Κέρδη:
- Ενσωμάτωση της ανθρώπινης αρχής στη ροή εργασίας από άκρο σε άκρο στο πείραμα και δυνατότητα διαχωρισμού τεχνητής νοημοσύνης/ανθρώπινων ρόλων σε κάθε στάδιο
- Δυνατότητα εργασίας με γενικά παραδείγματα μεσολάβησης χωρίς να δίνεται εμπιστευτική δομή και δεδομένα στη γενική τεχνητή νοημοσύνη
- Δυνατότητα τοποθέτησης ανθρώπινων πυλών έγκρισης σε κρίσιμα σημεία και ανάληψης της τελικής ευθύνης με διαφάνεια και ιχνηλασιμότητα
Σε αυτήν την τελική ενότητα συνδυάζουμε ολόκληρη την ενότητα σε ένα ενιαίο πλαίσιο: human-in-the-loop. Αυτή η αρχή λέει ότι ανεξάρτητα από το πόσο ικανό είναι το AI, ένας άνθρωπος πρέπει να κατανοεί, να ελέγχει και να εγκρίνει σε κάθε κρίσιμο σημείο μιας χημικής απόφασης. Σε αυτήν την ενότητα, θα αποσαφηνίσουμε πρώτα τις ηθικές πτυχές και την εμπιστευτικότητα, στη συνέχεια θα δημιουργήσουμε μια ροή εργασίας από άκρο σε άκρο που παίρνει ένα μόριο από ιδέα σε αναφορά και θα δούμε πώς η τεχνητή νοημοσύνη και οι άνθρωποι μοιράζουν την εργασία σε κάθε στάδιο. Ο στόχος είναι να μετατρέψετε όλα όσα έχετε μάθει σε ένα σύστημα που ταιριάζει στην καθημερινή εργασία.
Απόρρητο: τι να μην δίνετε στην τεχνητή νοημοσύνη;
Η Χημεία συχνά λειτουργεί με εμπιστευτικές πληροφορίες: μόρια χωρίς δίπλωμα ευρεσιτεχνίας, οδοί σύνθεσης μυστικών εταιρειών, αδημοσίευτα δεδομένα, δείγματα ασθενών. Το κείμενο που εισάγετε σε μια δημόσια υπηρεσία AI μπορεί να αποθηκευτεί ή να υποβληθεί σε επεξεργασία σύμφωνα με την πολιτική της υπηρεσίας. Επομένως:
- Ελέγξτε τη θεσμική πολιτική σας πριν δημοσιεύσετε μη δημοσιευμένες πρωτότυπες δομές (μόρια πριν από το δίπλωμα ευρεσιτεχνίας) σε δημόσια τεχνητή νοημοσύνη.
- Ποτέ μην εισάγετε δεδομένα προσωπικού χαρακτήρα/ασθενούς (κλινικά δείγματα) σε αναγνωρίσιμη μορφή.
- Ελέγξτε τις συμφωνίες εμπιστευτικότητας πριν κοινοποιήσετε τις διαδρομές σύνθεσης εμπορικών μυστικών.
- Επιλέξτε εσωτερικά/προσαρμοσμένα εργαλεία τεχνητής νοημοσύνης όταν είναι απαραίτητο.
Προσοχή: Το να ρωτήσετε μια γενική τεχνητή νοημοσύνη για ένα μόριο μπορεί να σημαίνει αποκάλυψη της δομής αυτού του μορίου. Για μια μοναδική δομή που δεν έχει κατοχυρωθεί με δίπλωμα ευρεσιτεχνίας, αυτό μπορεί να θέσει σε κίνδυνο την προτεραιότητά σας (δικαίωμα πατέντας). Ζητήστε κρυφές δομές με γενικά/υποκατάστατα παραδείγματα.
Ηθική: τέσσερις αρχές
- Διαφάνεια: Μην κρύβετε πού χρησιμοποιείτε την τεχνητή νοημοσύνη. Συμμορφωθείτε με τις δημοσιογραφικές και θεσμικές πολιτικές.
- Ευθύνη: Ο άνθρωπος είναι υπεύθυνος για την τελική απόφαση. Το "πρότεινε AI" δεν δικαιολογεί παραβίαση ασφάλειας ή ακεραιότητας.
- Μη κακοήθεια: Μη χρησιμοποιείτε AI για επικίνδυνες/παράνομες εφαρμογές σύνθεσης, διπλής χρήσης (δυνατότητα όπλων).
- Δικαιοσύνη και ειλικρίνεια: Μην παραμορφώνετε δεδομένα, μην ωραιοποιείτε τα αποτελέσματα, μην δημιουργείτε αποδόσεις.
Ροή εργασιών από άκρο σε άκρο: μόριο → αναφορά
Τώρα ας συνδυάσουμε ολόκληρη την ενότητα σε μια ενιαία ροή. Σε κάθε στάδιο, δώστε προσοχή στη διάκριση μεταξύ του τι κάνει το AI και του τι κάνει ο άνθρωπος.
Σκηνή
Ο ρόλος της AI
Ο (κρίσιμος) ρόλος των ανθρώπων
1. Ιδέα/λογοτεχνία
Περίληψη έννοιας, όρος αναζήτησης
Εύρεση της πραγματικής πηγής, επιβεβαίωση απόδοσης
2. Περιγραφή δομής
δημιουργώντας ΧΑΜΟΓΕΛΑ
Έλεγχος ταυτότητας με RDKit, InChIKey
3. Σχέδιο σύνθεσης
Αναδρομική σύνθεση, εναλλακτικές
Επιβεβαίωση βιβλιογραφίας, επιλογή διαδρομής
4. Ασφάλεια
Περίληψη SDS, προκαταρκτική αναντιστοιχία
Ανάγνωση SDS, έγκριση, απόφαση PPE
5. Εφαρμογή
(Καμία)
Όλες οι εργαστηριακές εργασίες
6. Ανάλυση
Υποστήριξη σχολίων φάσματος
Τελική ανάθεση δομής
7. Επεξεργασία δεδομένων
γραφή κώδικα
Εκτελέστε τον κωδικό, επαληθεύστε το αποτέλεσμα
8. Τεκμηρίωση
Μορφοποίηση, έλεγχος
Παρατήρηση, απόκλιση, υπογραφή
9. Αναφορά
προσχέδιο κειμένου
Επαλήθευση αριθμού/αναφοράς, λογοδοσία
Αυτός ο πίνακας δείχνει πώς οι 11 μονάδες της μονάδας είναι διατεταγμένες σε μία εργασία. Το AI επιταχύνει. οι άνθρωποι επαληθεύουν και κατέχουν.
Βήμα προς βήμα: ρύθμιση της ροής εργασίας
- Αποσαφήνιση ρόλων: Για κάθε εργασία, «Αποφασίζει η τεχνητή νοημοσύνη ή ο άνθρωπος;» καθορίσει από την αρχή.
- Ρυθμίστε ένα φίλτρο απορρήτου: Χωρίς να δώσετε κάτι στο AI μπορείτε να ρωτήσετε "αυτό είναι ιδιωτικό/ιδιωτικό;" παρακαλώ.
- Put verification gates: Ένα βήμα επαλήθευσης στο τέλος κάθε σταδίου (πίνακας στην ενότητα 10).
- Διατήρηση ιχνηλασιμότητας: Τι αποτελέσματα προήλθε από το AI, πώς επαληθεύτηκε, ποιος το ενέκρινε.
- Ορίστε σημεία έγκρισης: Η ανθρώπινη έγκριση είναι υποχρεωτική σε κρίσιμα σημεία όπως η ασφάλεια και το τελικό αποτέλεσμα.
- Σχόλια: Καταγράψτε κάθε σφάλμα που εντοπίστηκε και βελτιώστε τη ροή εργασίας.
Τέσσερα πρότυπα με δυνατότητα αντιγραφής
1) Προφίλτρο απορρήτου:
Πριν κάνετε μια ερώτηση, σκεφτείτε το εξής:Περιεχόμενο: [ΤΙ ΡΩΤΑΩ]Εργασία: Περιέχει αυτό το περιεχόμενο μη δημοσιευμένα πρωτότυπα αντικείμενα, προσωπικά δεδομένα ή εμπορικά μυστικά; Αν ναι, προτείνετε πώς μπορώ να ξαναγράψω την ερώτηση με ένα γενικό/παρθετικό παράδειγμα που θα κρύβει τη δομή.
2) Πύλη επαλήθευσης τέλους φάσης:
Έχω ολοκληρώσει την εξής φάση: [ΦΑΣΗ, π.χ. σχέδιο σύνθεσης].Εργασία: Καταγράψτε όλα τα στοιχεία που πρέπει να επαληθευτούν βγαίνοντας από αυτό το στάδιο (αριθμός, παραπομπή, δομή, αξίωση ασφαλείας). Για καθεμία, γράψτε τη μέθοδο επαλήθευσης και ποιος πρέπει να την επιβεβαιώσει. Σημειώστε τυχόν ανοιχτά στοιχεία που πρέπει να κλείσουν πριν προχωρήσετε στο επόμενο βήμα.
3) Σχέδιο διανομής ρόλων ανθρώπου-τεχνητής νοημοσύνης:
Το έργο μου: [ΣΥΝΤΟΜΗ ΠΕΡΙΓΡΑΦΗ]. Εργασία: Χωρίστε αυτό το έργο σε φάσεις. Για κάθε στάδιο, διακρίνετε μεταξύ: - Τι μπορεί να κάνει το AI (σχέδιο, κωδικός, περίληψη) - Τι πρέπει να αποφασίσει ο άνθρωπος (ασφάλεια, συνέπεια, έγκριση). Σημειώστε τα κρίσιμα σημεία όπου η απόλυτη ευθύνη ανήκει στον άνθρωπο.
4) Αναφέρετε τον έλεγχο ακεραιότητας:
Ακολουθεί το προσχέδιο της έκθεσής μου:[DRAFT]Εργασία: Ελέγξτε και σημειώστε τα ακόλουθα:1) Υπάρχουν μη επαληθευμένοι αριθμοί/αναφορές; 2) Αναφέρεται με διαφάνεια η χρήση της τεχνητής νοημοσύνης;3) Τα δεδομένα εμφανίζονται "ωραιοποιημένα" (απόκρυψη ακραίων στοιχείων);4) Υπάρχουν ελαττώματα ασφάλειας/δεοντολογίας; [ΕΛΕΓΧΟΣ] όπου δεν είστε σίγουροι.
Αδύναμη προτροπή / Ισχυρή προτροπή
Αδύναμο:
Ποιος είναι ο καλύτερος τρόπος για να συνθέσουμε το νέο μυστικό μόριο της εταιρείας μας;[πραγματική αρχική δομή]
Αυτό εκθέτει την αρχική δομή πριν από το δίπλωμα ευρεσιτεχνίας σε μια γενική υπηρεσία. Θέτει σε κίνδυνο την προτεραιότητα και την εμπιστευτικότητα.
Δυνατό:
Θα ήθελα να μάθω τη γενική στρατηγική ρετροσύνθεσης για μια παρόμοια δομή μιας κατηγορίας αρωματικών κετονών. Εξηγήστε μέσω ενός γενικού παραδείγματος (παράγωγο ακετοφαινόνης) χωρίς να δώσετε τη συγκεκριμένη, αρχική δομή. Θα εφαρμόσω τη στρατηγική στο δικό μου μόριο εσωτερικά.
Διαφορά: χωρίς να αποκαλυφθεί η λανθάνουσα δομή, επιτεύχθηκε η ίδια μάθηση όπως και με το γενικό υποκατάστατο παράδειγμα.
μίνι θήκες
Περίπτωση 1 — Αποκαλύφθηκε η αρχική δομή. Μια ομάδα ρώτησε μια γενική τεχνητή νοημοσύνη για ένα μοναδικό μόριο πριν υποβάλει αίτηση για δίπλωμα ευρεσιτεχνίας. Η νομική μονάδα δήλωσε ότι αυτό θα μπορούσε να θέσει υπό αμφισβήτηση την προτεραιότητα. Η διαδικασία καθυστέρησε. Μάθημα: ζητήστε μοναδικές δομές με γενικό διακομιστή μεσολάβησης, σεβαστείτε την πολιτική απορρήτου.
Περίπτωση 2 — Η ανθρώπινη συναίνεση απέτρεψε το ατύχημα. Σε μια αυτοματοποιημένη ροή εργασιών, η τεχνητή νοημοσύνη δημιούργησε μια προσχέδια διαδικασίας και επρόκειτο να εφαρμοστεί άμεσα. Αλλά ένας έμπειρος χημικός έπιασε ένα ασύμβατο ζεύγος αντιδραστηρίων στην πύλη «ασφάλειας διαφυγής». Μάθημα: σε κρίσιμα σημεία, οι πύλες ανθρώπινης έγκρισης σώζουν ζωές.
Περίπτωση 3 — Πειθαρχία από άκρο σε άκρο. Ένας μεταπτυχιακός φοιτητής υλοποίησε ολόκληρη την ενότητα σε ένα έργο: περίληψη βιβλιογραφίας + επαλήθευση πραγματικής αναφοράς με AI, επαλήθευση δομής με RDKit, ανάλυση δεδομένων με κώδικα, ασφάλεια με SDS, ειλικρινής τεκμηρίωση, διαφανής αναφορά. Το αποτέλεσμα ήταν ταχύτερο και πιο στιβαρό. στην υπεράσπιση της διατριβής "Πώς επαληθεύσατε την τεχνητή νοημοσύνη;" Απάντησε ξεκάθαρα στην ερώτηση. Μάθημα: Η πειθαρχία AI + επαλήθευσης λειτουργούν καλύτερα μαζί.
Συνήθη λάθη
- Δίνοντας τη λανθάνουσα δομή στη γενική ΑΙ. Διακυβεύει την προτεραιότητα ευρεσιτεχνίας και το εμπορικό μυστικό.
- Εισαγωγή αναγνωρίσιμων προσωπικών δεδομένων/ασθενών. Παραβίαση της ιδιωτικής ζωής και νομικός κίνδυνος.
- Παράκαμψη πυλών έγκρισης. Ασφάλεια και τελικά να προχωρήσουμε χωρίς ανθρώπινη έγκριση.
- Μεταβίβαση της ευθύνης στο AI. Το "AI πρότεινε" δεν δικαιολογεί κανένα λάθος.
- Αποφυγή διαφάνειας. Η απόκρυψη της χρήσης τεχνητής νοημοσύνης υπονομεύει την ακεραιότητα.
- Αγνοώντας τον κίνδυνο διπλής χρήσης. Είναι ανήθικο να χρησιμοποιείτε AI για επιβλαβείς εφαρμογές.
Συμβουλή: Σχεδιάστε τη ροή εργασίας σας με «κάθε κρίσιμη απόφαση που σταματά και εγκρίνει ένας άνθρωπος». Κάντε το AI έναν κρίκο που επιταχύνει την αλυσίδα και ο κόμβος που κρατά την αλυσίδα είναι πάντα ανθρώπινος.
Συνοπτικά
- Ανθρώπινη αρχή στον πειραματισμό: σε κάθε κρίσιμη χημική απόφαση, ο άνθρωπος κατανοεί, επιβλέπει και εγκρίνει.
- Απόρρητο: μην παρέχετε μοναδικά τεχνουργήματα, προσωπικά δεδομένα και εμπορικά μυστικά σε δημόσια τεχνητή νοημοσύνη. Χρησιμοποιήστε γενικό διακομιστή μεσολάβησης.
- Ηθική: διαφάνεια, υπευθυνότητα, μη κακία, ειλικρίνεια είναι οι τέσσερις βασικές αρχές.
- Σε μια ροή εργασίας από άκρο σε άκρο, η τεχνητή νοημοσύνη επιταχύνεται σε κάθε στάδιο. οι άνθρωποι επαληθεύουν και κατέχουν.
- Τοποθετήστε τις πύλες ανθρώπινης έγκρισης σε κρίσιμα σημεία (ασφάλεια, τελικό αποτέλεσμα) και διατηρήστε την ιχνηλασιμότητα.
Εργασία εφαρμογής
Επιλέξτε ένα δικό σας έργο (πραγματικό ή υποθετικό) και σχεδιάστε μια ροή εργασίας AI-human από την αρχή μέχρι το τέλος. Προσαρμόστε τον παραπάνω πίνακα 9 σταδίων στο δικό σας έργο: τι θα κάνει το AI σε κάθε στάδιο, τι θα εγκρίνει ο άνθρωπος; Εφαρμογή προ-φίλτρου απορρήτου: ποιες πληροφορίες δεν δίνετε στο AI, πώς το γενικεύετε; Καθορίστε τουλάχιστον δύο πύλες έγκρισης από τον άνθρωπο και μία μέθοδο ιχνηλασιμότητας. Γράψτε ένα "σχέδιο ροής εργασιών και επαλήθευσης" μιας σελίδας.
λίστα ελέγχου
- [ ] Στο πείραμα, κατάλαβα την ανθρώπινη αρχή και γιατί ήταν απαραίτητο.
- [ ] Γενικεύω την κρυφή δομή/δεδομένα χωρίς να τα δίνω στο γενικό AI.
- [ ] Συμμορφώνομαι με τις αρχές της διαφάνειας, της υπευθυνότητας, της μη κακίας και της ειλικρίνειας.
- [ ] Διαχώρισα τους ρόλους AI/ανθρώπου στη ροή εργασίας από άκρο σε άκρο.
- [ ] Έβαλα ανθρώπινες πύλες έγκρισης σε κρίσιμα σημεία.
- [ ] Παρακολουθώ ποια έξοδο προέρχεται από το AI και πώς επαληθεύεται.
Εξέταση Ενοτήτων
1. Ποιο από τα παρακάτω είναι η πιο ακριβής τοποθέτηση για την τεχνητή νοημοσύνη στη χημεία;
- Α) Η τεχνητή νοημοσύνη είναι βοηθός κώδικα, σχεδίου και επεξεργασίας. Η ευθύνη για τη δομή, τον αριθμό, τους πόρους, την ασφάλεια και τις ηθικές αποφάσεις ανήκει στους ανθρώπους ✔
- Β) Η τεχνητή νοημοσύνη είναι μηχανή χημείας και τα μοριακά βάρη που δίνει είναι πάντα ακριβή.
- Γ) Η τεχνητή νοημοσύνη λειτουργεί μόνο σε βιβλιογραφική ανασκόπηση, δεν έχει να κάνει με ανάλυση και ασφάλεια
- Δ) Δεδομένου ότι η τεχνητή νοημοσύνη είναι πιο αμερόληπτη από τους ανθρώπους, οι αποφάσεις για την ασφάλεια θα πρέπει να αφεθούν σε αυτήν
Περιγραφή: Τεχνητή νοημοσύνη. Είναι ένας βοηθός που γράφει κώδικα, παράγει προσχέδια, χτίζει έναν σκελετό ρετροσύνθεσης, βοηθά και οργανώνει την ερμηνεία του φάσματος. Ωστόσο, ο ντετερμινιστικός υπολογισμός του μοριακού βάρους και η στοιχειομετρία, η επαλήθευση της δομής με RDKit, η επιβεβαίωση παραπομπών στη βάση δεδομένων, η απόφαση ασφάλειας με SDS/GHS και η τελική ευθύνη ανήκουν στον αρμόδιο χημικό. Το μοντέλο της μεγάλης γλώσσας δεν είναι μια αριθμομηχανή ή μια μηχανή χημείας. Είναι μια δημιουργία κειμένου που παράγει την «επόμενη πιο πιθανή λέξη» και η μη επαληθευμένη έξοδος της μπορεί να οδηγήσει σε λανθασμένη δομή, αριθμό ή κίνδυνο.
2. Ποιος είναι ο πιο αξιόπιστος τρόπος να περιγράψουμε ένα μόριο στην τεχνητή νοημοσύνη;
- Α) Γράφοντας μόνο την κοινή τουρκική ονομασία
- Β) Δίνοντας μια αναπαράσταση δομής όπως SMILES και επιβεβαίωση της ταυτότητας με το InChIKey ✔
- Γ) Λέγοντας απλώς το μοριακό βάρος
- Δ) Αρκεί να γράψετε το εμπορικό σήμα
Εξήγηση: Τα ονόματα (ειδικά τα εμπορικά και συνώνυμα ονόματα) είναι διφορούμενα και μπορεί να οδηγήσουν σε λάθος μόριο. Δίνοντας στο μόριο έναν συμβολισμό δομής όπως SMILES παρέχει ακρίβεια. Η ταυτότητά του επιβεβαιώνεται στη βάση δεδομένων με το InChIKey. Επιπλέον, τα SMILES που δίνονται από την τεχνητή νοημοσύνη πρέπει να αναλυθούν με το RDKit και να επαληθευτούν με κανονικοποίηση.
3. Πώς πρέπει να χρησιμοποιήσετε ένα μοριακό βάρος που δίνει η τεχνητή νοημοσύνη;
- Α) Χρησιμοποιώντας το απευθείας, γιατί η τεχνητή νοημοσύνη είναι αξιόπιστη σε αριθμούς
- Β) Υπολογίστε και επαληθεύστε ανεξάρτητα από τον τύπο χειροκίνητα ή με το RDKit ✔
- Γ) Αρκεί να ρωτήσεις μια άλλη τεχνητή νοημοσύνη και να συγκρίνεις
- Δ) Το μοριακό βάρος είναι ασήμαντο, δεν χρειάζεται επαλήθευση
Εξήγηση: Το μοριακό βάρος είναι μια ποσότητα που υπολογίζεται ντετερμινιστικά από τον μοριακό τύπο. Επομένως, το να ρωτήσεις το γλωσσικό μοντέλο είναι ο πιο αδύναμος τρόπος. Θα πρέπει να επαληθεύεται ανεξάρτητα με ένα εργαλείο όπως το RDKit ή με τον υπολογισμό του με μη αυτόματο τρόπο από έναν τύπο. Το μοντέλο γλώσσας μπορεί να χωρέσει τέτοιους αριθμούς με μια τιμή «πιθανής εμφάνισης».
4. Τι πρέπει να κάνετε πριν χρησιμοποιήσετε μια βιβλιογραφική αναφορά (άρθρο/DOI) που επιστρέφεται από την τεχνητή νοημοσύνη;
- Α) Τίποτα. Εάν η τεχνητή νοημοσύνη δίνει μια αναφορά, είναι πραγματική
- Β) Αρκεί μόνο να κοιτάξεις τον τίτλο για να φαίνεται πειστικός.
- Γ) Επιβεβαίωση κάθε αναφοράς και DOI αποκωδικοποιώντας τα σε μια βάση δεδομένων (doi.org, Crossref) ✔
- Δ) Ο μακρύς αριθμός DOI αποδεικνύει ότι είναι πραγματικός.
Περιγραφή: Το μοντέλο γλώσσας μπορεί να δημιουργήσει άρθρα, συγγραφείς και DOI που φαίνονται ρεαλιστικά αλλά δεν υπάρχουν (ψευδής αναφορά). Ακριβώς επειδή δίνει ένα DOI δεν σημαίνει ότι είναι έγκυρο. Κάθε παραπομπή πρέπει να επαληθεύεται με ανάλυση σε μια βάση δεδομένων όπως το doi.org, το Crossref ή ο ιστότοπος του εκδότη. Η πιο ασφαλής ροή είναι να βρει ένας άνθρωπος το πραγματικό άρθρο και να συνοψίσει το κείμενο με τεχνητή νοημοσύνη.
5. Σε ποιον τομέα η τεχνητή νοημοσύνη είναι πιο αδύναμη και απαιτεί επιβεβαίωση στον σχεδιασμό αντίδρασης;
- Α) Στην αναγνώριση σε ποια γενική τάξη ανήκει η αντίδραση
- Β) Ακριβείς αριθμοί συνθηκών, τιμές απόδοσης και ονόματα αντιδραστηρίων/καταλυτών ✔
- Γ) Εξήγηση μηχανισμού σε απλή γλώσσα
- Δ) Καταιγισμός ιδεών για εναλλακτικές διαδρομές
Εξήγηση: Η τεχνητή νοημοσύνη γενικά προβλέπει καλά τον τύπο της αντίδρασης και το κύριο προϊόν των καλά τεκμηριωμένων αντιδράσεων. Ωστόσο, οι ακριβείς αριθμοί συνθηκών (θερμοκρασία, χρόνος, ισοδύναμο), οι τιμές απόδοσης, οι σπάνιες αντιδράσεις και τα ονόματα αντιδραστηρίων/καταλυτών είναι τα πιο αδύναμα και πιο επιρρεπή στην κατασκευή. Αυτά θα πρέπει να επιβεβαιωθούν με βιβλιογραφία και καταλόγους.
6. Ποιος είναι ο πιο αξιόπιστος τρόπος χρήσης της τεχνητής νοημοσύνης στην ερμηνεία του φάσματος;
- Α) Απλώς δώστε μερικές κορυφές και ρωτήστε "τι φάσμα είναι αυτό;" να ρωτήσω
- Β) Δίνοντας την αναμενόμενη δομή και πλήρη ακατέργαστα δεδομένα και έλεγχος συνέπειας (δοκιμή υποθέσεων) ✔
- Γ) Γράφοντας μόνο τις τιμές μετατόπισης χωρίς να γίνει ολοκλήρωση και διαίρεση
- Δ) Έχοντας την οριστική εκχώρηση δομής με μία μόνο τεχνική (μόνο IR)
Περιγραφή: Ρωτήστε το AI "ποια ένωση είναι αυτό το φάσμα;" Η ερώτηση από την αρχή αυξάνει το ποσοστό σφάλματος. Ο πιο αξιόπιστος τρόπος είναι να δώσουμε την αναμενόμενη δομή (SMILES) και τα ανεπεξέργαστα δεδομένα (ολοκλήρωση, διαχωρισμός, λύτης, λίστα κορυφών) μαζί και να ρωτήσουμε "είναι αυτά τα δεδομένα συνεπή με αυτήν τη δομή;" είναι να ρωτήσω? χρησιμοποιώντας δηλαδή την τεχνητή νοημοσύνη ως ελεγκτή υποθέσεων. Η τελική εργασία είναι για τον χημικό που εξετάζει το πειραματικό φάσμα.
7. Ποιος είναι ο πιο αξιόπιστος τρόπος για να ληφθεί το αποτέλεσμα ενός χημικού υπολογισμού (π.χ. ποσοστιαία απόδοση);
- Α) Ζητώντας προφορικά το αποτέλεσμα απευθείας από την τεχνητή νοημοσύνη
- Β) Εκτυπώστε και εκτελέστε τον κώδικα Python του λογαριασμού και δοκιμάστε τον με ένα γνωστό παράδειγμα ✔
- Γ) Κάντε την ίδια ερώτηση πολλές φορές και λάβετε τον αριθμό που εμφανίζεται πιο συχνά
- Δ) Γρήγορη εκτίμηση χωρίς καθορισμό της μονάδας
Εξήγηση: Το γλωσσικό μοντέλο κάνει αριθμητική «πρόβλεψη του πιθανού αποτελέσματος» και μπορεί να είναι λάθος ακόμη και με πολύ απλούς πολλαπλασιασμούς. Ο πιο αξιόπιστος τρόπος είναι να βάλετε το AI να γράψει τον ΚΩΔΙΚΟ του (π.χ. Python), όχι τον ίδιο τον λογαριασμό και να εκτελέσετε αυτόν τον κώδικα. ο κώδικας είναι ντετερμινιστικός και ελεγχόμενος. Ο κωδικός θα πρέπει επίσης να ελεγχθεί με ένα μικρό δείγμα του οποίου η απάντηση είναι γνωστή.
8. Τι σημαίνει η έννοια του «τομέα εφαρμογής» στην πρόβλεψη μοριακών ιδιοτήτων;
- Α) Ισχύς επεξεργασίας του υπολογιστή στον οποίο εκτελείται το μοντέλο
- Β) Μοριακή περιοχή παρόμοια με τα δεδομένα εκπαίδευσης, όπου το μοντέλο δίνει αξιόπιστες προβλέψεις ✔
- Γ) Περιοχή διασφάλισης όπου ο αριθμός που δίνει το μοντέλο είναι πάντα ακριβής
- Δ) Εύρος θερμοκρασίας στο οποίο μπορεί να συντεθεί το μόριο στο εργαστήριο
Εξήγηση: Ένα μοντέλο QSAR/πρόβλεψης λειτουργεί καλά σε μόρια που είναι παρόμοια με τα μόρια στα οποία εκπαιδεύτηκε. Δεδομένου ενός μορίου που είναι πολύ διαφορετικό από τα δεδομένα εκπαίδευσης, το μοντέλο εξακολουθεί να παράγει έναν αριθμό, αλλά αυτό είναι αναξιόπιστο. Αυτό ονομάζεται «εκτός του πεδίου εφαρμογής». Το μοντέλο δίνει πάντα μια απάντηση. Εναπόκειται στον άνθρωπο να αξιολογήσει εάν η απάντηση είναι αξιόπιστη ή όχι.
9. Ποια είναι η σωστή προσέγγιση για την αντιμετώπιση των παρατηρήσεων στην τεκμηρίωση του πειράματος;
- Α) Γράψτε παρατηρήσεις στην τεχνητή νοημοσύνη για εξοικονόμηση χρόνου
- Β) Το άτομο που κάνει το πείραμα καταγράφει τις παρατηρήσεις. Μορφοποιεί και ελέγχει μόνο το AI ✔
- Γ) Αρκεί να μην καταγράψετε τις παρατηρήσεις, απλώς γράψτε την τελική απόδοση
- Δ) Απόκρυψη αποκλίσεων από το σχέδιο για να φαίνεται ωραία η αναφορά
Εξήγηση: Η τεχνητή νοημοσύνη δεν ξέρει τι είναι. Κάνοντας παρατηρήσεις (αλλαγή χρώματος, απελευθέρωση αερίου κ.λπ.) να ταιριάζουν σε αυτό παράγει αρχεία που φαίνονται εύλογα αλλά δεν συνέβησαν, και αυτό είναι επιστημονική απάτη. Το AI μορφοποιεί την εγγραφή, ανακαλεί πεδία που λείπουν και ελέγχει για επαναληψιμότητα. αλλά ο άνθρωπος πειραματιστής πρέπει να παρέχει τις παρατηρήσεις και τα γεγονότα. Οι αποκλίσεις από το σχέδιο πρέπει επίσης να καταγράφονται.
10. Ποιος είναι ο ρόλος της τεχνητής νοημοσύνης στην ασφάλεια του εργαστηρίου και η πηγή της αλήθειας;
- Α) Εάν η τεχνητή νοημοσύνη λέει «ασφαλής», δεν χρειάζεται άλλη πηγή
- Β) Η πηγή της αλήθειας είναι το SDS και το GHS. Το AI είναι χρήσιμο, αλλά δεν μπορεί να πει τον τελευταίο λόγο ✔
- Γ) Οι αποφάσεις ασφαλείας μπορούν να ανατεθούν πλήρως στην τεχνητή νοημοσύνη
- Δ) Το SDS δεν είναι απαραίτητο. Τα φόρουμ του Διαδικτύου παρέχουν επαρκείς πληροφορίες.
Περιγραφή: Η ασφάλεια είναι η υψηλότερη προτεραιότητα στη χημεία και η τεχνητή νοημοσύνη δεν μπορεί ποτέ να έχει τον τελευταίο λόγο εδώ. Η πηγή των πραγματικών πληροφοριών ασφάλειας είναι το SDS (Safety Data Sheet) και η ταξινόμηση GHS που παρέχονται από τον κατασκευαστή. Η τεχνητή νοημοσύνη μπορεί να συνοψίσει κείμενο SDS, να δημιουργήσει προσχέδια φορμών και να πραγματοποιήσει προκαταρκτικό έλεγχο μη συμμόρφωσης. Ωστόσο, όλες οι αξιώσεις πρέπει να επαληθεύονται με SDS και η διαδικασία πρέπει να εγκριθεί από έμπειρο άτομο/αξιωματικό ασφαλείας.
11. Ποιος από τους παρακάτω συνδυασμούς αντιδραστηρίων είναι γνωστός επικίνδυνος (μη συμβατός) ταίριασμα;
- Α) Ανάμιξη νερού και επιτραπέζιου αλατιού
- Β) Ανάμιξη όξινου διαλύματος με διάλυμα που περιέχει υποχλωριώδες (κίνδυνος αερίου χλωρίου) ✔
- Γ) Ανάμιξη αιθανόλης και νερού
- Δ) Διάλυση ζάχαρης και νερού
Εξήγηση: Ενώ ορισμένες χημικές ουσίες είναι σχετικά ασφαλείς μόνες τους, είναι επικίνδυνες μαζί. Η ανάμειξη οξέος και υποχλωριώδους απελευθερώνει αέριο χλώριο. Οξειδωτικό + οργανικό ενέχει κίνδυνο πυρκαγιάς/έκρηξης, νερό + αντιδραστική θερμότητα μετάλλου/υδρογόνο. Αν και η τεχνητή νοημοσύνη γνωρίζει τους περισσότερους από αυτούς τους συνδυασμούς, δεν τους εγγυάται όλους και μερικές φορές μπορεί να παρουσιάσει μια επικίνδυνη πρόταση σε αθώα γλώσσα. κάθε διαδικασία θα πρέπει να ελέγχεται για μη συμμόρφωση με το SDS.
12. Ποια είναι η πιο ακριβής έκφραση για την «ψευδαίσθηση» (τεχνητή νοημοσύνη που παράγει κατασκευασμένες πληροφορίες);
- Α) Είναι ένα σπάνιο σφάλμα λογισμικού και εξαλείφεται πλήρως με μια ενημέρωση.
- Β) Είναι μια συμπεριφορά εγγενής στο γλωσσικό μοντέλο. Η λύση είναι να επαληθεύσετε ανεξάρτητα κάθε έξοδο ✔
- Γ) Εμφανίζεται μόνο σε λανθασμένα γραμμένα μηνύματα, ποτέ σε σωστά.
- Δ) Εάν η τεχνητή νοημοσύνη μιλάει σε μια ασφαλή γλώσσα, δεν είναι παραίσθηση
Εξήγηση: Η ψευδαίσθηση δεν είναι δυσλειτουργία αλλά το αποτέλεσμα της φύσης του γλωσσικού μοντέλου που παράγει την «επόμενη πιο πιθανή λέξη». Το μοντέλο στοχεύει στο δυνατό, όχι στο αληθινό. Το πιο ύπουλο μέρος είναι ότι παρουσιάζει ψευδείς πληροφορίες στην ίδια σίγουρη γλώσσα με την αλήθεια. Η λύση δεν είναι να προσπαθήσουμε να διορθώσουμε το μοντέλο, αλλά να δημιουργήσουμε ένα κατάλληλο κέλυφος επικύρωσης γύρω από κάθε έξοδο. η ευχέρεια δεν είναι ποτέ απόδειξη της ακρίβειας.
13. Τι σημαίνει «τριγωνισμός» για την επαλήθευση μιας κρίσιμης τιμής (π.χ. μοριακό βάρος);
- Α) Κάνοντας την ίδια ερώτηση στην ίδια τεχνητή νοημοσύνη τρεις φορές
- Β) Σύγκριση και εξαγωγή στο ίδιο συμπέρασμα με περισσότερους από έναν ανεξάρτητους τρόπους ✔
- Γ) Υπολογισμός του βάρους τριών διαφορετικών μορίων ταυτόχρονα
- Δ) Στρογγυλοποίηση του αποτελέσματος σε τρία δεκαδικά ψηφία
Εξήγηση: Ο τριγωνισμός καταλήγει στο ίδιο συμπέρασμα μέσω πολλαπλών ανεξάρτητων μονοπατιών. Για παράδειγμα, συγκρίνοντας το μοριακό βάρος σύμφωνα με την τεχνητή νοημοσύνη, τον υπολογισμό RDKit και τον μη αυτόματο υπολογισμό. Εάν δύο ανεξάρτητα μονοπάτια αλληλοεπικαλύπτονται, η εμπιστοσύνη είναι υψηλή. Αν κάποιος παρεκκλίνει, διακόπτεται και διερευνάται. Αντί να βασίζεστε σε μία μόνο πηγή, θα πρέπει να αναζητηθούν τουλάχιστον δύο ανεξάρτητες μέθοδοι.
14. Ποιος είναι ο σωστός τρόπος για να ρωτήσετε μια γενική υπηρεσία AI για ένα μοναδικό μόριο που δεν έχει κατοχυρωθεί με δίπλωμα ευρεσιτεχνίας;
- Α) Δίνοντας απευθείας την αρχική δομή, γιατί η ταχύτητα είναι σημαντική
- Β) Εκμάθηση στρατηγικής μέσω ενός γενικού/υποκατάστατου παραδείγματος χωρίς να αποκαλύπτεται η αρχική δομή ✔
- Γ) Η παροχή δομής δεν είναι πρόβλημα, η τεχνητή νοημοσύνη δεν κρύβει ποτέ πληροφορίες
- Δ) Το να μην δίνετε το όνομα του μορίου αλλά μόνο να μοιράζεστε ολόκληρο το ΧΑΜΟΓΕΛΟ είναι επαρκής προστασία.
Περιγραφή: Το περιεχόμενο που εισάγεται σε μια γενική υπηρεσία τεχνητής νοημοσύνης μπορεί να αποθηκευτεί ή να υποβληθεί σε επεξεργασία σύμφωνα με την πολιτική υπηρεσίας. Η παροχή μιας πρωτότυπης δομής θέτει σε κίνδυνο την εμπιστευτικότητα και την προτεραιότητα της ευρεσιτεχνίας. Η σωστή προσέγγιση είναι να μάθουμε τη στρατηγική από ένα γενικό/υποκατάστατο παράδειγμα (μια παρόμοια κατηγορία δομών) και να την εφαρμόσουμε στο δικό του μόριο εσωτερικά, χωρίς να αποκαλύπτεται η αρχική δομή. Τα προσωπικά δεδομένα/δεδομένα ασθενούς δεν θα πρέπει επίσης να καταχωρούνται σε αναγνωρίσιμη φόρμα.