-elle, ne crée pas seule de la valeur.

Il faut être capable de comprendre les usages, les organisations, les contraintes métiers, la gouvernance et les personnes qui vont réellement s’approprier les solutions.

Aujourd’hui, je suis Data & IA Manager chez WYZ Group. Ma mission est de contribuer à structurer la stratégie Data et IA du groupe, ainsi que les sujets de gouvernance associés.

Je retrouve finalement beaucoup de réflexes développés pendant mon doctorat : observer l’existant, comprendre un environnement complexe, identifier les dépendances, poser un cadre, documenter et construire une trajectoire robuste.

La différence est qu’aujourd’hui, le « système complexe » que j’étudie n’est plus uniquement un signal ou un modèle scientifique. C’est aussi une organisation, ses données, ses métiers, ses outils et ses usages.

En quoi le doctorat vous aide-t-il aujourd’hui dans un rôle de Data & IA Manager ?

Le doctorat m’a surtout appris à ne pas confondre vitesse et précipitation.

Dans la Data et l’IA, nous sommes dans un environnement où les technologies évoluent extrêmement rapidement. Il peut être tentant de multiplier les outils, les modèles ou les cas d’usage.

Mais avant de construire, il faut comprendre.

Quelle donnée avons-nous ? D’où vient-elle ? Est-elle fiable ? Qui en est responsable ? Quel problème métier cherchons-nous réellement à résoudre ? Comment mesurer la valeur créée ?

Cette capacité à questionner un problème, à déconstruire sa complexité et à construire une méthodologie est directement issue de ma formation par la recherche.

Le doctorat m’a également appris à travailler avec l’incertitude. En recherche, nous avançons rarement avec une feuille de route parfaitement définie. Nous formulons des hypothèses, nous testons, nous échouons parfois, nous analysons et nous ajustons.

Cette posture est particulièrement précieuse aujourd’hui dans le domaine de l’intelligence artificielle.

Quel conseil donneriez-vous aux doctorantes et doctorants qui s’interrogent sur leur avenir professionnel ?

Je leur dirais d’abord de ne pas réduire leur doctorat au titre exact de leur sujet de thèse.

Votre expertise scientifique est importante, mais votre véritable valeur réside aussi dans la manière dont vous avez appris à penser.

Un docteur sait explorer un sujet qu’il ne maîtrise pas encore, chercher l’information pertinente, remettre en question une hypothèse, gérer la complexité et construire une démarche.

Mon parcours m’a conduite du génie biomédical à l’intelligence artificielle, du calcul intensif à la valorisation scientifique, des partenariats de recherche à la stratégie Data et IA en entreprise.

Sur le papier, ces expériences peuvent sembler très différentes. Pourtant, je retrouve partout le même fil conducteur : comprendre, structurer et créer des passerelles entre des mondes qui ne parlent pas toujours le même langage.

Je pense que les docteurs doivent davantage prendre conscience de cette capacité.

Le doctorat ne nous enferme pas dans un sujet.

Il nous apprend à entrer dans la complexité.

Et dans le monde professionnel actuel, je considère que c’est une compétence extrêmement précieuse.