પ્રયોગમાં માનવ: નૈતિકતા, ગોપનીયતા, જવાબદારી અને એન્ડ-ટુ-એન્ડ વર્કફ્લો

નફો:

• પ્રયોગમાં એન્ડ-ટુ-એન્ડ વર્કફ્લોમાં માનવ સિદ્ધાંતને એકીકૃત કરવું અને દરેક તબક્કે કૃત્રિમ બુદ્ધિ/માનવ ભૂમિકાઓને અલગ પાડવા સક્ષમ બનવું
• સામાન્ય કૃત્રિમ બુદ્ધિમત્તાને ગોપનીય માળખું અને ડેટા આપ્યા વિના સામાન્ય પ્રોક્સી ઉદાહરણો સાથે કામ કરવાની ક્ષમતા
• નિર્ણાયક બિંદુઓ પર માનવ મંજૂરીના દરવાજા મૂકવાની અને પારદર્શિતા અને ટ્રેસેબિલિટી સાથે અંતિમ જવાબદારી સ્વીકારવાની ક્ષમતા

આ અંતિમ એકમમાં આપણે સમગ્ર મોડ્યુલને એક ફ્રેમવર્કમાં જોડીએ છીએ: માનવ-ઇન-ધ-લૂપ. આ સિદ્ધાંત કહે છે કે AI ગમે તેટલું સક્ષમ હોય, માણસે રાસાયણિક નિર્ણયના દરેક નિર્ણાયક તબક્કે સમજવું, નિયંત્રિત કરવું અને મંજૂર કરવું જોઈએ. આ એકમમાં, અમે સૌપ્રથમ નૈતિક અને ગોપનીયતાના પાસાઓને સ્પષ્ટ કરીશું, પછી એક અંત-થી-અંત વર્કફ્લો સ્થાપિત કરીશું જે એક પરમાણુને વિચારથી અહેવાલ સુધી લઈ જાય છે અને જોઈશું કે કેવી રીતે AI અને મનુષ્ય દરેક તબક્કે શ્રમને વિભાજિત કરે છે. ધ્યેય એ છે કે તમે જે શીખ્યા છો તે દરેક વસ્તુને એક એવી સિસ્ટમમાં ફેરવવાનો છે જે રોજિંદા કામમાં બંધબેસે છે.

ગોપનીયતા: AI ને શું ન આપવું?

રસાયણશાસ્ત્ર ઘણીવાર ગોપનીય માહિતી સાથે કામ કરે છે: અનપેટન્ટેડ પરમાણુઓ, કંપનીના ગુપ્ત સંશ્લેષણ માર્ગો, અપ્રકાશિત ડેટા, દર્દીના નમૂનાઓ. તમે સાર્વજનિક AI સેવામાં દાખલ કરો છો તે ટેક્સ્ટ સેવાની નીતિ અનુસાર સંગ્રહિત અથવા પ્રક્રિયા કરી શકાય છે. તેથી:

• સાર્વજનિક AI ને અપ્રકાશિત મૂળ રચનાઓ (પ્રી-પેટન્ટ પરમાણુઓ) બહાર પાડતા પહેલા તમારી સંસ્થાકીય નીતિ તપાસો.
• ઓળખી શકાય તેવા સ્વરૂપમાં વ્યક્તિગત/દર્દીનો ડેટા (ક્લિનિકલ સેમ્પલ) ક્યારેય દાખલ કરશો નહીં.
• વેપાર ગુપ્ત સંશ્લેષણ માર્ગો શેર કરતા પહેલા ગોપનીયતા કરારોની સમીક્ષા કરો.
• જ્યારે જરૂરી હોય ત્યારે ઇન-હાઉસ/કસ્ટમ ડિપ્લોયમેન્ટ AI ટૂલ્સ પસંદ કરો.

સાવધાન: સામાન્ય AI ને પરમાણુ વિશે પૂછવાનો અર્થ તે પરમાણુની રચનાને છતી કરવાનો હોઈ શકે છે. એક અનન્ય માળખું માટે કે જે પેટન્ટ કરવામાં આવ્યું નથી, આ તમારી પ્રાથમિકતા (પેટન્ટ અધિકાર) ને જોખમમાં મૂકી શકે છે. સામાન્ય/સરોગેટ ઉદાહરણો સાથે છુપાયેલા બંધારણો માટે પૂછો.

નીતિશાસ્ત્ર: ચાર સિદ્ધાંતો

1. પારદર્શિતા: તમે જ્યાં AI નો ઉપયોગ કરો છો ત્યાં છુપાવશો નહીં; પ્રકાશન અને સંસ્થાકીય નીતિઓનું પાલન કરો.
2. જવાબદારી: માનવ અંતિમ નિર્ણય માટે જવાબદાર છે; "AI સૂચવેલ" સુરક્ષા અથવા અખંડિતતાના ભંગને માફ કરતું નથી.
3. બિન-દુષ્ટતા: ખતરનાક/ગેરકાયદેસર સંશ્લેષણ, દ્વિ-ઉપયોગ (શસ્ત્રો સંભવિત) એપ્લિકેશનો માટે AI નો ઉપયોગ કરશો નહીં.
4. નિષ્પક્ષતા અને પ્રામાણિકતા: ડેટાને વિકૃત કરશો નહીં, પરિણામોને સુશોભિત કરશો નહીં, વિશેષતાઓ બનાવશો નહીં.

એન્ડ-ટુ-એન્ડ વર્કફ્લો: મોલેક્યુલ → રિપોર્ટ

ચાલો હવે આખા મોડ્યુલને એક જ પ્રવાહમાં જોડીએ. દરેક તબક્કે, AI શું કરે છે અને માણસ શું કરે છે તે વચ્ચેના તફાવત પર ધ્યાન આપો.

સ્ટેજ

AI ની ભૂમિકા

માનવીની (નિર્ણાયક) ભૂમિકા

1. વિચાર/સાહિત્ય

ખ્યાલ સારાંશ, શોધ શબ્દ

વાસ્તવિક સ્ત્રોત શોધવી, એટ્રિબ્યુશન પુષ્ટિ

2. માળખું વર્ણન

સ્મિત પેદા કરી રહ્યું છે

RDKit, InChIKey સાથે પ્રમાણીકરણ

3. સંશ્લેષણ યોજના

રેટ્રોસિન્થેસિસ, વિકલ્પો

સાહિત્યની પુષ્ટિ, પાથની પસંદગી

4. સુરક્ષા

SDS સારાંશ, પ્રારંભિક અસંગતતા

SDS વાંચન, મંજૂરી, PPE નિર્ણય

5. અરજી

(કોઈ નહીં)

બધા પ્રયોગશાળા કામ

6. વિશ્લેષણ

સ્પેક્ટ્રમ ટિપ્પણી આધાર

અંતિમ માળખું સોંપણી

7. ડેટા પ્રોસેસિંગ

લેખન કોડ

કોડ ચલાવો, પરિણામ ચકાસો

8. દસ્તાવેજીકરણ

ફોર્મેટિંગ, નિયંત્રણ

અવલોકન, વિચલન, સહી

9. રિપોર્ટિંગ

ડ્રાફ્ટ ટેક્સ્ટ

નંબર/સંદર્ભ આપો ચકાસણી, જવાબદારી

આ કોષ્ટક બતાવે છે કે કેવી રીતે મોડ્યુલના 11 એકમો એક જ કાર્યમાં ગોઠવાય છે. AI વેગ આપે છે; લોકો ચકાસણી કરે છે અને માલિકી ધરાવે છે.

સ્ટેપ બાય સ્ટેપ: વર્કફ્લો સેટઅપ કરો

1. ભૂમિકાઓ સ્પષ્ટ કરો: દરેક કાર્ય માટે, "શું એઆઈ કે માનવ નક્કી કરે છે?" શરૂઆતથી નક્કી કરો.
2. ગોપનીયતા ફિલ્ટર સેટ કરો: AI ને કંઈક આપ્યા વિના તમે પૂછી શકો છો "શું આ ખાનગી/ખાનગી છે?" પૂછો
3. ચકાસણી દરવાજા મૂકો: દરેક તબક્કાના અંતે એક ચકાસણી પગલું (એકમ 10 માં કોષ્ટક).
4. ટ્રેસેબિલિટી રાખો: એઆઈમાંથી કયું આઉટપુટ આવ્યું, તે કેવી રીતે ચકાસવામાં આવ્યું, કોણે તેને મંજૂરી આપી.
5. મંજૂરીના મુદ્દાઓ સેટ કરો: સુરક્ષા અને અંતિમ પરિણામ જેવા નિર્ણાયક મુદ્દાઓ પર માનવ મંજૂરી ફરજિયાત છે.
6. પ્રતિસાદ: પકડાયેલી દરેક ભૂલને રેકોર્ડ કરો અને વર્કફ્લોમાં સુધારો કરો.

ચાર નકલ કરી શકાય તેવા નમૂનાઓ

1) ગોપનીયતા પૂર્વ-ફિલ્ટર:

પ્રશ્ન પૂછતા પહેલા, આનો વિચાર કરો:સામગ્રી: [હું શું પૂછું છું]કાર્ય: શું આ સામગ્રીમાં અપ્રકાશિત મૂળ કલાકૃતિઓ, વ્યક્તિગત ડેટા અથવા વેપાર રહસ્યો છે? જો તે થાય, તો સૂચવો કે હું કેવી રીતે સામાન્ય/સરોગેટ ઉદાહરણ સાથે પ્રશ્ન ફરીથી લખી શકું જે બંધારણને છુપાવશે.

2) તબક્કાવાર ચકાસણી દ્વારનો અંત:

મેં નીચેનો તબક્કો પૂર્ણ કર્યો છે: [તબક્કો, દા.ત. સંશ્લેષણ યોજના].કાર્ય: આ તબક્કામાંથી બહાર આવતા તમામ ઘટકોની યાદી બનાવો કે જેને ચકાસવાની જરૂર છે (નંબર, અવતરણ, માળખું, સુરક્ષા દાવો). દરેક માટે, ચકાસણી પદ્ધતિ લખો અને કોણે તેની પુષ્ટિ કરવી જોઈએ. આગલા પગલા પર જતા પહેલા કોઈપણ ખુલ્લી વસ્તુઓને ચિહ્નિત કરો કે જેને બંધ કરવાની જરૂર છે.

3) માનવ-AI ભૂમિકા વિતરણ યોજના:

મારો પ્રોજેક્ટ: [ટૂંકું વર્ણન].કાર્ય: આ પ્રોજેક્ટને તબક્કામાં વિભાજીત કરો. દરેક તબક્કા માટે, વચ્ચેનો તફાવત કરો: - AI શું કરી શકે છે (ડ્રાફ્ટ, કોડ, સારાંશ) - માનવીએ શું નક્કી કરવું જોઈએ (સુરક્ષા, પરિણામ, મંજૂરી). નિર્ણાયક મુદ્દાઓને ચિહ્નિત કરો જ્યાં અંતિમ જવાબદારી માણસની છે.

4) અખંડિતતા તપાસની જાણ કરો:

નીચે મારો રિપોર્ટ ડ્રાફ્ટ છે:[DRAFT]કાર્ય: નીચેનાને તપાસો અને ચિહ્નિત કરો:1) શું ત્યાં કોઈ વણચકાસાયેલ નંબરો/ઉદ્ધરણો છે? 2) શું AI નો ઉપયોગ પારદર્શક રીતે જણાવવામાં આવ્યો છે? 3) શું ડેટા "સુશોભિત" દેખાય છે (આઉટલીયર છુપાવે છે)? 4) શું કોઈ સુરક્ષા/નૈતિક ખામીઓ છે? જ્યાં તમે અચોક્કસ હોવ ત્યાં [ચેક કરો].

નબળા પ્રોમ્પ્ટ / મજબૂત પ્રોમ્પ્ટ

નબળા:

અમારી કંપનીના નવા ગુપ્ત પરમાણુને સંશ્લેષણ કરવાની શ્રેષ્ઠ રીત કઈ છે? [વાસ્તવિક મૂળ માળખું]

આ સામાન્ય સેવા માટે મૂળ પૂર્વ-પેટન્ટ માળખું ખુલ્લું પાડે છે; તે અગ્રતા અને ગોપનીયતાને જોખમમાં મૂકે છે.

મજબૂત:

હું સુગંધિત કીટોન્સના વર્ગની સમાન રચના માટે સામાન્ય રેટ્રોસિન્થેસિસ વ્યૂહરચના શીખવા માંગુ છું. કોંક્રીટ, મૂળ માળખું આપ્યા વિના સામાન્ય ઉદાહરણ (એસિટોફેનોન ડેરિવેટિવ) દ્વારા સમજાવો. હું વ્યૂહરચના મારા ઘરના પોતાના પરમાણુ પર લાગુ કરીશ.

તફાવત: સુપ્ત માળખું જાહેર કર્યા વિના, સામાન્ય સરોગેટ ઉદાહરણ સાથે સમાન શિક્ષણ પ્રાપ્ત થયું હતું.

નાના કેસો

કેસ 1 - મૂળ માળખું જાહેર. પેટન્ટ માટે અરજી કરતા પહેલા એક ટીમે એક જનરલ AIને અનન્ય પરમાણુ વિશે પૂછ્યું. કાનૂની એકમે જણાવ્યું હતું કે આનાથી અગ્રતા પ્રશ્નમાં આવી શકે છે; પ્રક્રિયામાં વિલંબ થયો હતો. પાઠ: સામાન્ય પ્રોક્સી સાથે અનન્ય રચનાઓ માટે પૂછો, ગોપનીયતા નીતિનો આદર કરો.

કેસ 2 - માનવ સંમતિએ અકસ્માત અટકાવ્યો. સ્વયંસંચાલિત વર્કફ્લોમાં, AI એ ડ્રાફ્ટ પ્રક્રિયા તૈયાર કરી હતી અને તેનો સીધો અમલ કરવાનો હતો; પરંતુ અનુભવી રસાયણશાસ્ત્રીએ ફ્લો-થ્રુ "સેફ્ટી ક્લિયરન્સ" ગેટ પર રીએજન્ટની અસંગત જોડી પકડી. પાઠ: નિર્ણાયક બિંદુઓ પર, માનવ મંજૂરી દરવાજા જીવન બચાવે છે.

કેસ 3 - એન્ડ-ટુ-એન્ડ શિસ્ત. એક માસ્ટરના વિદ્યાર્થીએ સમગ્ર મોડ્યુલને એક પ્રોજેક્ટમાં અમલમાં મૂક્યું: સાહિત્યનો સારાંશ + AI સાથે વાસ્તવિક સંદર્ભ ચકાસણી, RDKit સાથે માળખું ચકાસણી, કોડ સાથે ડેટા વિશ્લેષણ, SDS સાથે સુરક્ષા, પ્રમાણિક દસ્તાવેજીકરણ, પારદર્શક રિપોર્ટિંગ. પરિણામ ઝડપી અને વધુ મજબૂત બંને હતું; થીસીસ સંરક્ષણમાં "તમે AI કેવી રીતે ચકાસ્યું?" તેણે પ્રશ્નનો સ્પષ્ટ જવાબ આપ્યો. પાઠ: AI + ચકાસણી શિસ્ત એકસાથે શ્રેષ્ઠ રીતે કાર્ય કરે છે.

સામાન્ય ભૂલો

• સામાન્ય AI ને સુપ્ત માળખું આપવું. તે પેટન્ટની પ્રાથમિકતા અને વેપારના રહસ્યો સાથે સમાધાન કરે છે.
• ઓળખી શકાય તેવો વ્યક્તિગત/દર્દીનો ડેટા દાખલ કરવો. ગોપનીયતા ભંગ અને કાનૂની જોખમ.
• મંજૂરીના દરવાજાને બાયપાસ કરીને. સુરક્ષા અને આખરે માનવ મંજૂરી વિના આગળ વધવું.
• AI ને જવાબદારી ટ્રાન્સફર કરવી. "એઆઈ સૂચવેલ" કોઈપણ ભૂલોને માફ કરતું નથી.
• પારદર્શિતા ટાળવી. AI ના ઉપયોગને છુપાવવાથી અખંડિતતા નબળી પડે છે.
• બેવડા ઉપયોગના જોખમને અવગણવું. હાનિકારક એપ્લિકેશન માટે AI નો ઉપયોગ કરવો અનૈતિક છે.

ટીપ: તમારા વર્કફ્લોને "માણસ રોકે છે અને મંજૂર કરે છે તે દરેક નિર્ણાયક નિર્ણય" સાથે ડિઝાઇન કરો. AI ને એક લિંક બનાવો જે સાંકળને વેગ આપે છે, અને સાંકળને પકડી રાખતો નોડ હંમેશા માનવ હોય છે.

સારાંશમાં

• પ્રયોગમાં માનવ સિદ્ધાંત: દરેક નિર્ણાયક રાસાયણિક નિર્ણયમાં, માણસ સમજે છે, દેખરેખ રાખે છે અને મંજૂર કરે છે.
• ગોપનીયતા: સાર્વજનિક AI ને અનન્ય કલાકૃતિઓ, વ્યક્તિગત ડેટા અને વેપાર રહસ્યો પ્રદાન કરશો નહીં; સામાન્ય પ્રોક્સીનો ઉપયોગ કરો.
• નીતિશાસ્ત્ર: પારદર્શિતા, જવાબદારી, બિન-દુષ્ટતા, પ્રામાણિકતા એ ચાર મૂળભૂત સિદ્ધાંતો છે.
• એન્ડ-ટુ-એન્ડ વર્કફ્લોમાં, AI દરેક તબક્કે વેગ આપે છે; લોકો ચકાસણી કરે છે અને માલિકી ધરાવે છે.
• નિર્ણાયક બિંદુઓ (સુરક્ષા, અંતિમ પરિણામ) પર માનવ મંજૂરીના દરવાજા મૂકો અને ટ્રેસિબિલિટી જાળવી રાખો.

એપ્લિકેશન કાર્ય

તમારો પોતાનો પ્રોજેક્ટ પસંદ કરો (વાસ્તવિક અથવા કાલ્પનિક) અને શરૂઆતથી અંત સુધી AI-માનવ વર્કફ્લો ડિઝાઇન કરો. ઉપરના 9-તબક્કાના કોષ્ટકને તમારા પોતાના પ્રોજેક્ટમાં અનુકૂલિત કરો: દરેક તબક્કે AI શું કરશે, માનવ શું મંજૂર કરશે? ગોપનીયતા પ્રી-ફિલ્ટર લાગુ કરો: તમે AI ને કઈ માહિતી આપતા નથી, તમે તેને કેવી રીતે સામાન્ય બનાવશો? ઓછામાં ઓછા બે માનવ-મંજૂરી દરવાજા અને એક ટ્રેસેબિલિટી પદ્ધતિ વ્યાખ્યાયિત કરો. એક-પૃષ્ઠ "વર્કફ્લો અને ચકાસણી યોજના" લખો.

ચેકલિસ્ટ

• પ્રયોગમાં, મેં માનવ સિદ્ધાંત અને તે શા માટે જરૂરી છે તે સમજ્યું.
• [ ] હું છુપાયેલ માળખું/ડેટા સામાન્ય AI ને આપ્યા વિના તેને સામાન્ય બનાવું છું.
• [] હું પારદર્શિતા, જવાબદારી, બિન-દુષ્ટતા અને પ્રામાણિકતાના સિદ્ધાંતોનું પાલન કરું છું.
• [ ] મેં એન્ડ-ટુ-એન્ડ વર્કફ્લોમાં AI/માનવ ભૂમિકાઓને અલગ કરી.
• [ ] મેં માનવીય મંજૂરીના દરવાજા નિર્ણાયક બિંદુઓ પર મૂક્યા છે.
• [ ] હું ટ્રૅક કરું છું કે AI માંથી શું આઉટપુટ આવે છે અને તે કેવી રીતે ચકાસવામાં આવે છે.

મોડ્યુલ પરીક્ષા

1. રસાયણશાસ્ત્રમાં કૃત્રિમ બુદ્ધિ માટે નીચેનામાંથી કયું સ્થાન સૌથી સચોટ છે?

• A) કૃત્રિમ બુદ્ધિ એ કોડ, ડ્રાફ્ટ અને સંપાદન સહાયક છે; માળખું, સંખ્યા, સંસાધનો, સુરક્ષા અને નૈતિક નિર્ણયો માટેની જવાબદારી મનુષ્યો પર રહે છે ✔
• B) કૃત્રિમ બુદ્ધિ એ રસાયણશાસ્ત્રનું એન્જિન છે અને તે જે મોલેક્યુલર વજન આપે છે તે હંમેશા ચોક્કસ હોય છે.
• C) આર્ટિફિશિયલ ઈન્ટેલિજન્સ માત્ર સાહિત્યની સમીક્ષામાં જ કામ કરે છે, તેને વિશ્લેષણ અને સુરક્ષા સાથે કોઈ લેવાદેવા નથી
• ડી) આર્ટિફિશિયલ ઇન્ટેલિજન્સ મનુષ્યો કરતાં વધુ નિષ્પક્ષ હોવાથી, સુરક્ષા નિર્ણયો તેના પર છોડી દેવા જોઈએ.

વર્ણન: કૃત્રિમ બુદ્ધિ; તે એક સહાયક છે જે કોડ લખે છે, ડ્રાફ્ટ બનાવે છે, રેટ્રોસિન્થેસિસ હાડપિંજર બનાવે છે, સ્પેક્ટ્રમ અર્થઘટનમાં મદદ કરે છે અને તેનું આયોજન કરે છે. જો કે, મોલેક્યુલર વેઇટ અને સ્ટોઇકિયોમેટ્રીની નિર્ધારિત ગણતરી, RDKit વડે સ્ટ્રક્ચરની ચકાસણી, ડેટાબેઝમાં ટાંકણોની પુષ્ટિ, SDS/GHS સાથે સલામતીનો નિર્ણય અને અંતિમ જવાબદારી સક્ષમ રસાયણશાસ્ત્રીની છે. મોટા ભાષાનું મોડેલ કેલ્ક્યુલેટર કે રસાયણશાસ્ત્રનું એન્જિન નથી; તે એક ટેક્સ્ટ જનરેટર છે જે 'આગામી સંભવિત શબ્દ' ઉત્પન્ન કરે છે અને તેનું ચકાસાયેલ આઉટપુટ ખોટી રચના, સંખ્યા અથવા સંકટ તરફ દોરી શકે છે.

2. કૃત્રિમ બુદ્ધિમત્તા માટે પરમાણુનું વર્ણન કરવાની સૌથી વિશ્વસનીય રીત કઈ છે?

• A) ફક્ત સામાન્ય ટર્કિશ નામ લખવું
• B) સ્માઇલ્સ જેવી રચનાનું પ્રતિનિધિત્વ આપવું અને InChIKey સાથે ઓળખની પુષ્ટિ કરવી ✔
• સી) માત્ર પરમાણુ વજન જણાવવું
• ડી) ટ્રેડમાર્ક લખવા માટે તે પૂરતું છે

સમજૂતી: નામો (ખાસ કરીને વેપાર અને સમાનાર્થી નામો) અસ્પષ્ટ છે અને ખોટા પરમાણુ તરફ દોરી શકે છે. પરમાણુને સ્ટ્રક્ચર નોટેશન આપવું જેમ કે SMILES ચોકસાઇ પ્રદાન કરે છે; InChIKey સાથેના ડેટાબેઝમાં તેની ઓળખની પુષ્ટિ થાય છે. વધુમાં, આર્ટિફિશિયલ ઈન્ટેલિજન્સ દ્વારા આપવામાં આવેલ સ્માઈલ્સ RDKit સાથે વિશ્લેષિત અને પ્રમાણભૂતીકરણ દ્વારા ચકાસાયેલ હોવા જોઈએ.

3. તમારે આર્ટિફિશિયલ ઇન્ટેલિજન્સ દ્વારા આપવામાં આવેલા મોલેક્યુલર વજનનો ઉપયોગ કેવી રીતે કરવો જોઈએ?

• A) તેનો સીધો ઉપયોગ કરવો, કારણ કે AI સંખ્યામાં ભરોસાપાત્ર છે
• B) મેન્યુઅલી અથવા RDKit ✔ સાથે ફોર્મ્યુલામાંથી સ્વતંત્ર રીતે ગણતરી કરો અને ચકાસો
• સી) માત્ર બીજી કૃત્રિમ બુદ્ધિને પૂછવા અને સરખામણી કરવા માટે તે પૂરતું છે
• ડી) મોલેક્યુલર વજન બિનમહત્વપૂર્ણ છે, ચકાસણીની જરૂર નથી

સમજૂતી: મોલેક્યુલર વજન એ પરમાણુ સૂત્રમાંથી નિર્ધારિત રીતે ગણતરી કરાયેલ જથ્થો છે. તેથી ભાષા મોડેલ પૂછવું એ સૌથી નબળી રીત છે; તે સ્વતંત્ર રીતે RDKit જેવા ટૂલ વડે અથવા ફોર્મ્યુલામાંથી મેન્યુઅલી ગણતરી કરીને ચકાસાયેલ હોવું જોઈએ. ભાષા મોડેલ આવી સંખ્યાઓને 'સંભવિત દેખાતા' મૂલ્ય સાથે ફિટ કરી શકે છે.

4. આર્ટિફિશિયલ ઇન્ટેલિજન્સ દ્વારા પરત કરવામાં આવેલ સાહિત્યના સંદર્ભ (લેખ/DOI) નો ઉપયોગ કરતા પહેલા શું કરવું જોઈએ?

• એ) કંઈ નહીં; જો આર્ટિફિશિયલ ઇન્ટેલિજન્સ સંદર્ભ આપે છે, તો તે વાસ્તવિક છે
• બી) ફક્ત શીર્ષકને ખાતરી કરવા માટે જોવું પૂરતું છે.
• C) દરેક અવતરણ અને DOI ને ડેટાબેઝમાં ડીકોડ કરીને પુષ્ટિ કરવી (doi.org, Crossref) ✔
• ડી) લાંબો DOI નંબર સાબિત કરે છે કે તે વાસ્તવિક છે.

વર્ણન: ભાષા મોડેલ લેખો, લેખકો અને DOI જનરેટ કરી શકે છે જે વાસ્તવિક લાગે છે પરંતુ અસ્તિત્વમાં નથી (બનાવટી અવતરણ). માત્ર કારણ કે તે DOI આપે છે તેનો અર્થ એ નથી કે તે માન્ય છે. દરેક અવતરણને ડેટાબેઝમાં રીઝોલ્યુશન દ્વારા ચકાસવું આવશ્યક છે જેમ કે doi.org, Crossref, અથવા પ્રકાશકની સાઇટ; માનવી માટે વાસ્તવિક લેખ શોધવા અને કૃત્રિમ બુદ્ધિમત્તા દ્વારા લખાણનો સારાંશ મેળવવાનો સૌથી સુરક્ષિત પ્રવાહ છે.

5. કયા ક્ષેત્રમાં કૃત્રિમ બુદ્ધિ સૌથી નબળી છે અને પ્રતિક્રિયા આયોજનમાં પુષ્ટિની જરૂર છે?

• A) પ્રતિક્રિયા કયા સામાન્ય વર્ગની છે તે ઓળખવામાં
• B) ચોક્કસ સ્થિતિ નંબરો, ઉપજ મૂલ્યો અને રીએજન્ટ/ઉત્પ્રેરક નામો ✔
• સી) સાદી ભાષામાં મિકેનિઝમ સમજાવવું
• ડી) વૈકલ્પિક માર્ગો માટે મંથન

સમજૂતી: AI સામાન્ય રીતે પ્રતિક્રિયાના પ્રકાર અને સારી રીતે દસ્તાવેજીકૃત પ્રતિક્રિયાઓના મુખ્ય ઉત્પાદનની સારી આગાહી કરે છે. જો કે, ચોક્કસ સ્થિતિ નંબરો (તાપમાન, સમય, સમકક્ષ), ઉપજ મૂલ્યો, દુર્લભ પ્રતિક્રિયાઓ અને રીએજન્ટ/ઉત્પ્રેરક નામો સૌથી નબળા અને બનાવટ માટે સૌથી વધુ જોખમી છે; સાહિત્ય અને કેટલોગ સાથે આની પુષ્ટિ થવી જોઈએ.

6. સ્પેક્ટ્રમ અર્થઘટનમાં કૃત્રિમ બુદ્ધિનો ઉપયોગ કરવાની સૌથી વિશ્વસનીય રીત કઈ છે?

• A) ફક્ત થોડા શિખરો આપો અને પૂછો કે 'આ શું સ્પેક્ટ્રમ છે?' પૂછવું
• બી) અપેક્ષિત માળખું અને સંપૂર્ણ કાચો ડેટા આપવો અને સુસંગતતાની તપાસ કરવી (પૂર્વધારણા પરીક્ષણ) ✔
• C) એકીકરણ અને વિભાજન કર્યા વિના માત્ર શિફ્ટ મૂલ્યો લખવા
• ડી) ચોક્કસ માળખું સોંપણી સિંગલ ટેકનિક સાથે કરવામાં આવે છે (ફક્ત IR)

વર્ણન: AI ને પૂછો 'આ સ્પેક્ટ્રમ કયું સંયોજન છે?' શરૂઆતથી પૂછવાથી ભૂલનો દર વધે છે. સૌથી વિશ્વસનીય રીત એ છે કે અપેક્ષિત માળખું (સ્માઇલ્સ) અને કાચો ડેટા (એકીકરણ, વિભાજન, સોલ્વર, પીક લિસ્ટ) એકસાથે આપવું અને પૂછવું કે 'શું આ ડેટા આ માળખા સાથે સુસંગત છે?' પૂછવું છે; એટલે કે, કૃત્રિમ બુદ્ધિનો ઉપયોગ પૂર્વધારણા પરીક્ષક તરીકે. પ્રાયોગિક સ્પેક્ટ્રમની તપાસ કરતા રસાયણશાસ્ત્રી માટે અંતિમ સોંપણી છે.

7. રાસાયણિક ગણતરી (દા.ત. ટકા ઉપજ)નું પરિણામ મેળવવાની સૌથી વિશ્વસનીય રીત કઈ છે?

• A) મૌખિક રીતે કૃત્રિમ બુદ્ધિથી સીધા પરિણામની વિનંતી કરવી
• B) એકાઉન્ટનો Python કોડ છાપો અને ચલાવો અને જાણીતા ઉદાહરણ સાથે તેનું પરીક્ષણ કરો ✔
• C) એક જ પ્રશ્ન ઘણી વખત પૂછો અને સૌથી વધુ વારંવાર આવતા નંબર મેળવો
• ડી) એકમનો ઉલ્લેખ કર્યા વિના ઝડપથી અંદાજ કાઢવો

સમજૂતી: ભાષા મોડેલ 'સંભવિત પરિણામની આગાહી' કરીને અંકગણિત કરે છે અને ખૂબ જ સરળ ગુણાકાર સાથે પણ ખોટું હોઈ શકે છે. સૌથી ભરોસાપાત્ર રીત એ છે કે AI એ તેનો કોડ (દા.ત. પાયથોન) લખે, એકાઉન્ટમાં નહીં, અને તે કોડ ચલાવે; કોડ નિર્ણાયક અને ઓડિટેબલ છે. કોડને નાના નમૂના સાથે પણ પરીક્ષણ કરવું જોઈએ જેનો જવાબ જાણીતો છે.

8. મોલેક્યુલર પ્રોપર્ટીના અનુમાનમાં 'એપ્લિકેબિલિટીના ડોમેન' ની વિભાવનાનો શું અર્થ થાય છે?

• એ) કમ્પ્યુટરની પ્રોસેસિંગ પાવર કે જેના પર મોડેલ ચાલે છે
• B) પ્રશિક્ષણ ડેટા જેવો મોલેક્યુલર પ્રદેશ, જ્યાં મોડેલ વિશ્વસનીય આગાહીઓ આપે છે ✔
• સી) ખાતરી વિસ્તાર જ્યાં મોડેલ દ્વારા આપવામાં આવેલ નંબર હંમેશા ચોક્કસ હોય છે
• ડી) તાપમાન શ્રેણી જેમાં પરમાણુ પ્રયોગશાળામાં સંશ્લેષણ કરી શકાય છે

સમજૂતી: QSAR/અનુમાન મોડલ એવા પરમાણુઓ પર સારી રીતે કામ કરે છે કે જેના પર તેને તાલીમ આપવામાં આવી હતી. એક પરમાણુ આપેલ છે જે તાલીમ ડેટાથી ખૂબ જ અલગ છે, મોડેલ હજુ પણ સંખ્યા ઉત્પન્ન કરે છે, પરંતુ આ અવિશ્વસનીય છે; આને 'લાગુપાત્રતાના દાયરાની બહાર હોવું' કહેવાય છે. મોડેલ હંમેશા જવાબ આપે છે; જવાબ ભરોસાપાત્ર છે કે નહીં તેનું મૂલ્યાંકન કરવાનું માનવી પર છે.

9. પ્રયોગ દસ્તાવેજીકરણમાં અવલોકનો સાથે વ્યવહાર કરવાનો સાચો અભિગમ શું છે?

• A) સમય બચાવવા માટે કૃત્રિમ બુદ્ધિમત્તા પર અવલોકનો લખવા
• બી) પ્રયોગ કરનાર વ્યક્તિ અવલોકનો લખે છે; AI માત્ર ફોર્મેટ અને ચેક ✔
• સી) અવલોકનો રેકોર્ડ ન કરવા માટે પૂરતું છે, માત્ર અંતિમ ઉપજ લખો
• ડી) રિપોર્ટ સરસ દેખાવા માટે યોજનામાંથી વિચલનો છુપાવો

સમજૂતી: કૃત્રિમ બુદ્ધિ જાણતી નથી કે તે શું છે; અવલોકનો (રંગ પરિવર્તન, ગેસ પ્રકાશન, વગેરે) તેમાં ફિટ કરીને રેકોર્ડ્સ ઉત્પન્ન કરે છે જે બુદ્ધિગમ્ય લાગે છે પરંતુ થયું નથી, અને આ વૈજ્ઞાનિક છેતરપિંડી છે. AI રેકોર્ડિંગને ફોર્મેટ કરે છે, ખૂટતા ક્ષેત્રોને યાદ કરે છે અને પુનરાવર્તિતતા માટે તપાસે છે; પરંતુ માનવ પ્રયોગકર્તાએ અવલોકનો અને તથ્યો પ્રદાન કરવા જ જોઈએ. યોજનામાંથી વિચલનો પણ રેકોર્ડ કરવા આવશ્યક છે.

10. પ્રયોગશાળા સલામતી અને સત્યના સ્ત્રોતમાં કૃત્રિમ બુદ્ધિની ભૂમિકા શું છે?

• A) જો કૃત્રિમ બુદ્ધિ 'સલામત' કહે છે, તો બીજા સ્ત્રોતની જરૂર નથી
• બી) સત્યનો સ્ત્રોત SDS અને GHS છે; AI મદદરૂપ છે પરંતુ અંતિમ કહી શકતું નથી ✔
• સી) સુરક્ષા નિર્ણયો સંપૂર્ણપણે કૃત્રિમ બુદ્ધિને સોંપી શકાય છે
• ડી) SDS બિનજરૂરી છે; ઈન્ટરનેટ ફોરમ પૂરતી માહિતી પૂરી પાડે છે.

વર્ણન: રસાયણશાસ્ત્રમાં સલામતી એ સર્વોચ્ચ પ્રાથમિકતા છે, અને આર્ટિફિશિયલ ઇન્ટેલિજન્સનો અહીં ક્યારેય છેલ્લો શબ્દ હોઈ શકે નહીં. વાસ્તવિક સલામતી માહિતીનો સ્ત્રોત ઉત્પાદક દ્વારા પ્રદાન કરવામાં આવેલ SDS (સેફ્ટી ડેટા શીટ) અને GHS વર્ગીકરણ છે. AI SDS ટેક્સ્ટનો સારાંશ આપી શકે છે, ફોર્મ ડ્રાફ્ટ બનાવી શકે છે અને પ્રારંભિક બિન-અનુપાલન સ્ક્રીનીંગ કરી શકે છે; જો કે, તમામ દાવાઓ SDS સાથે ચકાસવા જોઈએ અને પ્રક્રિયા અનુભવી વ્યક્તિ/સુરક્ષા અધિકારી દ્વારા મંજૂર થવી જોઈએ.

11. રીએજન્ટના નીચેનામાંથી કયું સંયોજન જાણીતું જોખમી (અસંગત) મેળ છે?

• એ) પાણી અને ટેબલ મીઠું મિક્સ કરવું
• બી) હાઇપોક્લોરાઇટ (ક્લોરીન ગેસનું જોખમ) ધરાવતા દ્રાવણ સાથે એસિડિક દ્રાવણનું મિશ્રણ ✔
• સી) ઇથેનોલ અને પાણીનું મિશ્રણ
• ડી) ખાંડ અને પાણી ઓગાળીને

સમજૂતી: જ્યારે કેટલાક રસાયણો એકલા પ્રમાણમાં સલામત હોય છે, તે એકસાથે જોખમી હોય છે. એસિડ અને હાઇપોક્લોરાઇટનું મિશ્રણ ક્લોરિન ગેસ મુક્ત કરે છે; ઓક્સિડાઇઝર + ઓર્ગેનિક આગ/વિસ્ફોટ, પાણી + પ્રતિક્રિયાશીલ ધાતુની ગરમી/હાઇડ્રોજનનું જોખમ ઊભું કરે છે. જો કે AI આમાંના મોટાભાગના સંયોજનો જાણે છે, તે બધાની ખાતરી આપતું નથી અને કેટલીકવાર નિર્દોષ ભાષામાં જોખમી સૂચન રજૂ કરી શકે છે; એસડીએસનું પાલન ન કરવા માટે દરેક પ્રક્રિયાની તપાસ થવી જોઈએ.

12. 'આભાસ' (બનાવટી માહિતી ઉત્પન્ન કરતી કૃત્રિમ બુદ્ધિ) માટે સૌથી સચોટ અભિવ્યક્તિ શું છે?

• A) તે એક દુર્લભ સોફ્ટવેર ભૂલ છે અને અપડેટ સાથે તેને સંપૂર્ણપણે દૂર કરવામાં આવે છે.
• બી) તે ભાષા મોડેલમાં સહજ વર્તન છે; ઉકેલ એ છે કે દરેક આઉટપુટ ✔ ને સ્વતંત્ર રીતે ચકાસવું
• C) તે માત્ર ખોટી રીતે લખેલા પ્રોમ્પ્ટ્સમાં જ દેખાય છે, સાચા પ્રોમ્પ્ટ્સમાં ક્યારેય નહીં.
• ડી) જો કૃત્રિમ બુદ્ધિ સલામત ભાષામાં બોલે છે, તો તે આભાસ નથી

સમજૂતી: આભાસ એ કોઈ ખામી નથી પરંતુ ભાષા મોડેલની પ્રકૃતિનું પરિણામ છે જે 'આગામી સંભવિત શબ્દ' ઉત્પન્ન કરે છે; મોડેલનો હેતુ શક્ય છે, સાચું નથી. સૌથી કપટી બાબત એ છે કે તે સત્ય જેવી જ વિશ્વાસભરી ભાષામાં ખોટી માહિતી રજૂ કરે છે. ઉકેલ એ મોડેલને ઠીક કરવાનો પ્રયાસ કરવાનો નથી, પરંતુ દરેક આઉટપુટની આસપાસ એક પ્રકાર-યોગ્ય માન્યતા શેલ બનાવવાનો છે; પ્રવાહ ક્યારેય ચોકસાઈનો પુરાવો નથી.

13. નિર્ણાયક મૂલ્ય (દા.ત. મોલેક્યુલર વજન) ને ચકાસવા માટે 'ત્રિકોણ' નો અર્થ શું થાય છે?

• A) એક જ કૃત્રિમ બુદ્ધિમત્તાને ત્રણ વખત એક જ પ્રશ્ન પૂછવો
• B) તુલના કરવી અને એકથી વધુ સ્વતંત્ર રીતે સમાન નિષ્કર્ષ પર પહોંચવું ✔
• C) એક જ સમયે ત્રણ અલગ અલગ અણુઓના વજનની ગણતરી
• ડી) પરિણામને ત્રણ દશાંશ સ્થાનો પર રાઉન્ડિંગ

સમજૂતી: ત્રિકોણ બહુવિધ સ્વતંત્ર માર્ગો દ્વારા સમાન નિષ્કર્ષ પર પહોંચે છે; ઉદાહરણ તરીકે, આર્ટિફિશિયલ ઇન્ટેલિજન્સ, RDKit કેલ્ક્યુલેશન અને મેન્યુઅલ કેલ્ક્યુલેશન અનુસાર મોલેક્યુલર વેઇટની સરખામણી કરવી. જો બે સ્વતંત્ર પાથ ઓવરલેપ થાય, તો વિશ્વાસ વધારે છે; જો કોઈ વિચલિત થાય છે, તો તેને અટકાવવામાં આવે છે અને તપાસ કરવામાં આવે છે. એક સ્ત્રોત પર આધાર રાખવાને બદલે, ઓછામાં ઓછી બે સ્વતંત્ર પદ્ધતિઓ શોધવી જોઈએ.

14. સામાન્ય AI સેવાને એક વિશિષ્ટ પરમાણુ વિશે પૂછવાની સાચી રીત કઈ છે કે જેની પેટન્ટ કરવામાં આવી નથી?

• A) મૂળ માળખું સીધું આપવું, કારણ કે ઝડપ મહત્વપૂર્ણ છે
• બી) મૂળ રચનાને જાહેર કર્યા વિના સામાન્ય/સરોગેટ ઉદાહરણ દ્વારા વ્યૂહરચના શીખવી ✔
• C) માળખું આપવું એ કોઈ સમસ્યા નથી, AI ક્યારેય માહિતી છુપાવતું નથી
• ડી) પરમાણુનું નામ ન આપવું પણ માત્ર તેના સમગ્ર સ્મિતને શેર કરવું એ પૂરતું રક્ષણ છે.

વર્ણન: સામાન્ય કૃત્રિમ બુદ્ધિ સેવામાં દાખલ કરેલ સામગ્રી સેવા નીતિ અનુસાર સંગ્રહિત અથવા પ્રક્રિયા કરી શકાય છે; મૂળ માળખું આપવાથી ગોપનીયતા અને પેટન્ટની પ્રાથમિકતા જોખમાય છે. સાચો અભિગમ એ છે કે જેનરિક/સરોગેટ ઉદાહરણ (સંરચનાના સમાન વર્ગ) પાસેથી વ્યૂહરચના શીખવી અને મૂળ રચનાને છતી કર્યા વિના, તેને ઘરના પોતાના પરમાણુમાં લાગુ કરવી. વ્યક્તિગત/દર્દીનો ડેટા પણ ઓળખી શકાય તેવા સ્વરૂપમાં દાખલ થવો જોઈએ નહીં.