Responsibilities of an Executive Leading AI Projects: Navigating Federal Directives for Safe and Inclusive Development
Notice bibliographique
Résumé
This comprehensive article explores the intricate responsibilities of executives leading AI projects within the framework of Federal Directives, specifically Executive Order 14110 and Executive Order 14091. The executive role is dissected, covering aspects such as defining leadership in the AI context, historical perspectives, current trends, and challenges in AI project leadership. The article delves into the significance of Federal Directives, particularly Executive Order 14110, which emphasizes safe, secure, and trustworthy AI development, and Executive Order 14091, focusing on racial equity and support for underserved communities. Key provisions of these orders are outlined, including safe AI development, secure AI implementation, trustworthy AI use, and commitments to racial equity. The article also highlights steps that should guide documenting case studies that align with successful AI projects, showcasing compliance with Executive Orders and positive impacts on communities and organizations. The future outlook focuses on anticipating regulatory changes, adapting to evolving ethical standards, and promoting a culture of continuous improvement within AI projects. The conclusion summarizes executive responsibilities, emphasizing the call to action for ethical and inclusive AI leadership, contributing to the positive evolution of AI technologies for societal well-being.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,058 | 0,056 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,016 | 0,009 |
| Communication savante | 0,013 | 0,007 |
| Science ouverte | 0,002 | 0,012 |
| Intégrité de la recherche | 0,006 | 0,010 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 0,003 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».