Matchmaking dans les universitaires et la recherche : tendances et pratiques

Depuis l’année dernière, les percées d’estime des universités et de l’industrie ont démontré la collaboration de niche et ce qui peut être réalisé lorsqu’il y a un agenda et une compréhension communs entre les équipes de transfert de technologie et la R&D industrielle.
Presque tout le monde a suivi les partenariats Covid-19 très médiatisés, comme le vaccin AstraZeneca-Oxford, et cette attention a inspiré des collaborations dans le monde entier. Cependant, malgré ce rapprochement réussi, en particulier pour les sciences de la vie, dans certains domaines de collaboration, des revers ont été enregistrés pour que la recherche soit encore commercialisée.
Les équipes d’universitaires travaillant dans les bureaux de transfert de technologie sont confrontées à de nombreux défis quant à leur rôle et à leur profil, afin que la recherche universitaire ait un impact aussi important que possible, et afin de maintenir et d’améliorer leur réputation au sein de l’université et de la communauté de la R&D.
Pour y parvenir, les équipes de transfert de technologie doivent trouver les recherches les plus prometteuses des universitaires de leur institut afin d’engager l’industrie la plus triée et similaire à suivre. Il convient de mentionner que ce processus de recherche de la meilleure adéquation nécessite également d’identifier non seulement les entreprises pertinentes, mais aussi les bonnes personnes au sein de ces entreprises pour être en réseau.
Le défi pour le monde universitaire et de la recherche est de trouver le partenaire adéquat et holistique dans l’industrie. Compte tenu de la taille, de la complexité et de la répartition mondiale des entreprises axées sur la R&D, il n’est pas surprenant que ce soit le problème le plus courant rencontré lorsqu’on aborde la commercialisation. Les professionnels de l’industrie ainsi que les professeurs d’université ont également souligné qu’ils sont confrontés à un temps et à des ressources limités, ce qui entraîne des difficultés à gérer efficacement l’ensemble de la recherche produite au sein de leur institut et à personnaliser les stratégies de commercialisation pour les technologies individuelles.
Techniquement, pour ces partenaires universitaires et de recherche, l’appariement d’un profil et d’exigences prospectives dans des programmes universitaires/écoles est sollicité et classé en deux approches principales : L’apprentissage automatique statistique (SML) et l’analyse décisionnelle multicritères.
Premièrement, un système inspiré de l’apprentissage automatique statistique opère sur une série d’échantillons de données observés en apprenant à effectuer une tâche donnée à partir des échantillons de données. Les méthodes SML sont appliquées pour résoudre les qualifications d’un thème de recherche spécifique de l’université/école (formant un groupe de rattachements sélectionnés) ou non (un groupe de rattachements rejetés).

La valeur prédictive de cette méthode a pivoté de manière à contribuer à l’amélioration de la précision d’un processus de sélection des candidats. Toutefois, l’efficacité des méthodes d’apprentissage automatique statistique a été contestée en raison du niveau de sophistication du processus de décision, des hypothèses formulées et du niveau de précession de l’appariement atteint.

D’autre part, les analyses de décision multicritères sont une classe de méthodes d’optimisation multicritères qui intègrent l’utilisation de matrices de décision pour fournir un moyen systématique d’évaluer, ou de classer, un ensemble d’alternatives (dans ce cas, l’appariement des liens ciblés dans une université/école), par rapport à un ensemble de critères de décision (les critères de sélection de l’université). Ces critères de décision sont généralement associés à des pondérations – afin de refléter leur importance relative.

Must’s Matchmaking (en attente de brevet) est un groupe émergent d’algorithme(s) qui pourrait également favoriser le rapprochement des partenaires de la recherche et de l’industrie. Ainsi, des développements plus complets en matière de rapprochement automatisé seront bientôt visibles.

suivez-nous LinkedIn