Analyse de l'alignement sur les interventions de Ceres2030

1. Préavis d’adjudication de contrat (PAC)

Le préavis d’adjudication de contrats (PAC) est un avis public destiné aux fournisseurs pour leur faire part de l’intention d’un ministère ou d’un organisme gouvernemental d’attribuer à un fournisseur sélectionné à l’avance un contrat pour un bien, un service ou des travaux de construction, ce qui permet aux autres fournisseurs de signaler leur intérêt à soumissionner par la présentation d’un énoncé de capacités. Si aucun fournisseur ne présente un énoncé de capacités qui satisfait aux exigences énoncées dans ce PAC, au plus tard à la date de clôture indiquée dans celui-ci, l’agent de négociation des marchés peut alors procéder à l’attribution du contrat au fournisseur sélectionné à l’avance.

2. Définition du besoin
Ministère des Affaires étrangères, Commerce et Développement (MAECD) a un besoin qui demande une analyse approfondie de l’harmonisation du Canada avec les interventions Ceres2030 afin de comprendre et de démontrer la programmation accrue dans le cadre de 10 interventions à incidence élevée (ci-après appelées « interventions ») au fil du temps. AMC souhaiterait prendre connaissance du volet de la programmation de développement du Canada dans les domaines de l’agriculture et de l’alimentation qui s’harmonise avec ces interventions et mieux comprendre les caractéristiques des projets qui sont liées à l’harmonisation et au succès des projets. Une analyse est nécessaire au niveau des activités et des extrants, mais elle n’est pas saisie dans les rapports ministériels ni dans les codes du Comité d’aide au développement (CAD) de l’Organisation de coopération et de développement économiques (OCDE). Sous réserve de l’appel de propositions intitulé « Synthèse du portefeuille, profils d’intervention et aide à la prise de décision : Analyse de l’harmonisation du portefeuille des systèmes agricoles et alimentaires d’Affaires mondiales Canada avec les interventions Ceres2030 à incidence élevée. »
2.1 Contexte

Le projet Ceres2030: Sustainable Solutions to End Hunger est une initiative pluri-institutionnelle de trois ans qui rassemble des données probantes et des modèles de coûts pour appuyer la prise de décision coordonnée des donateurs du G7 comme ils explorent leur rôle dans le cadre de l’effort international pour éliminer la faim. (Objectif de développement durable 2 [ODD 2]).  Le projet est conçu pour soutenir les donateurs du développement mondial afin d’augmenter le montant des investissements des fonds publics et d’améliorer leur efficacité dans le but d’accroître la sécurité alimentaire et les résultats en matière de durabilité. Trois organisations partenaires, à savoir l’Université Cornell, l’Institut international de recherche sur les politiques alimentaires (IFPRI) et l’Institut international du développement durable (IIDD), ont uni leurs efforts pour former le partenariat Ceres2030.

Le ministre du Développement international d’AMC a confirmé l’engagement du Canada envers la « Coalition faim zéro » dans le cadre du Sommet sur les systèmes alimentaires 2021 des Nations Unies. L’un des principaux objectifs des donateurs qui ont adhéré à cette coalition est d’harmoniser la programmation de développement sur les interventions visant à atteindre l’Objectif de développement durable 2 et atteindre la « faim zéro » en définitive.

À l’heure actuelle, le Canada n’est pas au courant du volet de la programmation de développement en agriculture et en alimentation qui s’inscrit dans le cadre de ces secteurs, car l’analyse est nécessaire au niveau des activités et des extrants, ce qui n’est pas saisi dans les rapports ministériels ou les codes du CAD.

Il sera important de comprendre l’harmonisation du Canada avec les interventions pour démontrer une programmation accrue dans ces secteurs au fil du temps. En plus du codage des interventions, il serait important de saisir les résultats et d’autres caractéristiques des projets, comme les types de bénéficiaires, les régions, les décideurs politiques (p. ex. le genre, le climat) pour avoir une meilleure idée de notre portefeuille dans ces secteurs. Cela sera d’autant plus important, car l’on s’attend à ce que le Canada accroisse sa programmation dans le secteur de l’agriculture et des systèmes alimentaires, compte tenu de la crise alimentaire actuelle qui a été aggravée par l’invasion de l’Ukraine.

2.2 Portée des services

Ce travail a pour objectif d’utiliser l’apprentissage automatique pour extraire certaines caractéristiques, certaines particularités et certains détails des projets au niveau des extrants et des activités afin d’améliorer les détails que l’on trouve actuellement dans les rapports ministériels et les bases de données des codes du CAD. Cela permettra d’établir des relations de cause à effet des extrants et des activités qui sont enfouis dans les documents de projet et les résultats de projet présentés dans les états récapitulatifs pour la direction. Les budgets des projets seront également pris en compte afin de permettre une analyse économique de l’efficacité d’activités particulières sur les résultats des projets. Ce processus mènera à la création d’une plateforme pour l’analyse du portefeuille et l’analyse prévisionnelle ultérieure. La présentation de ces informations sous la forme d’une série d’analyses peut ensuite être employée pour élaborer une approche d’évaluation par étapes. Cette approche permettra de déterminer la mesure dans laquelle les interventions et les approches, qu’elles soient individuelles ou conjointes, s’alignent sur les interventions Ceres2030 et répondent aux besoins stratégiques, programmatiques et politiques d’AMC et au-delà.

Nous avons communiqué à plusieurs reprises avec les organisations qui ont dirigé l’initiative Ceres2030 afin de discuter de nos besoins et de comprendre leur capacité à appliquer leur modèle d’apprentissage automatique pour relever notre défi au chapitre des activités.

3. Critères d’évaluation

Tout fournisseur potentiel doit démontrer, au moyen d’un énoncé de capacités, qu’il répond aux exigences de service suivantes :

• expérience avérée en matière de création de modèles d’apprentissage automatique très précis et une mesure de prédiction élevée dans le domaine du développement agricole et alimentaire dans l’évaluation de l’incidence des programmes;
• exploiter des techniques robustes et automatisées de pipeline de données et d’ingénierie des données pour intégrer d’énormes volumes de données ouvertes et internes (p. ex. recherche universitaire, articles publiés, études de recherche, documentation parallèle) dans le cadre des programmes de développement agricole et alimentaire;
• vaste expérience de la prestation des services de soutien à la conception, à la gestion, à la surveillance et à l’évaluation de politiques fondées sur des données probantes;
• expérience du travail dans le cadre de modèles de partenariat complexe comprenant des collaborateurs gouvernementaux et non gouvernementaux.

4. Applicabilité des accords commerciaux au marché

La présente acquisition est assujettie aux accords commerciaux suivants :

• Accord de libre-échange canadien (ALEC)
• Accord de libre-échange Canada-Chili (ALÉCC)
• Accord de libre-échange Canada-Colombie (ALÉCCO)
• Accord de libre-échange Canada-Honduras (ALÉCH)
• Accord de libre-échange entre le Canada-Corée (ALECC)
• Accord de libre-échange Canada-Panama (ALECPA)
• Accord de libre-échange Canada-Pérou (ALECP)
• Accord de libre-échange Canada-Ukraine (ALECU)
• Accord de continuité commerciale Canada-Royaume-Uni (ACC Canada-Royaume-Uni)
• Accord économique et commercial global entre le Canada et l’Union européenne (AECG)
• Accord de partenariat transpacifique global et progressiste (PTPGP)
• Accord sur les marchés publics de l’Organisation mondiale du commerce

5. Justification de la sélection à l’avance d’un fournisseur
Le partenariat Ceres2030 et l’Université Notre Dame (UND) ont organisé plusieurs ateliers et mobilisations à l’intention des donateurs du G7 afin de démontrer les modèles d’apprentissage automatique mis au point pour appuyer cette initiative et en discuter. Ils connaissent bien le domaine de l’agriculture numérique, possèdent l’expertise en la matière et l’expérience approfondie de l’outil d’apprentissage automatique pour répondre aux exigences énoncées dans les sections susmentionnées.

Voici les éléments qui rendent l’UND unique en son genre :

• Modèle d’apprentissage automatique spécialisé : Au cours des cinq dernières années, l’UND a élaboré, formé et perfectionné un pipeline d’apprentissage automatique personnalisable, composé de méthodes de traitement du langage naturel (TLN) de pointe et de modèles d’apprentissage automatique à transformateur visant à effectuer l’analyse, la normalisation, la synthèse, et l’extraction d’informations des données.
• Ensemble de formation et données spécialisées : Le modèle d’apprentissage automatique a été formé à l’aide de plus de deux millions d’articles scientifiques, de documents de développement et de métadonnées axés sur la sécurité alimentaire, l’agriculture et les objectifs de perfectionnement. Son objectif principal est de relever les éléments qui appuient les enchaînements de causalité afin de déterminer les liens entre des cibles précises (p. ex. les interventions) et leurs résultats plus généraux ou leurs objectifs programmatiques.
• Souplesse du modèle : D’autres points de données et données contextuelles, comme les bénéficiaires et les régions géographiques, peuvent également figurer dans le pipeline de données du modèle et liés aux interventions et à leurs résultats.
• Reconnaissance internationale : Les modèles ont été validés et approuvés par les donateurs de systèmes alimentaires et des organisations multilatérales, comme l’Agence américaine pour le développement international (USAID), le Fonds international de développement agricole (FIDA) et l’Organisation des Nations Unies pour l’alimentation et l’agriculture (FAO).
• Aide à la prise de décision, modèles prévisionnels et rapports : Le cadre décisionnel indiquera la façon dont les interventions et les résultats interagissent dans divers contextes pour prévoir la probabilité d’une incidence plus importante, compte tenu d’un point de référence ou d’une intervention stratégique particulière. Ceci sera exprimé au moyen d’une interface utilisateur et de tableaux de bord qui indiqueront les contextes où les interventions ont été les plus réussies et les types d’utilisation sous lesquels les facilitateurs (et les obstacles) ont contribué à leur succès. 
• Échange de connaissances : Afin de perfectionner et d’accroître les connaissances internes en matière de science des données dans le domaine du développement international, l’UND travaillera en étroite collaboration avec l’équipe de science des données d’AMC afin de fournir un accès aux modèles et aux résultats, ainsi que des séances d’encadrement régulières visant à appuyer l’élaboration d’une meilleure science des données et la prise de décisions améliorée à l’égard du secteur public.

6. Exception(s) au Règlement sur les marchés de l’État
L’exception suivante au Règlement sur les marchés de l’État est invoquée pour cette acquisition en vertu du paragraphe 6(d) : « une seule personne ou entreprise est en mesure d’exécuter le contrat » .

7. Raisons justifiant le recours à l’appel d’offres limité
Seul un fournisseur particulier peut fournir les services et il n’existe aucun service de rechange ou de remplacement raisonnable pour l’une des raisons suivantes (Code 71 du PAC, droits exclusifs) : la protection de brevets, de droits d’auteur ou d’autres droits exclusifs.

8. Titre de propriété intellectuelle
L’UND entreprendra de bonne foi l’échange en libre accès de la propriété intellectuelle afin d’appuyer le développement d’une meilleure science des données et la prise de décisions améliorée à l’égard du secteur public. L’équipe de science des données d’AMC fournira un accès libre au code sous-jacent dans son environnement ministériel, à la documentation et aux bloc-notes pour que d’autres équipes du ministère fédéral puissent tirer parti de ce processus.

9. Période du marché proposé ou date de livraison
Le marché proposé est d’une durée de sept mois à compter de la date d’attribution du contrat.

10. Estimation du coût du marché proposé
La valeur estimative du marché, y compris les options, est de 250 000,00 $, taxes applicables comprises.

11. Nom et adresse du fournisseur sélectionné à l’avance

Appellation légale : Notre Dame University

Adresse du bureau :   Lucy Data Institute for Family & Society,

384E, Nieuwland Science Hall, Notre Dame (Indiana) 46556, États-Unis

Adresse postale : 384E, Nieuwland Science Hall, Notre Dame (Indiana) 46556, États-Unis

12. Droit des fournisseurs de présenter un énoncé de capacités
Les fournisseurs qui se considèrent comme entièrement qualifiés et qui sont disponibles pour fournir les biens ou les services ou réaliser les travaux décrits dans le PAC peuvent présenter un énoncé de capacités par écrit à l’autorité contractante dont le nom figure dans le présent avis au plus tard à la date de clôture du présent préavis. L’énoncé de capacités doit démontrer clairement que le fournisseur répond aux exigences du préavis.

13. Date de clôture pour la présentation d’un énoncé de capacités
La date de clôture et l’heure limite pour l’acceptation des énoncés de capacités sont le 26 août 2022 à 14 h, HNE.

14. Demandes de renseignements et présentation des énoncés de capacités
Les demandes de renseignements et les énoncés de capacités doivent être envoyés à l’adresse suivante :
Grant Bott
Agent des achats, Services de passation de marchés et de gestion du développement
Courriel : URP-BRU@international.gc.ca