Action IA : ensemble pour le développement et l’adoption responsable dans l’industrie - Synthèse de la journée
Bibliographic record
Abstract
Le 4 juin 2024, près d’une centaine de participants issus de divers horizons – industries, milieux académiques et organisations publiques – se sont réunis chez Ubisoft La Forge à Montréal pour participer à Action IA : Ensemble pour le développement et l’adoption responsable dans l’industrie. Organisée par la Direction scientifique de l’Obvia, responsable de la collaboration avec l’industrie, en partenariat avec Ubisoft La Forge, les Fonds de recherche du Québec (FRQ) et le Conseil de l’innovation du Québec (CIQ), cette journée avait pour objectif de faciliter un dialogue intersectoriel sur le déploiement responsable de l’intelligence artificielle (IA) dans différents secteurs industriels. L’événement a permis aux participants d’accéder à un réseau diversifié d’experts, de découvrir des outils innovants et d’échanger autour des bonnes pratiques favorisant un usage éthique et durable de l’IA. Ce document résume les moments forts de cette journée, en mettant en lumière les présentations, discussions et collaborations qui ont contribué à renforcer une communauté engagée pour un développement responsable de l’IA.
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 | 0.021 | 0.024 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.004 | 0.005 |
| Science and technology studies | 0.011 | 0.008 |
| Scholarly communication | 0.018 | 0.009 |
| Open science | 0.002 | 0.006 |
| Research integrity | 0.004 | 0.007 |
| Insufficient payload (model declined to judge) | 0.018 | 0.004 |
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".