News
Académies suisses des sciences a+
Intégrité 2.0 : code, carrière et nouvelle culture
Le 30 septembre 2021 se déroulera le vernissage du code d'intégrité scientifique suisse. La première partie de l'événement se focalisera sur les défis, les origines et les implications du code d'intégrité. Dans la deuxième partie, nos invités discuteront autour d'une table ronde, en intéraction avec le public, de la signification du code, de son influence sur les carrières et de la manière dont un changement culturel peut être mené ensemble. Un apéritif suivra les discussions
Académie suisse des sciences techniques SATW
News
« L'avenir n'est en aucun cas tout tracé » – La vice-chancelière Rachel Salzmann s'exprime sur la Suisse en 2040
À quoi ressemblera la Suisse en 2040 ? Dans son rapport « Perspectives Suisse 2040 », la Chancellerie fédérale esquisse trois avenirs possibles et en déduit six axes d’action pour les responsables politiques. Dans un entretien accordé à la SATW, la vice-chancelière Rachel Salzmann explique pourquoi l’avenir n’est en aucun cas tout tracé, pourquoi elle qualifie ces scénarios non pas de sombres, mais de stimulants, et dans quels domaines la Suisse pourrait jouer un rôle de premier plan sur le plan technologique.Académie suisse des sciences techniques SATW
News
Une utilisation équitable des données commence par se poser les bonnes questions
Les données aident les entreprises à mieux comprendre leurs groupes cibles et à adapter leurs offres de manière plus ciblée. Mais tout ce qui est techniquement possible n’est pas forcément responsable. Comment les PME peuvent-elles s’assurer qu’elles utilisent les données de manière équitable et transparente ? Le label « Data Fairness » de Swiss Insights leur offre des repères concrets à cet effet.Académie suisse des sciences techniques SATW
News
L'apprentissage automatique démystifié : comprendre les performances surhumaines
L'intelligence artificielle peut surpasser les humains dans certaines tâches. Mais quelle est la valeur de ces performances et où se situent leurs limites ? La qualité des données d'entraînement, la réalisation de tests de performance réalistes et la traçabilité des résultats sont des éléments déterminants. Ce que les entreprises doivent savoir pour utiliser les systèmes d'IA de manière fiable.