পরীক্ষায় মানুষ: নৈতিকতা, গোপনীয়তা, দায়িত্ব এবং এন্ড-টু-এন্ড ওয়ার্কফ্লো

লাভ:

• পরীক্ষার এন্ড-টু-এন্ড ওয়ার্কফ্লোতে মানব নীতিকে একীভূত করা এবং প্রতিটি পর্যায়ে কৃত্রিম বুদ্ধিমত্তা/মানব ভূমিকা আলাদা করতে সক্ষম হওয়া
• সাধারণ কৃত্রিম বুদ্ধিমত্তাকে গোপনীয় কাঠামো এবং ডেটা না দিয়ে জেনেরিক প্রক্সি উদাহরণের সাথে কাজ করার ক্ষমতা
• ক্রিটিক্যাল পয়েন্টে মানুষের অনুমোদনের গেট স্থাপন করার এবং স্বচ্ছতা এবং ট্রেসেবিলিটি সহ চূড়ান্ত দায়িত্ব গ্রহণ করার ক্ষমতা

এই চূড়ান্ত ইউনিটে আমরা সমগ্র মডিউলটিকে একটি একক কাঠামোতে একত্রিত করি: হিউম্যান-ইন-দ্য-লুপ। এই নীতিটি বলে যে AI যতই সক্ষম হোক না কেন, রাসায়নিক সিদ্ধান্তের প্রতিটি গুরুত্বপূর্ণ পয়েন্টে একজন মানুষকে অবশ্যই বুঝতে হবে, নিয়ন্ত্রণ করতে হবে এবং অনুমোদন করতে হবে। এই ইউনিটে, আমরা প্রথমে নৈতিকতা এবং গোপনীয়তার দিকগুলিকে স্পষ্ট করব, তারপর একটি এন্ড-টু-এন্ড ওয়ার্কফ্লো স্থাপন করব যা ধারণা থেকে রিপোর্টে একটি অণু নিয়ে যায়, এবং দেখব কিভাবে AI এবং মানুষ প্রতিটি পর্যায়ে শ্রমকে ভাগ করে। লক্ষ্য হল আপনি যা শিখেছেন তা এমন একটি সিস্টেমে পরিণত করা যা দৈনন্দিন কাজের সাথে খাপ খায়।

গোপনীয়তা: এআইকে কী দেওয়া উচিত নয়?

রসায়ন প্রায়শই গোপনীয় তথ্যের সাথে কাজ করে: পেটেন্ট না করা অণু, কোম্পানির গোপন সংশ্লেষণ রুট, অপ্রকাশিত ডেটা, রোগীর নমুনা। আপনি একটি পাবলিক AI পরিষেবাতে প্রবেশ করা পাঠ্য পরিষেবার নীতি অনুসারে সংরক্ষণ বা প্রক্রিয়া করা হতে পারে। অতএব:

• পাবলিক AI-তে অপ্রকাশিত মূল কাঠামো (প্রি-পেটেন্ট অণু) প্রকাশ করার আগে আপনার প্রাতিষ্ঠানিক নীতি পরীক্ষা করুন।
• কখনোই ব্যক্তিগত/রোগীর তথ্য (ক্লিনিকাল নমুনা) শনাক্তযোগ্য আকারে প্রবেশ করাবেন না।
• বাণিজ্য গোপন সংশ্লেষণ পথ ভাগ করার আগে গোপনীয়তা চুক্তি পর্যালোচনা করুন।
• প্রয়োজনে ইন-হাউস/কাস্টম ডিপ্লয়মেন্ট এআই টুল বেছে নিন।

সতর্কতা: একটি অণু সম্পর্কে একটি সাধারণ AI জিজ্ঞাসা করার অর্থ সেই অণুর গঠন প্রকাশ করা হতে পারে। একটি অনন্য কাঠামোর জন্য যা পেটেন্ট করা হয়নি, এটি আপনার অগ্রাধিকার (পেটেন্ট অধিকার) বিপন্ন করতে পারে। জেনেরিক/সারোগেট উদাহরণ সহ লুকানো কাঠামোর জন্য জিজ্ঞাসা করুন।

নীতিশাস্ত্র: চারটি নীতি

1. স্বচ্ছতা: আপনি যেখানে এআই ব্যবহার করেন সেখানে লুকাবেন না; প্রকাশনা এবং প্রাতিষ্ঠানিক নীতি মেনে চলুন।
2. দায়িত্ব: চূড়ান্ত সিদ্ধান্তের জন্য মানুষ দায়ী; "এআই প্রস্তাবিত" নিরাপত্তা বা অখণ্ডতা লঙ্ঘনের অজুহাত দেয় না।
3. অ-ক্ষতিকরতা: বিপজ্জনক/অবৈধ সংশ্লেষণ, দ্বৈত-ব্যবহার (অস্ত্র সম্ভাব্য) অ্যাপ্লিকেশনের জন্য AI ব্যবহার করবেন না।
4. ন্যায্যতা এবং সততা: ডেটা বিকৃত করবেন না, ফলাফল অলঙ্কৃত করবেন না, গুণাবলী তৈরি করবেন না।

এন্ড-টু-এন্ড ওয়ার্কফ্লো: অণু → রিপোর্ট

এখন পুরো মডিউলটিকে একটি একক প্রবাহে একত্রিত করা যাক। প্রতিটি পর্যায়ে, এআই কী করে এবং মানুষ কী করে তার মধ্যে পার্থক্যের দিকে মনোযোগ দিন।

মঞ্চ

AI এর ভূমিকা

মানুষের (সমালোচনামূলক) ভূমিকা

1. ধারণা/সাহিত্য

ধারণার সারাংশ, অনুসন্ধান শব্দ

আসল উৎস খোঁজা, অ্যাট্রিবিউশন নিশ্চিতকরণ

2. গঠন বিবরণ

স্মাইল জেনারেট করা

RDKit, InChIKey এর সাথে প্রমাণীকরণ

3. সংশ্লেষণ পরিকল্পনা

রেট্রোসিন্থেসিস, বিকল্প

সাহিত্য নিশ্চিতকরণ, পথ নির্বাচন

4. নিরাপত্তা

SDS সারাংশ, প্রাথমিক অমিল

এসডিএস পড়া, অনুমোদন, পিপিই সিদ্ধান্ত

5. আবেদন

(কোনটিই নয়)

সমস্ত পরীক্ষাগার কাজ

6. বিশ্লেষণ

স্পেকট্রাম মন্তব্য সমর্থন

চূড়ান্ত কাঠামো অ্যাসাইনমেন্ট

7. ডেটা প্রসেসিং

কোড লেখা

কোডটি চালান, ফলাফল যাচাই করুন

8. ডকুমেন্টেশন

বিন্যাস, নিয়ন্ত্রণ

পর্যবেক্ষণ, বিচ্যুতি, স্বাক্ষর

9. রিপোর্টিং

খসড়া পাঠ্য

নম্বর/উদ্ধৃতি যাচাইকরণ, জবাবদিহিতা

এই টেবিলটি দেখায় কিভাবে মডিউলের 11টি ইউনিট একটি একক কাজের মধ্যে সাজানো হয়। এআই ত্বরান্বিত; মানুষ যাচাই এবং মালিক.

ধাপে ধাপে: ওয়ার্কফ্লো সেট আপ করুন

1. ভূমিকা স্পষ্ট করুন: প্রতিটি কাজের জন্য, "এআই নাকি মানুষ সিদ্ধান্ত নেয়?" শুরু থেকে নির্ধারণ করুন।
2. একটি গোপনীয়তা ফিল্টার সেট আপ করুন: AI কে কিছু না দিয়ে আপনি জিজ্ঞাসা করতে পারেন "এটি কি ব্যক্তিগত/ব্যক্তিগত?" জিজ্ঞাসা
3. যাচাইকরণ গেট রাখুন: প্রতিটি পর্যায়ের শেষে একটি যাচাইকরণের ধাপ (10 ইউনিটে টেবিল)।
4. ট্রেসেবিলিটি রাখুন: এআই থেকে কী আউটপুট এসেছে, কীভাবে এটি যাচাই করা হয়েছে, কে এটি অনুমোদন করেছে।
5. অনুমোদনের পয়েন্ট সেট করুন: নিরাপত্তা এবং চূড়ান্ত ফলাফলের মতো গুরুত্বপূর্ণ পয়েন্টগুলিতে মানুষের অনুমোদন বাধ্যতামূলক।
6. প্রতিক্রিয়া: ধরা পড়া প্রতিটি ত্রুটি রেকর্ড করুন এবং কর্মপ্রবাহ উন্নত করুন।

চারটি অনুলিপিযোগ্য টেমপ্লেট

1) গোপনীয়তা প্রি-ফিল্টার:

একটি প্রশ্ন জিজ্ঞাসা করার আগে, এটি বিবেচনা করুন: বিষয়বস্তু: [আমি কী জিজ্ঞাসা করছি] টাস্ক: এই সামগ্রীতে কি অপ্রকাশিত মূল নিদর্শন, ব্যক্তিগত ডেটা বা ট্রেড সিক্রেট রয়েছে? যদি এটি হয়ে থাকে, তাহলে পরামর্শ দিন যে আমি কীভাবে একটি জেনেরিক/সারোগেট উদাহরণ দিয়ে প্রশ্নটি পুনরায় লিখতে পারি যা কাঠামোটি লুকিয়ে রাখবে।

2) ফেজ যাচাইকরণ গেট শেষ:

আমি নিম্নলিখিত পর্যায়টি সম্পন্ন করেছি: [PHASE, যেমন সংশ্লেষণ পরিকল্পনা]. টাস্ক: এই পর্যায়ের (সংখ্যা, উদ্ধৃতি, গঠন, নিরাপত্তা দাবি) থেকে যাচাই করা প্রয়োজন এমন সমস্ত উপাদানের তালিকা করুন। প্রতিটির জন্য, যাচাইকরণ পদ্ধতি লিখুন এবং কে এটি নিশ্চিত করতে হবে। পরবর্তী ধাপে যাওয়ার আগে যে কোনো খোলা আইটেমকে বন্ধ করতে হবে তা চিহ্নিত করুন।

3) মানব-এআই ভূমিকা বিতরণ পরিকল্পনা:

আমার প্রকল্প: [সংক্ষিপ্ত বিবরণ]। টাস্ক: এই প্রকল্পটি পর্যায়ক্রমে ভাগ করুন। প্রতিটি পর্যায়ের জন্য, এর মধ্যে পার্থক্য করুন: - AI কী করতে পারে (খসড়া, কোড, সারাংশ) - মানুষকে কী সিদ্ধান্ত নিতে হবে (নিরাপত্তা, পরিণতি, অনুমোদন)। গুরুত্বপূর্ণ পয়েন্টগুলি চিহ্নিত করুন যেখানে চূড়ান্ত দায়িত্ব মানুষের সাথে থাকে।

4) অখণ্ডতা পরীক্ষা রিপোর্ট করুন:

নীচে আমার রিপোর্টের খসড়া:[DRAFT]টাস্ক: নিম্নলিখিতগুলি পরীক্ষা করুন এবং চিহ্নিত করুন: 1) কোন অযাচাইকৃত সংখ্যা/উদ্ধৃতি আছে? 2) AI-এর ব্যবহার কি স্বচ্ছভাবে বলা হয়েছে? 3) ডেটা কি "সুন্দরিত" (বাহ্যিকভাবে লুকানো) দেখা যাচ্ছে? 4) কোন নিরাপত্তা/নৈতিক ত্রুটি আছে কি? [চেক করুন] যেখানে আপনি অনিশ্চিত।

দুর্বল প্রম্পট / শক্তিশালী প্রম্পট

দুর্বল:

আমাদের কোম্পানির নতুন গোপন অণু সংশ্লেষিত করার সর্বোত্তম উপায় কি? [প্রকৃত মূল কাঠামো]

এটি একটি সাধারণ পরিষেবাতে মূল প্রাক-পেটেন্ট কাঠামোকে প্রকাশ করে; এটি অগ্রাধিকার এবং গোপনীয়তাকে ঝুঁকির মধ্যে ফেলে।

শক্তিশালী:

আমি সুগন্ধি কেটোনের একটি শ্রেণীর অনুরূপ কাঠামোর জন্য সাধারণ রেট্রোসিন্থেসিস কৌশল শিখতে চাই। কংক্রিট, মূল গঠন না দিয়ে একটি জেনেরিক উদাহরণ (অ্যাসিটোফেনন ডেরিভেটিভ) এর মাধ্যমে ব্যাখ্যা করুন। আমি কৌশলটি আমার নিজের অণুতে প্রয়োগ করব।

পার্থক্য: সুপ্ত কাঠামো প্রকাশ না করে, জেনেরিক সারোগেট উদাহরণের মতো একই শিক্ষা অর্জন করা হয়েছিল।

মিনি কেস

কেস 1 - মূল কাঠামো প্রকাশ করা হয়েছে। একটি দল পেটেন্টের জন্য আবেদন করার আগে একটি সাধারণ এআইকে একটি অনন্য অণু সম্পর্কে জিজ্ঞাসা করেছিল। আইনি ইউনিট বলেছে যে এটি প্রশ্নে অগ্রাধিকার আনতে পারে; প্রক্রিয়াটি বিলম্বিত হয়েছিল। পাঠ: জেনেরিক প্রক্সি সহ অনন্য কাঠামোর জন্য জিজ্ঞাসা করুন, গোপনীয়তা নীতিকে সম্মান করুন।

কেস 2 - মানুষের সম্মতি দুর্ঘটনা প্রতিরোধ করেছে। একটি স্বয়ংক্রিয় কর্মপ্রবাহে, এআই একটি খসড়া পদ্ধতি তৈরি করেছিল এবং সরাসরি প্রয়োগ করা হয়েছিল; কিন্তু একজন অভিজ্ঞ রসায়নবিদ ফ্লো-থ্রু "সেফটি ক্লিয়ারেন্স" গেটে একজোড়া বেমানান রিএজেন্ট ধরলেন। পাঠ: গুরুত্বপূর্ণ পয়েন্টে, মানুষের অনুমোদনের দরজা জীবন বাঁচায়।

কেস 3 — এন্ড-টু-এন্ড ডিসিপ্লিন। একজন মাস্টার্সের ছাত্র পুরো মডিউলটি একটি প্রকল্পে বাস্তবায়ন করেছে: সাহিত্যের সারাংশ + AI এর সাথে প্রকৃত উদ্ধৃতি যাচাইকরণ, RDKit দিয়ে কাঠামো যাচাইকরণ, কোড সহ ডেটা বিশ্লেষণ, SDS এর সাথে নিরাপত্তা, সৎ ডকুমেন্টেশন, স্বচ্ছ রিপোর্টিং। ফলাফল উভয় দ্রুত এবং আরো শক্তিশালী ছিল; থিসিস ডিফেন্সে "আপনি কীভাবে এআই যাচাই করেছেন?" তিনি স্পষ্টভাবে প্রশ্নের উত্তর দিয়েছেন। পাঠ: AI + যাচাইকরণ শৃঙ্খলা একসঙ্গে কাজ করে।

সাধারণ ভুল

• সাধারণ AI-কে সুপ্ত কাঠামো দেওয়া। এটি পেটেন্ট অগ্রাধিকার এবং বাণিজ্য গোপনীয়তার সাথে আপস করে।
• শনাক্তযোগ্য ব্যক্তিগত/রোগীর ডেটা প্রবেশ করানো। গোপনীয়তা লঙ্ঘন এবং আইনি ঝুঁকি.
• অনুমোদন গেট বাইপাস. নিরাপত্তা এবং শেষ পর্যন্ত মানুষের অনুমোদন ছাড়াই এগিয়ে যাওয়া।
• এআই-এর কাছে দায়িত্ব হস্তান্তর। "এআই প্রস্তাবিত" কোনো ভুল মাফ করে না।
• স্বচ্ছতা এড়ানো। AI এর ব্যবহার গোপন করা সততাকে নষ্ট করে।
• দ্বৈত ব্যবহারের ঝুঁকি উপেক্ষা করা। ক্ষতিকারক অ্যাপ্লিকেশনের জন্য AI ব্যবহার করা অনৈতিক।

টিপ: আপনার কর্মপ্রবাহকে "মানুষ থামিয়ে এবং অনুমোদন করে এমন প্রতিটি গুরুত্বপূর্ণ সিদ্ধান্ত" দিয়ে ডিজাইন করুন। AI কে একটি লিঙ্ক করুন যা চেইনকে ত্বরান্বিত করে, এবং চেইন ধরে রাখা নোডটি সর্বদা মানবিক হয়।

সংক্ষেপে

• পরীক্ষায় মানব নীতি: প্রতিটি গুরুত্বপূর্ণ রাসায়নিক সিদ্ধান্তে, একজন মানুষ বোঝে, তত্ত্বাবধান করে এবং অনুমোদন করে।
• গোপনীয়তা: পাবলিক AI কে অনন্য নিদর্শন, ব্যক্তিগত তথ্য এবং বাণিজ্য গোপনীয়তা প্রদান করবেন না; জেনেরিক প্রক্সি ব্যবহার করুন।
• নৈতিকতা: স্বচ্ছতা, দায়িত্ব, অ-অপরাধ, সততা এই চারটি মৌলিক নীতি।
• এন্ড-টু-এন্ড ওয়ার্কফ্লোতে, এআই প্রতিটি পর্যায়ে ত্বরান্বিত হয়; মানুষ যাচাই এবং মালিক.
• মানব অনুমোদনের গেটগুলিকে গুরুত্বপূর্ণ পয়েন্টে রাখুন (নিরাপত্তা, শেষ ফলাফল) এবং ট্রেসেবিলিটি বজায় রাখুন।

আবেদন টাস্ক

আপনার নিজস্ব একটি প্রকল্প চয়ন করুন (বাস্তব বা অনুমানমূলক) এবং শুরু থেকে শেষ পর্যন্ত একটি এআই-মানব কর্মপ্রবাহ ডিজাইন করুন। উপরের 9-পর্যায়ের সারণীটিকে আপনার নিজের প্রকল্পে মানিয়ে নিন: প্রতিটি পর্যায়ে এআই কী করবে, মানুষ কী অনুমোদন করবে? গোপনীয়তা প্রাক-ফিল্টার প্রয়োগ করুন: আপনি AI কে কোন তথ্য দেন না, আপনি কীভাবে এটি জেনেরিক করবেন? কমপক্ষে দুটি মানব-অনুমোদন গেট এবং একটি ট্রেসেবিলিটি পদ্ধতি সংজ্ঞায়িত করুন। একটি এক-পৃষ্ঠা "ওয়ার্কফ্লো এবং যাচাইকরণ পরিকল্পনা" লিখুন।

চেকলিস্ট

• পরীক্ষায়, আমি মানুষের নীতি এবং কেন এটি প্রয়োজনীয় ছিল তা উপলব্ধি করেছি।
• [ ] আমি সাধারণ এআইকে না দিয়ে লুকানো কাঠামো/ডেটা জেনেরিকাইজ করি।
• [ ] আমি স্বচ্ছতা, দায়িত্ব, অ-দুর্নীতি এবং সততার নীতি মেনে চলি।
• [ ] আমি এন্ড-টু-এন্ড ওয়ার্কফ্লোতে AI/মানুষের ভূমিকা আলাদা করেছি।
• [ ] আমি মানব অনুমোদনের গেটগুলিকে গুরুত্বপূর্ণ পয়েন্টে রাখি৷
• [ ] আমি ট্র্যাক করি AI থেকে কী আউটপুট আসে এবং কীভাবে তা যাচাই করা হয়।

মডিউল পরীক্ষা

1. নিচের কোনটি রসায়নে কৃত্রিম বুদ্ধিমত্তার জন্য সবচেয়ে সঠিক অবস্থান?

• ক) কৃত্রিম বুদ্ধিমত্তা একটি কোড, খসড়া এবং সম্পাদনা সহকারী; গঠন, সংখ্যা, সম্পদ, নিরাপত্তা এবং নৈতিক সিদ্ধান্তের দায়িত্ব মানুষের উপর বর্তায় ✔
• খ) কৃত্রিম বুদ্ধিমত্তা একটি রসায়ন ইঞ্জিন এবং এটি যে আণবিক ওজন দেয় তা সর্বদা সঠিক।
• গ) কৃত্রিম বুদ্ধিমত্তা শুধুমাত্র সাহিত্য পর্যালোচনায় কাজ করে, বিশ্লেষণ এবং নিরাপত্তার সাথে এর কোন সম্পর্ক নেই
• ঘ) যেহেতু কৃত্রিম বুদ্ধিমত্তা মানুষের চেয়ে বেশি নিরপেক্ষ, তাই নিরাপত্তার সিদ্ধান্ত তার উপর ছেড়ে দেওয়া উচিত

বর্ণনা: কৃত্রিম বুদ্ধিমত্তা; এটি এমন একজন সহকারী যিনি কোড লেখেন, খসড়া তৈরি করেন, একটি রেট্রোসিন্থেসিস কঙ্কাল তৈরি করেন, বর্ণালী ব্যাখ্যায় সাহায্য করে এবং সংগঠিত করে। যাইহোক, আণবিক ওজন এবং স্টোইচিওমেট্রির নির্ধারক গণনা, RDKit এর মাধ্যমে কাঠামোর যাচাইকরণ, ডাটাবেসে উদ্ধৃতির নিশ্চিতকরণ, SDS/GHS-এর সাথে নিরাপত্তার সিদ্ধান্ত এবং চূড়ান্ত দায়িত্ব উপযুক্ত রসায়নবিদদের। বড় ভাষা মডেল একটি ক্যালকুলেটর বা একটি রসায়ন ইঞ্জিন নয়; এটি একটি টেক্সট জেনারেটর যা 'পরবর্তী সম্ভাব্য শব্দ' তৈরি করে এবং এর যাচাই না করা আউটপুট একটি ভুল গঠন, সংখ্যা বা বিপত্তির দিকে নিয়ে যেতে পারে।

2. একটি অণুকে কৃত্রিম বুদ্ধিমত্তা বর্ণনা করার সবচেয়ে নির্ভরযোগ্য উপায় কী?

• ক) শুধুমাত্র সাধারণ তুর্কি নাম লেখা
• খ) স্মাইলসের মতো কাঠামোর উপস্থাপনা এবং InChIKey-এর সাথে পরিচয় নিশ্চিত করা ✔
• গ) শুধু আণবিক ওজন বলা
• ঘ) ট্রেডমার্ক লেখাই যথেষ্ট

ব্যাখ্যা: নামগুলি (বিশেষত বাণিজ্য এবং সমার্থক নাম) অস্পষ্ট এবং ভুল অণুর দিকে নিয়ে যেতে পারে। অণুকে একটি গঠন স্বরলিপি প্রদান করা যেমন SMILES নির্ভুলতা প্রদান করে; InChIKey এর সাথে ডাটাবেসে তার পরিচয় নিশ্চিত করা হয়েছে। এছাড়াও, কৃত্রিম বুদ্ধিমত্তা দ্বারা প্রদত্ত স্মাইলগুলি অবশ্যই RDKit এর সাথে পার্স করতে হবে এবং ক্যানোনিকালাইজেশন দ্বারা যাচাই করতে হবে।

3. কৃত্রিম বুদ্ধিমত্তা দ্বারা প্রদত্ত একটি আণবিক ওজন কীভাবে ব্যবহার করা উচিত?

• ক) এটি সরাসরি ব্যবহার করা, কারণ AI সংখ্যায় নির্ভরযোগ্য
• খ) ম্যানুয়ালি বা RDKit ✔ দিয়ে সূত্র থেকে স্বাধীনভাবে গণনা ও যাচাই করুন
• গ) অন্য কৃত্রিম বুদ্ধিমত্তা জিজ্ঞাসা করা এবং তুলনা করাই যথেষ্ট
• ঘ) আণবিক ওজন গুরুত্বহীন, যাচাইয়ের প্রয়োজন নেই

ব্যাখ্যা: আণবিক ওজন হল একটি পরিমাণ যা আণবিক সূত্র থেকে নির্ধারকভাবে গণনা করা হয়। তাই ভাষা মডেল জিজ্ঞাসা সবচেয়ে দুর্বল উপায়; এটি স্বাধীনভাবে RDKit-এর মতো একটি টুল দিয়ে বা একটি সূত্র থেকে ম্যানুয়ালি গণনা করে যাচাই করা উচিত। ভাষা মডেল একটি 'সম্ভাব্য চেহারা' মান সঙ্গে এই ধরনের সংখ্যা মাপসই করতে পারেন.

4. কৃত্রিম বুদ্ধিমত্তা দ্বারা ফিরে একটি সাহিত্য উদ্ধৃতি (নিবন্ধ/DOI) ব্যবহার করার আগে কি করা উচিত?

• ক) কিছুই না; কৃত্রিম বুদ্ধিমত্তা যদি রেফারেন্স দেয় তবে তা বাস্তব
• খ) শুধু শিরোনাম দেখলেই বিশ্বাসযোগ্য মনে হয়।
• গ) একটি ডাটাবেসে (doi.org, Crossref) ডিকোড করে প্রতিটি উদ্ধৃতি এবং DOI নিশ্চিত করা ✔
• ঘ) দীর্ঘ DOI নম্বর প্রমাণ করে যে এটি বাস্তব।

বর্ণনা: ভাষার মডেল নিবন্ধ, লেখক এবং DOI তৈরি করতে পারে যা বাস্তবসম্মত দেখায় কিন্তু বিদ্যমান নয় (জাল উদ্ধৃতি)। এটি একটি DOI দেয় তার মানে এই নয় যে এটি বৈধ। প্রতিটি উদ্ধৃতি অবশ্যই একটি ডাটাবেস যেমন doi.org, Crossref, বা প্রকাশকের সাইটে রেজোলিউশন দ্বারা যাচাই করা উচিত; একজন মানুষের জন্য সবচেয়ে নিরাপদ প্রবাহ হল আসল নিবন্ধটি খুঁজে বের করা এবং কৃত্রিম বুদ্ধিমত্তা দ্বারা সংক্ষিপ্ত পাঠ্য।

5. কোন এলাকায় কৃত্রিম বুদ্ধিমত্তা সবচেয়ে দুর্বল এবং প্রতিক্রিয়া পরিকল্পনায় নিশ্চিতকরণ প্রয়োজন?

• ক) প্রতিক্রিয়াটি কোন সাধারণ শ্রেণীর অন্তর্গত তা সনাক্ত করতে
• খ) সঠিক অবস্থার সংখ্যা, ফলনের মান এবং বিকারক/অনুঘটকের নাম ✔
• গ) সরল ভাষায় একটি প্রক্রিয়া ব্যাখ্যা করা
• ঘ) বিকল্প পথের জন্য চিন্তাভাবনা

ব্যাখ্যা: এআই সাধারণত প্রতিক্রিয়ার ধরন এবং ভালভাবে নথিভুক্ত প্রতিক্রিয়াগুলির প্রধান পণ্য সম্পর্কে ভালভাবে পূর্বাভাস দেয়। যাইহোক, সঠিক অবস্থার সংখ্যা (তাপমাত্রা, সময়, সমতুল্য), ফলনের মান, বিরল প্রতিক্রিয়া, এবং বিকারক/অনুঘটক নামগুলি সবচেয়ে দুর্বল এবং বানোয়াট হওয়ার ঝুঁকিপূর্ণ; এগুলো সাহিত্য ও ক্যাটালগ দিয়ে নিশ্চিত হওয়া উচিত।

6. স্পেকট্রাম ব্যাখ্যায় কৃত্রিম বুদ্ধিমত্তা ব্যবহার করার সবচেয়ে নির্ভরযোগ্য উপায় কি?

• ক) শুধু কয়েকটি শিখর দিন এবং জিজ্ঞাসা করুন 'এটি কী বর্ণালী?' জিজ্ঞাসা করতে
• খ) প্রত্যাশিত কাঠামো এবং সম্পূর্ণ কাঁচা ডেটা দেওয়া এবং একটি ধারাবাহিকতা পরীক্ষা করা (অনুমান পরীক্ষা) ✔
• গ) ইন্টিগ্রেশন এবং ডিভিশন না করে শুধুমাত্র শিফট মান লেখা
• D) একটি একক কৌশলের মাধ্যমে সুনির্দিষ্ট স্ট্রাকচার অ্যাসাইনমেন্ট করা (শুধুমাত্র IR)

বর্ণনা: AI কে জিজ্ঞাসা করুন 'এই বর্ণালীটি কোন যৌগ?' স্ক্র্যাচ থেকে জিজ্ঞাসা করা ত্রুটির হার বাড়ায়। সবচেয়ে নির্ভরযোগ্য উপায় হল প্রত্যাশিত কাঠামো (স্মাইলস) এবং কাঁচা ডেটা (ইন্টিগ্রেশন, বিভাজন, সমাধানকারী, শীর্ষ তালিকা) একসাথে দেওয়া এবং জিজ্ঞাসা করা 'এই ডেটা কি এই কাঠামোর সাথে সামঞ্জস্যপূর্ণ?' জিজ্ঞাসা করা হয়; যে, একটি হাইপোথিসিস পরীক্ষক হিসাবে কৃত্রিম বুদ্ধিমত্তা ব্যবহার করে। পরীক্ষামূলক বর্ণালী পরীক্ষা করা রসায়নবিদদের জন্য চূড়ান্ত অ্যাসাইনমেন্ট।

7. রাসায়নিক গণনার ফলাফল (যেমন শতাংশ ফলন) পাওয়ার সবচেয়ে নির্ভরযোগ্য উপায় কী?

• ক) সরাসরি কৃত্রিম বুদ্ধিমত্তা থেকে মৌখিকভাবে ফলাফলের অনুরোধ করা
• খ) অ্যাকাউন্টের পাইথন কোড প্রিন্ট করুন এবং চালান এবং একটি পরিচিত উদাহরণ দিয়ে পরীক্ষা করুন ✔
• গ) একই প্রশ্ন একাধিকবার জিজ্ঞাসা করুন এবং সবচেয়ে ঘন ঘন আসে এমন নম্বরটি পান
• ঘ) ইউনিট নির্দিষ্ট না করে দ্রুত অনুমান করা

ব্যাখ্যা: ভাষার মডেল 'সম্ভাব্য ফলাফলের ভবিষ্যদ্বাণী করে' পাটিগণিত করে এবং খুব সাধারণ গুণের সাথেও ভুল হতে পারে। সবচেয়ে নির্ভরযোগ্য উপায় হল AI-কে তার কোড (যেমন পাইথন) লিখতে হবে, অ্যাকাউন্টে নয়, এবং সেই কোডটি চালাতে হবে; কোডটি নির্ধারক এবং নিরীক্ষণযোগ্য। কোডটিও একটি ছোট নমুনা দিয়ে পরীক্ষা করা উচিত যার উত্তর জানা আছে।

8. আণবিক সম্পত্তি ভবিষ্যদ্বাণীতে 'প্রযোজ্যতার ডোমেন' ধারণাটির অর্থ কী?

• ক) কম্পিউটারের প্রসেসিং পাওয়ার যার উপর মডেল চলে
• খ) প্রশিক্ষণ ডেটার অনুরূপ আণবিক অঞ্চল, যেখানে মডেলটি নির্ভরযোগ্য ভবিষ্যদ্বাণী দেয় ✔
• গ) নিশ্চিতকরণ এলাকা যেখানে মডেল দ্বারা প্রদত্ত নম্বর সর্বদা সঠিক
• D) তাপমাত্রা পরিসীমা যেখানে পরীক্ষাগারে অণু সংশ্লেষিত হতে পারে

ব্যাখ্যা: একটি QSAR/ভবিষ্যদ্বাণী মডেল এমন অণুগুলির উপর ভাল কাজ করে যা অণুগুলির অনুরূপ যেগুলিতে এটি প্রশিক্ষিত হয়েছিল। একটি অণু দেওয়া হয়েছে যা প্রশিক্ষণের ডেটা থেকে খুব আলাদা, মডেলটি এখনও একটি সংখ্যা তৈরি করে, কিন্তু এটি অবিশ্বস্ত; একে 'প্রযোজ্যতার সুযোগের বাইরে থাকা' বলা হয়। মডেল সবসময় একটি উত্তর দেয়; উত্তরটি নির্ভরযোগ্য কি না তা মূল্যায়ন করা মানুষের উপর নির্ভর করে।

9. পরীক্ষার ডকুমেন্টেশনে পর্যবেক্ষণের সাথে মোকাবিলা করার সঠিক পদ্ধতি কি?

• ক) সময় বাঁচাতে কৃত্রিম বুদ্ধিমত্তায় পর্যবেক্ষণ লেখা
• খ) যে ব্যক্তি পরীক্ষা করছে সে পর্যবেক্ষণগুলো লিখে রাখে; AI শুধুমাত্র ফরম্যাট এবং চেক ✔
• গ) পর্যবেক্ষণ রেকর্ড না করাই যথেষ্ট, শুধু চূড়ান্ত ফলন লিখুন
• ঘ) প্রতিবেদনটিকে সুন্দর দেখাতে পরিকল্পনা থেকে বিচ্যুতি লুকিয়ে রাখা

ব্যাখ্যা: কৃত্রিম বুদ্ধিমত্তা জানে না এটি কী; পর্যবেক্ষণ করা (রঙ পরিবর্তন, গ্যাস রিলিজ, ইত্যাদি) এটির সাথে মানানসই রেকর্ড তৈরি করে যা বিশ্বাসযোগ্য বলে মনে হয় কিন্তু ঘটেনি এবং এটি বৈজ্ঞানিক জালিয়াতি। AI রেকর্ডিং ফর্ম্যাট করে, অনুপস্থিত ক্ষেত্রগুলি স্মরণ করে এবং পুনরাবৃত্তিযোগ্যতার জন্য পরীক্ষা করে; কিন্তু মানব পরীক্ষককে অবশ্যই পর্যবেক্ষণ এবং তথ্য প্রদান করতে হবে। পরিকল্পনা থেকে বিচ্যুতিও অবশ্যই রেকর্ড করতে হবে।

10. পরীক্ষাগার নিরাপত্তা এবং সত্যের উৎসে কৃত্রিম বুদ্ধিমত্তার ভূমিকা কী?

• ক) কৃত্রিম বুদ্ধিমত্তা যদি 'নিরাপদ' বলে তাহলে অন্য কোনো উৎসের প্রয়োজন নেই
• খ) সত্যের উৎস হল SDS এবং GHS; AI সহায়ক কিন্তু চূড়ান্ত বলতে পারে না ✔
• গ) নিরাপত্তা সংক্রান্ত সিদ্ধান্তগুলি সম্পূর্ণরূপে কৃত্রিম বুদ্ধিমত্তার কাছে অর্পণ করা যেতে পারে
• ঘ) SDS অপ্রয়োজনীয়; ইন্টারনেট ফোরাম যথেষ্ট তথ্য প্রদান করে.

বর্ণনা: সুরক্ষা হল রসায়নে সর্বোচ্চ অগ্রাধিকার, এবং কৃত্রিম বুদ্ধিমত্তা এখানে শেষ কথা থাকতে পারে না। প্রকৃত নিরাপত্তা তথ্যের উৎস হল SDS (সেফটি ডেটা শীট) এবং GHS শ্রেণীবিভাগ প্রস্তুতকারী দ্বারা প্রদত্ত। AI SDS টেক্সট সংক্ষিপ্ত করতে পারে, ফর্ম ড্রাফ্ট তৈরি করতে পারে এবং প্রাথমিক অ-সম্মতি স্ক্রীনিং করতে পারে; যাইহোক, সমস্ত দাবি অবশ্যই SDS-এর মাধ্যমে যাচাই করতে হবে এবং পদ্ধতিটি অবশ্যই একজন অভিজ্ঞ ব্যক্তি/নিরাপত্তা অফিসার দ্বারা অনুমোদিত হতে হবে।

11. নিম্নলিখিত বিকারকগুলির সংমিশ্রণগুলির মধ্যে কোনটি একটি পরিচিত বিপজ্জনক (বেমানান) মিল?

• ক) জল এবং টেবিল লবণ মেশানো
• খ) হাইপোক্লোরাইট (ক্লোরিন গ্যাসের ঝুঁকি)যুক্ত দ্রবণের সাথে একটি অ্যাসিডিক দ্রবণ মেশানো ✔
• গ) ইথানল এবং জল মেশানো
• ঘ) চিনি এবং জল দ্রবীভূত করা

ব্যাখ্যা: যদিও কিছু রাসায়নিক একা তুলনামূলকভাবে নিরাপদ, তারা একসাথে বিপজ্জনক। অ্যাসিড এবং হাইপোক্লোরাইটের মিশ্রণ ক্লোরিন গ্যাস নির্গত করে; অক্সিডাইজার + জৈব আগুন/বিস্ফোরণের ঝুঁকি, জল + প্রতিক্রিয়াশীল ধাতব তাপ/হাইড্রোজেন। যদিও AI এই সংমিশ্রণগুলির বেশিরভাগই জানে, তবে এটি তাদের সকলের গ্যারান্টি দেয় না এবং কখনও কখনও নির্দোষ ভাষায় একটি বিপজ্জনক পরামর্শ উপস্থাপন করতে পারে; এসডিএস-এর সাথে অ-সম্মতির জন্য প্রতিটি পদ্ধতি পরীক্ষা করা উচিত।

12. 'হ্যালুসিনেশন' (কৃত্রিম বুদ্ধিমত্তা বানোয়াট তথ্য তৈরি করে) জন্য সবচেয়ে সঠিক অভিব্যক্তি কী?

• ক) এটি একটি বিরল সফ্টওয়্যার ত্রুটি এবং একটি আপডেটের মাধ্যমে সম্পূর্ণরূপে নির্মূল করা হয়৷
• খ) এটি ভাষা মডেলের অন্তর্নিহিত একটি আচরণ; সমাধান হল স্বাধীনভাবে প্রতিটি আউটপুট যাচাই করা ✔
• গ) এটি শুধুমাত্র ভুলভাবে লিখিত প্রম্পটে প্রদর্শিত হয়, সঠিক প্রম্পটে কখনই নয়।
• ঘ) কৃত্রিম বুদ্ধিমত্তা যদি নিরাপদ ভাষায় কথা বলে তবে তা হ্যালুসিনেশন নয়

ব্যাখ্যা: হ্যালুসিনেশন কোনো ত্রুটি নয় বরং ভাষার মডেলের প্রকৃতির ফলাফল যা 'পরবর্তী সম্ভাব্য শব্দ' তৈরি করে; মডেলটি সম্ভাব্য লক্ষ্য করে, সত্য নয়। সবচেয়ে কপট অংশ হল যে এটি সত্যের মতো একই আত্মবিশ্বাসী ভাষায় মিথ্যা তথ্য উপস্থাপন করে। সমাধানটি মডেলটি ঠিক করার চেষ্টা করা নয়, তবে প্রতিটি আউটপুটের চারপাশে একটি টাইপ-উপযুক্ত বৈধতা শেল তৈরি করা; সাবলীলতা কখনই নির্ভুলতার প্রমাণ নয়।

13. 'ত্রিভুজকরণ' মানে কি একটি সমালোচনামূলক মান (যেমন আণবিক ওজন) যাচাই করার জন্য?

• ক) একই কৃত্রিম বুদ্ধিমত্তার কাছে একই প্রশ্ন তিনবার করা
• খ) একাধিক স্বাধীন উপায়ে তুলনা করা এবং একই সিদ্ধান্তে পৌঁছানো ✔
• গ) একই সময়ে তিনটি ভিন্ন অণুর ওজন গণনা করা
• ঘ) ফলাফলকে তিন দশমিক স্থানে বৃত্তাকার করা

ব্যাখ্যা: ত্রিভুজকরণ একাধিক স্বাধীন পথের মাধ্যমে একই সিদ্ধান্তে পৌঁছাচ্ছে; উদাহরণস্বরূপ, কৃত্রিম বুদ্ধিমত্তা, RDKit গণনা এবং ম্যানুয়াল গণনা অনুসারে আণবিক ওজন তুলনা করা। যদি দুটি স্বাধীন পথ ওভারল্যাপ হয়, বিশ্বাস উচ্চ; কেউ বিচ্যুত হলে তা বন্ধ করে তদন্ত করা হয়। একটি একক উত্সের উপর নির্ভর না করে, কমপক্ষে দুটি স্বাধীন পদ্ধতির সন্ধান করা উচিত।

14. পেটেন্ট করা হয়নি এমন একটি অনন্য অণু সম্পর্কে সাধারণ AI পরিষেবাকে জিজ্ঞাসা করার সঠিক উপায় কী?

• ক) মূল কাঠামো সরাসরি দেওয়া, কারণ গতি গুরুত্বপূর্ণ
• খ) মূল কাঠামো প্রকাশ না করে একটি জেনেরিক/সারোগেট উদাহরণের মাধ্যমে একটি কৌশল শেখা ✔
• গ) কাঠামো দেওয়া কোন সমস্যা নয়, এআই কখনই তথ্য গোপন করে না
• ঘ) অণুর নাম না দিয়ে শুধুমাত্র তার সম্পূর্ণ স্মাইল শেয়ার করাই যথেষ্ট সুরক্ষা।

বর্ণনা: একটি সাধারণ কৃত্রিম বুদ্ধিমত্তা পরিষেবাতে প্রবেশ করা বিষয়বস্তু পরিষেবা নীতি অনুযায়ী সংরক্ষণ বা প্রক্রিয়া করা হতে পারে; একটি মূল কাঠামো প্রদান গোপনীয়তা এবং পেটেন্ট অগ্রাধিকার ঝুঁকি. সঠিক পন্থা হল একটি জেনেরিক/সারোগেট উদাহরণ (কাঠামোর একটি অনুরূপ শ্রেণী) থেকে কৌশলটি শেখা এবং মূল কাঠামোটি প্রকাশ না করেই ঘরের নিজস্ব অণুতে প্রয়োগ করা। ব্যক্তিগত/রোগীর ডেটাও শনাক্তযোগ্য ফর্মে প্রবেশ করানো উচিত নয়।