Avant ces ateliers, je considérais la recherche comme quelque chose d'abstrait, réservé à des profils très académiques. Ces séances ont changé cette perception.
Ce qui m'a marqué en premier, c'est l'exigence de la question de recherche. En développement, on a souvent tendance à partir directement dans le code. La démarche scientifique impose une étape préalable rigoureuse : formuler précisément ce qu'on cherche à comprendre ou à prouver. C'est une discipline que j'essaie d'appliquer maintenant avant de commencer tout projet.
La lecture critique d'un article m'a aussi appris à ne pas prendre un résultat pour argent comptant. Dans le domaine de l'IA notamment, les benchmarks sont souvent présentés de façon avantageuse. Savoir identifier les limites d'une étude est une compétence précieuse, y compris pour évaluer des outils professionnels.
Enfin, la notion de reproductibilité résonne directement avec mes pratiques de développement : versionner son code, documenter ses choix, écrire des tests — ce ne sont pas seulement des bonnes pratiques logicielles, ce sont des conditions nécessaires pour que le travail soit transmissible et vérifiable par d'autres.