Fabrication additive : où en sommes-nous ?
Bibliographic record
Abstract
Révolution lente et profonde donnant lieu à une innovation technologique continue, la fabrication additive représente une partie importante de l’industrie du futur. Elle va impacter non seulement l’écosystème de pratiquement toutes les industries (savoir-faire nécessaires, logistique, conception de produits, vente, etc.), mais également l’écosystème économique global (emploi, offre, demande). Prenant acte de ce vaste enjeu aux multiples conséquences et du retard de la France dans ce domaine, le Conseil général de l’Armement a lancé, en 2014, une initiative en vue de clarifier la situation et de formuler des recommandations. Il s’est rapproché, pour ce faire, de la Chambre de Commerce et d’Industrie Paris Île-de-France afin de réaliser un rapport conjoint. Un institut de réflexion et de prospective, Boostzone, a également été associé à cette réflexion partagée. Cela a conduit à la rédaction d’un rapport dressant un panorama des différentes technologies utilisées et de leurs points clés, réalisant un benchmark international et présentant les industriels qui maîtrisaient à l’époque une partie de la chaîne de l’impression 3D. Ce rapport a également traité du phénomène des makers et de son écosystème de start-ups , de la mutation des modèles économiques et des applications dans des secteurs aussi divers que l’aéronautique, le médical, la construction et la mode 1 . Les trois auteurs de ce rapport s’appuient ici sur celui-ci, tout en faisait état des développement récents tant dans les technologies et leurs applications qu’en matière d’initiatives publiques.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.005 | 0.010 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.004 | 0.008 |
| Scholarly communication | 0.014 | 0.011 |
| Open science | 0.002 | 0.003 |
| Research integrity | 0.006 | 0.006 |
| Insufficient payload (model declined to judge) | 0.031 | 0.013 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".