אדם בניסוי: אתיקה, פרטיות, אחריות וזרימת עבודה מקצה לקצה

רווחים:

• שילוב העיקרון האנושי בזרימת העבודה מקצה לקצה בניסוי והיכולת להפריד בין בינה מלאכותית/תפקידים אנושיים בכל שלב
• יכולת לעבוד עם דוגמאות פרוקסי גנריות מבלי לתת מבנה ונתונים סודיים לבינה מלאכותית כללית
• יכולת להציב שערי אישור אנושי בנקודות קריטיות ולקחת אחריות סופית עם שקיפות ועקיבות

ביחידה הסופית הזו אנו משלבים את המודול כולו למסגרת אחת: אדם-בלולאה. העיקרון הזה אומר שלא משנה עד כמה ה-AI מסוגל, אדם חייב להבין, לשלוט ולאשר בכל נקודה קריטית של החלטה כימית. ביחידה זו נבהיר תחילה את היבטי האתיקה והסודיות, לאחר מכן נקים זרימת עבודה מקצה לקצה שלוקחת מולקולה מרעיון לדוח, ונראה כיצד AI ובני אדם מחלקים עבודה בכל שלב. המטרה היא להפוך את כל מה שלמדת למערכת שמתאימה לעבודה היומיומית.

פרטיות: מה לא לתת ל-AI?

כימיה עובדת לעתים קרובות עם מידע סודי: מולקולות ללא פטנט, מסלולי סינתזה סודיים של החברה, נתונים שלא פורסמו, דגימות מטופלים. טקסט שאתה מזין לשירות AI ציבורי עשוי להיות מאוחסן או מעובד בהתאם למדיניות השירות. לָכֵן:

• בדוק את המדיניות המוסדית שלך לפני שחרור מבנים מקוריים שלא פורסמו (מולקולות טרום פטנט) ל-AI ציבורי.
• לעולם אל תזין נתונים אישיים/מטופלים (דגימות קליניות) בצורה ניתנת לזיהוי.
• סקור הסכמי סודיות לפני שיתוף מסלולי סינתזה של סודות מסחריים.
• בחר בכלי AI פנימיים/פריסה מותאמת אישית בעת הצורך.

זהירות: שאילת בינה מלאכותית כללית על מולקולה עשויה לחשוף את המבנה של אותה מולקולה. עבור מבנה ייחודי שלא רשם פטנט, הדבר עלול לסכן את העדיפות שלך (זכות פטנט). בקשו מבנים נסתרים עם דוגמאות גנריות/פונדקאיות.

אתיקה: ארבעה עקרונות

1. שקיפות: אל תסתיר היכן אתה משתמש בבינה מלאכותית; ציות למדיניות פרסום ומוסדות.
2. אחריות: האדם אחראי להחלטה הסופית; "AI מוצע" אינו מתרץ הפרת אבטחה או שלמות.
3. אי-רשעות: אל תשתמש בבינה מלאכותית עבור סינתזה מסוכנת/לא חוקית, שימוש כפול (פוטנציאל לנשק).
4. הוגנות ויושר: אל תעוות נתונים, אל תיפה תוצאות, אל תמציא ייחוסים.

זרימת עבודה מקצה לקצה: מולקולה → דוח

עכשיו בואו נשלב את כל המודול לזרימה אחת. בכל שלב, שימו לב להבחנה בין מה שה-AI עושה לבין מה שהאדם עושה.

במה

תפקיד של AI

התפקיד (הקריטי) של בני האדם

1. רעיון/ספרות

תקציר מושג, מונח חיפוש

מציאת המקור האמיתי, אישור ייחוס

2. תיאור המבנה

יצירת SMILES

אימות עם RDKit, InChIKey

3. תוכנית סינתזה

רטרו-סינתזה, חלופות

אישור ספרות, בחירת נתיב

4. אבטחה

סיכום SDS, אי התאמה ראשונית

קריאת SDS, אישור, החלטת PPE

5. יישום

(אין)

כל עבודת המעבדה

6. ניתוח

תמיכה בהערות ספקטרום

מטלת מבנה סופית

7. עיבוד נתונים

כתיבת קוד

הפעל את הקוד, ודא את התוצאה

8. תיעוד

עיצוב, שליטה

התבוננות, סטייה, חתימה

9. דיווח

טיוטת טקסט

אימות מספר/ציטוט, אחריות

טבלה זו מציגה כיצד 11 היחידות של המודול מסודרות לעבודה אחת. AI מאיץ; אנשים מאמתים בבעלותם.

שלב אחר שלב: הגדרת זרימת העבודה

1. הבהרת תפקידים: עבור כל משימה, "האם הבינה המלאכותית או האדם מחליטים?" לקבוע מההתחלה.
2. הגדר מסנן פרטיות: בלי לתת משהו ל-AI אתה יכול לשאול "האם זה פרטי/פרטי?" לִשְׁאוֹל.
3. שים שערי אימות: שלב אימות בסוף כל שלב (טבלה ביחידה 10).
4. שמור על מעקב: איזה פלט הגיע מה-AI, איך הוא אומת, מי אישר אותו.
5. קבע נקודות אישור: אישור אנושי הוא חובה בנקודות קריטיות כמו אבטחה ותוצאה סופית.
6. משוב: הקלט כל שגיאה שנתפסה ושפר את זרימת העבודה.

ארבע תבניות הניתנות להעתקה

1) מסנן מראש לפרטיות:

לפני ששואלים שאלה, שקול את זה:תוכן: [WHAT I AM ASKING]משימה: האם התוכן הזה מכיל חפצים מקוריים שלא פורסמו, נתונים אישיים או סודות מסחריים? אם כן, הצע כיצד אוכל לשכתב את השאלה עם דוגמה גנרית/פונדקאית שתסתיר את המבנה.

2) שער אימות סוף השלב:

סיימתי את השלב הבא: [PHASE, e.g. תוכנית סינתזה]. משימה: רשום את כל האלמנטים שצריך לאמת ביציאה משלב זה (מספר, ציטוט, מבנה, תביעת אבטחה). עבור כל אחד, כתוב את שיטת האימות ומי צריך לאשר אותה. סמן את כל הפריטים הפתוחים שיש לסגור לפני שתמשיך לשלב הבא.

3) תוכנית חלוקת תפקידים אנושית-AI:

הפרויקט שלי: [תיאור קצר]. משימה: חלקו את הפרויקט הזה לשלבים. עבור כל שלב, הבדיל בין: - מה ה-AI יכול לעשות (טיוטה, קוד, סיכום) - מה על האדם להחליט (ביטחון, תוצאה, אישור). סמן את הנקודות הקריטיות שבהן האחריות הסופית מוטלת על האדם.

4) בדיקת תקינות הדיווח:

להלן טיוטת הדו"ח שלי:[DRAFT]משימה: סמן וסמן את הדברים הבאים:1) האם ישנם מספרים/ציטוטים לא מאומתים?2) האם השימוש ב-AI מצוין בשקיפות?3) האם הנתונים נראים "מייפים" (הסתרה חריגה)?4) האם יש פגמים אבטחה/אתיים? [בדוק] איפה אתה לא בטוח.

הנחיה חלשה / הנחיה חזקה

חלש:

מהי הדרך הטובה ביותר לסנתז את המולקולה הסודית החדשה של החברה שלנו? [מבנה מקורי בפועל]

זה חושף את המבנה המקורי לפני פטנט לשירות כללי; זה מעמיד את העדיפות והסודיות בסיכון.

חזק:

ברצוני ללמוד את אסטרטגיית הרטרו-סינתזה הכללית עבור מבנה דומה של מחלקה של קטונים ארומטיים. הסבירו באמצעות דוגמה גנרית (נגזרת אצטופנון) מבלי לתת את המבנה המקורי הבטון. אני אחיל את האסטרטגיה על המולקולה שלי בבית.

הבדל: מבלי לחשוף את המבנה הסמוי, הושגה אותה למידה כמו בדוגמה הפונדקאית הגנרית.

מיני תיקים

מקרה 1 - מבנה מקורי נחשף. צוות שאל AI כללי על מולקולה ייחודית לפני הגשת בקשה לפטנט. מהיחידה המשפטית נמסר כי הדבר עלול להעמיד בספק עדיפות; התהליך התעכב. שיעור: בקש מבנים ייחודיים עם פרוקסי גנרי, כבד את מדיניות הפרטיות.

מקרה 2 - הסכמת האדם מנעה את התאונה. בזרימת עבודה אוטומטית, ה-AI ייצר טיוטת הליך והיה אמור להיות מיושם ישירות; אבל כימאי מנוסה תפס זוג ריאגנטים לא תואם בשער הזרימה של "פינוי בטיחות". לקח: בנקודות קריטיות, שערי אישור אנושי מצילים חיים.

מקרה 3 - משמעת מקצה לקצה. סטודנט לתואר שני הטמיע את כל המודול בפרויקט אחד: סיכום ספרות + אימות ציטוט בפועל עם AI, אימות מבנה עם RDKit, ניתוח נתונים עם קוד, אבטחה עם SDS, תיעוד ישר, דיווח שקוף. התוצאה הייתה גם מהירה וגם חזקה יותר; בהגנת התזה "כיצד אימתת AI?" הוא ענה על השאלה בצורה ברורה. שיעור: AI + משמעת אימות עובדים בצורה הטובה ביותר ביחד.

טעויות נפוצות

• מתן המבנה הסמוי ל-AI הכללי. זה פוגע בעדיפות פטנט ובסוד מסחרי.
• הזנת נתונים אישיים/מטופלים ניתנים לזיהוי. הפרת פרטיות וסיכון משפטי.
• עקיפת שערי אישור. אבטחה ובסופו של דבר להתקדם ללא אישור אנושי.
• העברת אחריות ל-AI. "AI מוצע" אינו מתרץ שום טעויות.
• הימנעות משקיפות. הסתרת השימוש בבינה מלאכותית מערערת את היושרה.
• התעלמות מהסיכון של שימוש כפול. זה לא מוסרי להשתמש ב-AI עבור יישומים מזיקים.

טיפ: עצב את זרימת העבודה שלך עם "כל החלטה קריטית שאדם עוצר ומאשר." הפוך את AI לחוליה שמאיצה את השרשרת, והצומת שמחזיק את השרשרת הוא תמיד אנושי.

לסיכום

• עקרון אנושי בניסוי: בכל החלטה כימית קריטית, אדם מבין, מפקח ומאשר.
• פרטיות: אל תספק חפצים ייחודיים, נתונים אישיים וסודות מסחריים לבינה מלאכותית ציבורית; השתמש בפרוקסי גנרי.
• אתיקה: שקיפות, אחריות, אי רשעות, כנות הם ארבעת העקרונות הבסיסיים.
• בזרימת עבודה מקצה לקצה, AI מאיץ בכל שלב; אנשים מאמתים בבעלותם.
• שים שערי אישור אנושי בנקודות קריטיות (אבטחה, תוצאה סופית) ושמור על מעקב.

משימת יישום

בחר פרויקט משלך (אמיתי או היפותטי) ועצב זרימת עבודה של AI-אנושי מתחילתו ועד סופו. התאם את הטבלה בת 9 השלבים למעלה לפרויקט שלך: מה יעשה ה-AI בכל שלב, מה יאשר האדם? החל מסנן פרטיות מראש: איזה מידע אתה לא נותן ל-AI, איך עושים אותו גנרי? הגדר לפחות שני שערים לאישור אדם ושיטת עקיבות אחת. כתוב "תוכנית זרימת עבודה ואימות" של עמוד אחד.

רשימת בדיקה

• [ ] בניסוי קלטתי את העיקרון האנושי ולמה הוא נחוץ.
• [ ] אני ממצה את המבנה/הנתונים המוסתרים מבלי לתת אותם ל-AI הכללי.
• [ ] אני מציית לעקרונות של שקיפות, אחריות, אי-רשע ויושר.
• [ ] הפרדתי בין תפקידי הבינה המלאכותית/אנושית בזרימת העבודה מקצה לקצה.
• [ ] שמתי שערי אישור אנושי בנקודות קריטיות.
• [ ] אני עוקב אחר התפוקה שמגיעה מה-AI וכיצד היא מאומתת.

מבחן מודול

1. איזה מהבאים הוא המיקום המדויק ביותר לבינה מלאכותית בכימיה?

• א) בינה מלאכותית היא עוזרת קוד, טיוטה ועריכה; האחריות על מבנה, מספר, משאבים, החלטות אבטחה ואתיות מוטלת על בני האדם ✔
• ב) בינה מלאכותית היא מנוע כימיה והמשקלים המולקולריים שהיא נותנת תמיד מדויקים.
• ג) בינה מלאכותית עובדת רק בסקירת ספרות, אין לה שום קשר לניתוח ואבטחה
• ד) מאחר שהבינה המלאכותית היא יותר חסרת פניות מבני האדם, יש להשאיר לה החלטות ביטחוניות

תיאור: בינה מלאכותית; זה עוזר שכותב קוד, מייצר טיוטות, בונה שלד רטרו-סינתזה, עוזר ומארגן פרשנות ספקטרום. עם זאת, החישוב הדטרמיניסטי של משקל מולקולרי וסטואכיומטריה, אימות המבנה עם RDKit, אישור ציטוטים במסד הנתונים, החלטת בטיחות עם SDS/GHS והאחריות הסופית שייכים לכימאי המוסמך. מודל השפה הגדול אינו מחשבון או מנוע כימיה; זהו מחולל טקסט שמייצר את 'המילה הבאה בסבירות גבוהה' ופלט לא מאומת שלה עלול להוביל למבנה, מספר או מפגע שגויים.

2. מהי הדרך האמינה ביותר לתאר מולקולה לבינה מלאכותית?

• א) כתיבת השם הטורקי הנפוץ בלבד
• ב) מתן ייצוג מבנה כמו SMILES ואישור הזהות עם InChIKey ✔
• ג) רק אומר את המשקל המולקולרי
• ד) די בכתיבת סימן המסחר

הסבר: שמות (במיוחד שמות מסחריים ומילים נרדפות) אינם חד משמעיים ועלולים להוביל למולקולה שגויה. לתת למולקולה סימון מבנה כגון SMILES מספק דיוק; זהותו מאושרת במסד הנתונים עם InChIKey. בנוסף, יש לנתח את SMILES שניתנו על ידי בינה מלאכותית עם RDKit ולאמת על ידי קנוניזציה.

3. כיצד כדאי להשתמש במשקל מולקולרי שניתן על ידי בינה מלאכותית?

• א) שימוש ישיר בו, כי AI אמין במספרים
• ב) חשב ואמת באופן עצמאי מהנוסחה באופן ידני או עם RDKit ✔
• ג) מספיק רק לשאול עוד בינה מלאכותית ולהשוות
• ד) משקל מולקולרי אינו חשוב, אין צורך באימות

הסבר: משקל מולקולרי הוא כמות המחושבת באופן דטרמיניסטי מהנוסחה המולקולרית. אז לשאול את מודל השפה היא הדרך החלשה ביותר; יש לאמת אותו באופן עצמאי עם כלי כמו RDKit או על ידי חישוב ידני מנוסחה. מודל השפה יכול להתאים למספרים כאלה עם ערך 'סביר למראה'.

4. מה צריך לעשות לפני השימוש בציטוט ספרותי (מאמר/DOI) שהוחזר על ידי בינה מלאכותית?

• א) כלום; אם בינה מלאכותית נותנת התייחסות, היא אמיתית
• ב) מספיק רק להסתכל על הכותרת כדי שהיא תיראה משכנעת.
• ג) אישור כל ציטוט ו-DOI על ידי פענוחם במסד נתונים (doi.org, Crossref) ✔
• ד) מספר ה-DOI הארוך מוכיח שהוא אמיתי.

תיאור: מודל השפה יכול ליצור מאמרים, מחברים ו-DOI שנראים מציאותיים אך אינם קיימים (ציטוט מזויף). זה שהוא נותן DOI לא אומר שהוא תקף. כל ציטוט חייב להיות מאומת על ידי החלטה במסד נתונים כגון doi.org, Crossref או אתר המפרסם; הזרימה הבטוחה ביותר היא שאדם ימצא את המאמר האמיתי ויסכם את הטקסט על ידי בינה מלאכותית.

5. באיזה תחום הבינה המלאכותית הכי חלשה ודורשת אישור בתכנון תגובה?

• א) בהכרה לאיזה מעמד כללי שייכת התגובה
• ב) מספרי תנאים מדויקים, ערכי תפוקה ושמות ריאגנטים/זרזים ✔
• ג) הסבר מנגנון בשפה פשוטה
• ד) סיעור מוחות למסלולים חלופיים

הסבר: AI בדרך כלל מנבא היטב את סוג התגובה ואת התוצר העיקרי של תגובות מתועדות היטב. עם זאת, מספרי מצב מדויקים (טמפרטורה, זמן, שווה ערך), ערכי תפוקה, תגובות נדירות ושמות ריאגנטים/זרזים הם החלשים והמועדים ביותר לייצור; אלה צריכים להיות מאושרים באמצעות ספרות וקטלוגים.

6. מהי הדרך האמינה ביותר להשתמש בבינה מלאכותית בפרשנות ספקטרום?

• א) רק תן כמה פיקים ושאל 'איזה ספקטרום זה?' לשאול
• ב) מתן המבנה הצפוי ונתונים גולמיים מלאים וביצוע בדיקת עקביות (בדיקת השערות) ✔
• ג) כתיבת ערכי המשמרת בלבד ללא ביצוע אינטגרציה וחלוקה
• ד) ביצוע הקצאת מבנה סופית בטכניקה אחת (IR בלבד)

תיאור: שאל בינה מלאכותית 'איזה מתחם זה הספקטרום הזה?' בקשה מאפס מגדילה את שיעור השגיאות. הדרך האמינה ביותר היא לתת את המבנה הצפוי (SMILES) והנתונים הגולמיים (אינטגרציה, פיצול, פותר, רשימת שיא) ביחד ולשאול 'האם הנתונים האלה תואמים למבנה הזה?' הוא לשאול; כלומר, שימוש בבינה מלאכותית כבוחן השערות. המטלה הסופית מיועדת לכימאי הבוחן את הספקטרום הניסיוני.

7. מהי הדרך האמינה ביותר לקבל תוצאה של חישוב כימי (למשל אחוז תשואה)?

• א) בקשת התוצאה ישירות מבינה מלאכותית בעל פה
• ב) הדפס והפעל את קוד Python של החשבון ובדוק אותו עם דוגמה ידועה ✔
• ג) שאלו את אותה שאלה מספר פעמים וקבלו את המספר שעולה בתדירות הגבוהה ביותר
• ד) הערכה מהירה מבלי לציין את היחידה

הסבר: מודל השפה עושה חשבון על ידי 'ניבוי התוצאה הסבירה' והוא יכול להיות שגוי אפילו עם הכפלות פשוטות מאוד. הדרך האמינה ביותר היא לגרום ל-AI לכתוב את ה-CODE שלו (למשל Python), לא את החשבון עצמו, ולהריץ את הקוד הזה; הקוד דטרמיניסטי וניתן לביקורת. יש לבדוק את הקוד גם עם דגימה קטנה שתשובתה ידועה.

8. מה המשמעות של המושג 'תחום ישימות' בחיזוי מאפיינים מולקולריים?

• א) כוח עיבוד של המחשב עליו פועל הדגם
• ב) אזור מולקולרי דומה לנתוני האימון, שבו המודל נותן תחזיות אמינות ✔
• ג) אזור הבטחה שבו המספר שניתן על ידי המודל הוא תמיד מדויק
• ד) טווח טמפרטורות בו ניתן לסנתז את המולקולה במעבדה

הסבר: מודל QSAR/חיזוי עובד היטב על מולקולות הדומות למולקולות שעליהן הוא אומן. בהינתן מולקולה ששונה מאוד מנתוני האימון, המודל עדיין מייצר מספר, אבל זה לא אמין; זה נקרא 'להיות מחוץ לתחום התחולה'. הדגם תמיד נותן מענה; זה תלוי באדם להעריך אם התשובה מהימנה או לא.

9. מהי הגישה הנכונה להתמודדות עם תצפיות בתיעוד הניסוי?

• א) כתיבת תצפיות לבינה מלאכותית כדי לחסוך זמן
• ב) מי שעושה את הניסוי רושם את התצפיות; AI רק פורמטים ובודקים ✔
• ג) מספיק לא לרשום את התצפיות, רק לכתוב את התשואה הסופית
• ד) הסתרת חריגות מהתוכנית כדי שהדו"ח ייראה יפה

הסבר: בינה מלאכותית לא יודעת מהי; ביצוע תצפיות (שינוי צבע, שחרור גז וכו') משתלב בו מייצר רשומות שנראות סבירות אך לא התרחשו, וזו הונאה מדעית. בינה מלאכותית מעצבת את ההקלטה, משחזרת שדות חסרים ובודקת חזרות; אבל הנסיין האנושי חייב לספק את התצפיות והעובדות. כמו כן יש לרשום חריגות מהתכנית.

10. מה תפקידה של בינה מלאכותית בבטיחות במעבדה ומקור האמת?

• א) אם בבינה מלאכותית כתוב 'בטוח', אין צורך במקור אחר
• ב) מקור האמת הוא SDS ו-GHS; AI מועיל אבל לא יכול להגיד את המילה האחרונה ✔
• ג) ניתן להאציל לחלוטין החלטות אבטחה לבינה מלאכותית
• ד) SDS מיותר; פורומים באינטרנט מספקים מידע מספיק.

תיאור: בטיחות היא העדיפות הגבוהה ביותר בכימיה, ואינטליגנציה מלאכותית לעולם לא יכולה לומר כאן את המילה האחרונה. המקור למידע הבטיחותי בפועל הוא SDS (גיליון מידע בטיחותי) וסיווג GHS שסופק על ידי היצרן. AI יכול לסכם טקסט SDS, ליצור טיוטות של טפסים ולבצע סינון ראשוני של אי ציות; עם זאת, כל התביעות חייבות להיות מאומתות עם SDS וההליך חייב להיות מאושר על ידי אדם/קצין אבטחה מנוסה.

11. איזה מהשילובים הבאים של ריאגנטים הוא התאמה מסוכנת (לא תואמת) ידועה?

• א) ערבוב מים ומלח שולחני
• ב) ערבוב תמיסה חומצית עם תמיסה המכילה היפוכלוריט (סיכון לגז כלור) ✔
• ג) ערבוב אתנול ומים
• ד) המסת סוכר ומים

הסבר: בעוד שחלק מהכימיקלים בטוחים יחסית לבדם, הם מסוכנים ביחד. ערבוב חומצה והיפוכלוריט משחרר גז כלור; מחמצן + אורגני מהווה סיכון של שריפה/פיצוץ, מים + חום מתכת תגובתי/מימן. למרות שבינה מלאכותית מכירה את רוב השילובים הללו, היא לא מבטיחה את כולם ולפעמים יכולה להציג הצעה מסוכנת בשפה תמימה; כל הליך צריך להיבדק לאי ציות ל-SDS.

12. מהו הביטוי המדויק ביותר ל'הזיה' (בינה מלאכותית המייצרת מידע מפוברק)?

• א) זוהי שגיאת תוכנה נדירה והיא נמחקת לחלוטין עם עדכון.
• ב) זוהי התנהגות הטבועה במודל השפה; הפתרון הוא לאמת כל פלט באופן עצמאי ✔
• ג) זה מופיע רק בהנחיות שנכתבו בצורה לא נכונה, לעולם לא בהנחיות נכונות.
• ד) אם בינה מלאכותית מדברת בשפה בטוחה, זו לא הזיה

הסבר: ההזיה איננה תקלה אלא תוצאה של אופיו של מודל השפה המייצר את 'המילה הקרובה ביותר'; המודל מכוון לאפשרי, לא לאמיתי. החלק הכי ערמומי הוא שהוא מציג מידע כוזב באותה שפה בטוחה כמו האמת. הפתרון הוא לא לנסות לתקן את המודל, אלא לבנות מעטפת אימות מתאימה לסוג סביב כל פלט; שטף אינו הוכחה לדיוק.

13. מה המשמעות של 'טריאנגולציה' לאימות ערך קריטי (למשל משקל מולקולרי)?

• א) שאלת אותה שאלה לאותה בינה מלאכותית שלוש פעמים
• ב) השוואה והגעה לאותה מסקנה ביותר מדרך עצמאית אחת ✔
• ג) חישוב משקלן של שלוש מולקולות שונות בו זמנית
• ד) עיגול התוצאה לשלושה מקומות עשרוניים

הסבר: טריאנגולציה היא הגעה לאותה מסקנה דרך מספר נתיבים עצמאיים; למשל, השוואת המשקל המולקולרי לפי בינה מלאכותית, חישוב RDKit וחישוב ידני. אם שני נתיבים עצמאיים חופפים, האמון גבוה; אם מישהו סוטה, זה נעצר ונחקר. במקום להסתמך על מקור יחיד, יש לחפש לפחות שתי שיטות עצמאיות.

14. מהי הדרך הנכונה לשאול שירות AI כללי על מולקולה ייחודית שלא נרשמה עליה פטנט?

• א) מתן המבנה המקורי ישירות, כי המהירות חשובה
• ב) לימוד אסטרטגיה באמצעות דוגמה גנרית/פונדקאית מבלי לחשוף את המבנה המקורי ✔
• ג) מתן מבנה אינו בעיה, AI אף פעם לא מסתיר מידע
• ד) לא לתת את שם המולקולה אלא רק לשתף את כל SMILES שלה היא הגנה מספקת.

תיאור: תוכן המוזן לשירות בינה מלאכותית כללי עשוי להיות מאוחסן או לעבד בהתאם למדיניות השירות; מתן מבנה מקורי מסתכן בסודיות ובעדיפות לפטנט. הגישה הנכונה היא ללמוד את האסטרטגיה מדוגמה גנרית/פונדקאית (מחלקה דומה של מבנים) וליישם אותה על המולקולה שלה בבית, מבלי לחשוף את המבנה המקורי. כמו כן, אין להזין נתונים אישיים/מטופלים בצורה מזוהה.