Manusia dalam Eksperimen: Etika, Privasi, Tanggung Jawab, dan Alur Kerja End-to-End

Keuntungan:

• Mengintegrasikan prinsip manusia ke dalam alur kerja end-to-end dalam eksperimen dan mampu memisahkan kecerdasan buatan/peran manusia di setiap tahap
• Kemampuan untuk bekerja dengan contoh proksi umum tanpa memberikan struktur dan data rahasia kepada kecerdasan buatan umum
• Kemampuan untuk menempatkan gerbang persetujuan manusia pada titik-titik kritis dan memikul tanggung jawab utama dengan transparansi dan kemampuan penelusuran

Pada unit terakhir ini kami menggabungkan seluruh modul ke dalam satu kerangka kerja: human-in-the-loop. Prinsip ini mengatakan bahwa tidak peduli seberapa mampu AI, manusia harus memahami, mengontrol, dan menyetujui setiap titik kritis dalam pengambilan keputusan kimia. Dalam unit ini, pertama-tama kami akan mengklarifikasi aspek etika dan kerahasiaan, kemudian menetapkan alur kerja menyeluruh yang mengambil molekul dari ide hingga laporan, dan melihat bagaimana AI dan manusia membagi kerja di setiap tahap. Tujuannya adalah untuk mengubah semua yang telah Anda pelajari menjadi sebuah sistem yang sesuai dengan pekerjaan sehari-hari.

Privasi: apa yang tidak boleh diberikan kepada AI?

Kimia sering kali bekerja dengan informasi rahasia: molekul yang tidak dipatenkan, rute sintesis rahasia perusahaan, data yang tidak dipublikasikan, sampel pasien. Teks yang Anda masukkan ke layanan AI publik dapat disimpan atau diproses sesuai dengan kebijakan layanan. Karena itu:

• Periksa kebijakan institusi Anda sebelum merilis struktur asli yang tidak dipublikasikan (molekul pra-paten) ke AI publik.
• Jangan pernah memasukkan data pribadi/pasien (sampel klinis) dalam bentuk yang dapat diidentifikasi.
• Tinjau perjanjian kerahasiaan sebelum membagikan jalur sintesis rahasia dagang.
• Pilih alat AI penerapan internal/kustom bila diperlukan.

Perhatian: Menanyakan AI umum tentang suatu molekul mungkin berarti mengungkap struktur molekul tersebut. Untuk struktur unik yang belum dipatenkan, hal ini dapat membahayakan prioritas Anda (hak paten). Mintalah struktur tersembunyi dengan contoh umum/pengganti.

Etika: empat prinsip

1. Transparansi: Jangan sembunyikan tempat Anda menggunakan AI; Mematuhi kebijakan publikasi dan kelembagaan.
2. Tanggung jawab: Manusia bertanggung jawab atas keputusan akhir; “AI disarankan” tidak membenarkan pelanggaran keamanan atau integritas.
3. Non-maleficence: Jangan gunakan AI untuk sintesis berbahaya/ilegal, aplikasi penggunaan ganda (potensi senjata).
4. Keadilan dan kejujuran: Jangan memutarbalikkan data, jangan membumbui hasil, jangan mengarang atribusi.

Alur kerja ujung ke ujung: molekul → laporan

Sekarang mari gabungkan seluruh modul menjadi satu aliran. Pada setiap tahap, perhatikan perbedaan antara apa yang dilakukan AI dan apa yang dilakukan manusia.

Panggung

Peran AI

Peran (kritis) manusia

1. Ide/sastra

Ringkasan konsep, istilah pencarian

Menemukan sumber sebenarnya, konfirmasi atribusi

2. Deskripsi struktur

menghasilkan SENYUM

Otentikasi dengan RDKit, InChIKey

3. Rencana sintesis

Retrosintesis, alternatif

Konfirmasi literatur, pemilihan jalur

4. Keamanan

Ringkasan SDS, ketidakcocokan awal

Pembacaan SDS, persetujuan, keputusan APD

5. Aplikasi

(Tidak ada)

Semua pekerjaan laboratorium

6. Analisis

Dukungan komentar spektrum

Tugas struktur akhir

7. Pengolahan data

menulis kode

Jalankan kodenya, verifikasi hasilnya

8. Dokumentasi

Pemformatan, kontrol

Observasi, penyimpangan, tanda tangan

9. Pelaporan

rancangan teks

Verifikasi nomor/kutipan, akuntabilitas

Tabel ini menunjukkan bagaimana 11 unit modul disusun menjadi satu pekerjaan. AI berakselerasi; orang memverifikasi dan memiliki.

Langkah demi langkah: menyiapkan alur kerja

1. Perjelas peran: Untuk setiap tugas, “Apakah AI atau manusia yang memutuskan?” tentukan sejak awal.
2. Siapkan filter privasi: Tanpa memberikan apa pun kepada AI, Anda dapat bertanya "apakah ini pribadi/pribadi?" bertanya.
3. Pasang gerbang verifikasi: Sebuah langkah verifikasi pada akhir setiap tahap (tabel di unit 10).
4. Jaga ketertelusuran: Keluaran apa yang dihasilkan AI, bagaimana verifikasinya, siapa yang menyetujuinya.
5. Tetapkan poin persetujuan: Persetujuan manusia bersifat wajib pada poin-poin penting seperti keamanan dan hasil akhir.
6. Umpan Balik: Catat setiap kesalahan yang tertangkap dan tingkatkan alur kerja.

Empat templat yang dapat disalin

1) Pra-filter privasi:

Sebelum mengajukan pertanyaan, pertimbangkan ini:Isi: [APA YANG SAYA TANYAKAN]Tugas: Apakah konten ini berisi artefak asli, data pribadi, atau rahasia dagang yang tidak dipublikasikan? Jika ya, sarankan bagaimana saya dapat menulis ulang pertanyaan dengan contoh umum/pengganti yang akan menyembunyikan strukturnya.

2) Gerbang verifikasi akhir fase:

Saya telah menyelesaikan fase berikut: [FASE, mis. rencana sintesis].Tugas: Buat daftar semua elemen yang perlu diverifikasi yang keluar dari tahap ini (nomor, kutipan, struktur, klaim keamanan). Untuk masing-masing, tulis metode verifikasi dan siapa yang harus mengonfirmasinya. Tandai semua item terbuka yang perlu ditutup sebelum melanjutkan ke langkah berikutnya.

3) Rencana distribusi peran Manusia-AI:

Proyek saya: [DESKRIPSI SINGKAT].Tugas: Bagilah proyek ini menjadi beberapa fase. Untuk setiap tahap, bedakan antara: - Apa yang dapat dilakukan AI (draf, kode, ringkasan) - Apa yang harus diputuskan oleh manusia (keamanan, konsekuensi, persetujuan). Tandai titik-titik kritis di mana tanggung jawab utama berada di tangan manusia.

4) Pemeriksaan integritas laporan:

Di bawah ini draf laporan saya:[DRAFT]Tugas: Periksa dan tandai hal berikut:1) Apakah ada nomor/kutipan yang belum diverifikasi?2) Apakah penggunaan AI dinyatakan secara transparan?3) Apakah data tampak "dipercantik" (penyembunyian outlier)?4) Apakah ada kelemahan keamanan/etika? [PERIKSA] jika Anda tidak yakin.

Perintah lemah / Perintah kuat

Lemah:

Apa cara terbaik untuk mensintesis molekul rahasia baru perusahaan kita?[struktur asli sebenarnya]

Hal ini memaparkan struktur pra-paten asli ke layanan umum; Hal ini membahayakan prioritas dan kerahasiaan.

Kuat:

Saya ingin mempelajari strategi retrosintesis umum untuk struktur serupa dari kelas keton aromatik. Jelaskan melalui contoh umum (turunan asetofenon) tanpa memberikan struktur asli yang konkrit. Saya akan menerapkan strategi ini pada molekul saya sendiri.

Perbedaan: tanpa mengungkapkan struktur laten, pembelajaran yang sama dicapai seperti pada contoh pengganti umum.

kasus kecil

Kasus 1 — Struktur asli diungkapkan. Sebuah tim bertanya kepada AI umum tentang molekul unik sebelum mengajukan paten. Unit hukum menyatakan bahwa hal ini dapat menimbulkan pertanyaan tentang prioritas; Prosesnya tertunda. Pelajaran: mintalah struktur unik dengan proxy umum, hormati kebijakan privasi.

Kasus 2 — Persetujuan manusia mencegah terjadinya kecelakaan. Dalam alur kerja otomatis, AI menghasilkan rancangan prosedur dan akan diterapkan secara langsung; Namun seorang ahli kimia berpengalaman menemukan sepasang reagen yang tidak cocok di gerbang "izin pengaman" yang mengalir. Pelajaran: pada titik kritis, gerbang persetujuan manusia menyelamatkan nyawa.

Kasus 3 — Disiplin menyeluruh. Siswa master menerapkan seluruh modul dalam satu proyek: ringkasan literatur + verifikasi kutipan aktual dengan AI, verifikasi struktur dengan RDKit, analisis data dengan kode, keamanan dengan SDS, dokumentasi jujur, pelaporan transparan. Hasilnya lebih cepat dan lebih kuat; dalam pembelaan tesis "Bagaimana Anda memverifikasi AI?" Dia menjawab pertanyaan itu dengan jelas. Pelajaran: Disiplin AI + verifikasi bekerja paling baik jika digabungkan.

Kesalahan umum

• Memberikan struktur laten pada AI umum. Ini mengkompromikan prioritas paten dan rahasia dagang.
• Memasukkan data pribadi/pasien yang dapat diidentifikasi. Pelanggaran privasi dan risiko hukum.
• Melewati gerbang persetujuan. Keamanan dan pada akhirnya bergerak maju tanpa persetujuan manusia.
• Mengalihkan tanggung jawab ke AI. “AI menyarankan” tidak memaafkan kesalahan apa pun.
• Menghindari transparansi. Menyembunyikan penggunaan AI akan melemahkan integritas.
• Mengabaikan risiko penggunaan ganda. Tidak etis menggunakan AI untuk aplikasi berbahaya.

Tip: Rancang alur kerja Anda dengan “setiap keputusan penting yang dihentikan dan disetujui oleh manusia.” Jadikan AI sebagai penghubung yang mempercepat rantai, dan simpul yang memegang rantai tersebut selalu manusia.

Singkatnya

• Prinsip manusia dalam eksperimen: dalam setiap keputusan kimia yang penting, manusia memahami, mengawasi, dan menyetujui.
• Privasi: tidak memberikan artefak unik, data pribadi, dan rahasia dagang kepada AI publik; Gunakan proxy umum.
• Etika: transparansi, tanggung jawab, non-maleficence, kejujuran adalah empat prinsip dasar.
• Dalam alur kerja end-to-end, AI berakselerasi di setiap tahap; orang memverifikasi dan memiliki.
• Letakkan gerbang persetujuan manusia pada titik-titik kritis (keamanan, hasil akhir) dan pertahankan ketertelusuran.

Tugas aplikasi

Pilih proyek Anda sendiri (nyata atau hipotetis) dan rancang alur kerja AI-manusia dari awal hingga akhir. Sesuaikan tabel 9 tahap di atas dengan proyek Anda sendiri: apa yang akan dilakukan AI di setiap tahap, apa yang akan disetujui manusia? Terapkan pra-filter privasi: informasi apa yang tidak Anda berikan kepada AI, bagaimana Anda menjadikannya umum? Tentukan setidaknya dua gerbang persetujuan manusia dan satu metode penelusuran. Tulis “alur kerja dan rencana verifikasi” satu halaman.

daftar periksa

• [ ] Dalam percobaan tersebut, saya memahami prinsip manusia dan mengapa hal itu perlu.
• [] Saya membuat generik struktur/data tersembunyi tanpa memberikannya kepada AI umum.
• [ ] Saya mematuhi prinsip-prinsip transparansi, tanggung jawab, tidak merugikan dan jujur.
• [ ] Saya memisahkan peran AI/manusia dalam alur kerja ujung ke ujung.
• [ ] Saya menempatkan gerbang persetujuan manusia pada titik-titik kritis.
• [ ] Saya melacak keluaran apa yang berasal dari AI dan bagaimana verifikasinya.

Ujian Modul

1. Manakah dari posisi berikut yang paling akurat untuk kecerdasan buatan dalam bidang kimia?

• A) Kecerdasan buatan adalah asisten kode, rancangan dan pengeditan; Tanggung jawab atas struktur, jumlah, sumber daya, keamanan, dan keputusan etis berada di tangan manusia ✔
• B) Kecerdasan buatan adalah mesin kimia dan berat molekul yang dihasilkannya selalu tepat.
• C) Kecerdasan buatan hanya berfungsi dalam tinjauan literatur, tidak ada hubungannya dengan analisis dan keamanan
• D) Karena kecerdasan buatan lebih tidak memihak dibandingkan manusia, keputusan keamanan harus diserahkan kepada kecerdasan buatan

Deskripsi: Kecerdasan buatan; Ini adalah asisten yang menulis kode, membuat draf, membangun kerangka retrosintesis, membantu dan mengatur interpretasi spektrum. Namun, perhitungan deterministik berat molekul dan stoikiometri, verifikasi struktur dengan RDKit, konfirmasi kutipan dalam database, keputusan keamanan dengan SDS/GHS dan tanggung jawab akhir berada di tangan ahli kimia yang kompeten. Model bahasa besar bukanlah kalkulator atau mesin kimia; Ini adalah generator teks yang menghasilkan 'kata berikutnya yang paling mungkin' dan keluarannya yang tidak diverifikasi dapat menyebabkan struktur, angka, atau bahaya yang salah.

2. Apa cara paling andal untuk mendeskripsikan molekul pada kecerdasan buatan?

• A) Hanya menulis nama umum Turki
• B) Memberikan representasi struktur seperti SMILES dan mengonfirmasi identitas dengan InChIKey ✔
• C) Hanya memberitahukan berat molekulnya
• D) Cukup dengan menuliskan merek dagangnya saja

Penjelasan: Nama (terutama nama dagang dan sinonim) bersifat ambigu dan dapat menyebabkan molekul salah. Memberi molekul notasi struktur seperti SMILES memberikan presisi; Identitasnya dikonfirmasi dalam database dengan InChIKey. Selain itu, SMILES yang diberikan oleh kecerdasan buatan harus diurai dengan RDKit dan diverifikasi melalui kanonikalisasi.

3. Bagaimana sebaiknya Anda menggunakan berat molekul yang diberikan oleh kecerdasan buatan?

• A) Menggunakannya secara langsung, karena AI dapat diandalkan dalam jumlah
• B) Hitung dan verifikasi secara mandiri dari rumus secara manual atau dengan RDKit ✔
• C) Cukup bertanya pada kecerdasan buatan lain dan bandingkan
• D) Berat molekul tidak penting, tidak perlu verifikasi

Penjelasan: Berat molekul adalah besaran yang dihitung secara deterministik dari rumus molekul. Jadi menanyakan model bahasa adalah cara yang paling lemah; Ini harus diverifikasi secara independen dengan alat seperti RDKit atau dengan menghitungnya secara manual dari rumus. Model bahasa dapat memuat angka-angka tersebut dengan nilai 'kemungkinan tampak'.

4. Apa yang harus dilakukan sebelum menggunakan kutipan literatur (artikel/DOI) yang dikembalikan oleh kecerdasan buatan?

• A) Tidak ada; Jika kecerdasan buatan memberikan referensi, maka itu nyata
• B) Melihat judulnya saja sudah cukup agar terlihat meyakinkan.
• C) Mengonfirmasi setiap kutipan dan DOI dengan mendekodekannya dalam database (doi.org, Crossref) ✔
• D) Nomor DOI yang panjang membuktikan bahwa itu nyata.

Deskripsi: Model bahasa dapat menghasilkan artikel, penulis, dan DOI yang terlihat realistis tetapi tidak ada (kutipan palsu). Hanya karena memberikan DOI bukan berarti valid. Setiap kutipan harus diverifikasi berdasarkan resolusi di database seperti doi.org, Crossref, atau situs penerbit; Alur paling aman adalah manusia menemukan artikel sebenarnya dan teksnya diringkas oleh kecerdasan buatan.

5. Di bidang manakah kecerdasan buatan paling lemah dan memerlukan konfirmasi dalam perencanaan reaksi?

• A) Dalam mengenali kelas umum mana reaksi tersebut termasuk
• B) Nomor kondisi yang tepat, nilai hasil dan nama reagen/katalis ✔
• C) Menjelaskan suatu mekanisme dengan bahasa sederhana
• D) Brainstorming untuk rute alternatif

Penjelasan: AI umumnya memprediksi jenis reaksi dan produk utama dari reaksi yang terdokumentasi dengan baik. Namun, angka kondisi pastinya (suhu, waktu, ekuivalen), nilai hasil, reaksi langka, dan nama reagen/katalis adalah yang paling lemah dan paling rentan terhadap fabrikasi; ini harus dikonfirmasi dengan literatur dan katalog.

6. Apa cara paling andal untuk menggunakan kecerdasan buatan dalam interpretasi spektrum?

• A) Berikan saja beberapa puncak dan tanyakan 'spektrum apa ini?' untuk bertanya
• B) Memberikan struktur yang diharapkan dan data mentah yang lengkap serta memiliki pemeriksaan konsistensi (pengujian hipotesis) ✔
• C) Menuliskan nilai pergeseran saja tanpa melakukan integrasi dan pembagian
• D) Memiliki penugasan struktur definitif yang dilakukan dengan teknik tunggal (hanya IR)

Deskripsi: Tanyakan pada AI 'senyawa manakah yang merupakan spektrum ini?' Bertanya dari awal meningkatkan tingkat kesalahan. Cara yang paling dapat diandalkan adalah dengan menggabungkan struktur yang diharapkan (SMILES) dan data mentah (integrasi, pemisahan, pemecah, daftar puncak) dan bertanya 'apakah data ini konsisten dengan struktur ini?' adalah bertanya; yaitu menggunakan kecerdasan buatan sebagai penguji hipotesis. Tugas akhir adalah untuk ahli kimia yang memeriksa spektrum eksperimental.

7. Apa cara yang paling dapat diandalkan untuk mendapatkan hasil perhitungan kimia (misalnya persen hasil)?

• A) Meminta hasil langsung dari kecerdasan buatan secara lisan
• B) Cetak dan jalankan kode Python akun dan uji dengan contoh yang diketahui ✔
• C) Ajukan pertanyaan yang sama beberapa kali dan dapatkan nomor yang paling sering muncul
• D) Memperkirakan dengan cepat tanpa menentukan satuannya

Penjelasan: Model bahasa melakukan aritmatika dengan 'memprediksi kemungkinan hasil' dan bisa saja salah bahkan dengan perkalian yang sangat sederhana. Cara yang paling dapat diandalkan adalah dengan meminta AI menulis KODE-nya (misalnya Python), bukan akun itu sendiri, dan menjalankan kode tersebut; kodenya bersifat deterministik dan dapat diaudit. Kode tersebut juga harus diuji dengan sampel kecil yang jawabannya diketahui.

8. Apa yang dimaksud dengan konsep 'domain penerapan' dalam prediksi sifat molekul?

• A) Kekuatan pemrosesan komputer tempat model dijalankan
• B) Wilayah molekul mirip dengan data pelatihan, dimana model memberikan prediksi yang andal ✔
• C) Daerah jaminan dimana angka yang diberikan oleh model selalu tepat
• D) Kisaran suhu di mana molekul dapat disintesis di laboratorium

Penjelasan: Model QSAR/prediksi bekerja dengan baik pada molekul yang mirip dengan molekul yang dilatihnya. Mengingat molekul yang sangat berbeda dari data pelatihan, model masih menghasilkan angka, namun hal ini tidak dapat diandalkan; ini disebut 'berada di luar cakupan penerapan'. Model selalu memberikan jawaban; Terserah manusia untuk mengevaluasi apakah jawabannya dapat diandalkan atau tidak.

9. Apa pendekatan yang benar dalam menangani observasi dalam dokumentasi eksperimen?

• A) Menulis observasi ke kecerdasan buatan untuk menghemat waktu
• B) Orang yang melakukan percobaan menuliskan hasil pengamatannya; AI hanya memformat dan memeriksa ✔
• C) Cukup dengan tidak mencatat hasil pengamatan, cukup menuliskan hasil akhirnya
• D) Menyembunyikan penyimpangan dari rencana agar laporan terlihat bagus

Penjelasan: Kecerdasan buatan tidak mengetahui apa itu; Melakukan pengamatan (perubahan warna, pelepasan gas, dll) sesuai dengan itu menghasilkan catatan yang tampaknya masuk akal tetapi tidak terjadi, dan ini adalah penipuan ilmiah. AI memformat rekaman, mengingat bidang yang hilang, dan memeriksa keterulangannya; tetapi manusia yang melakukan eksperimen harus memberikan pengamatan dan fakta. Penyimpangan dari rencana juga harus dicatat.

10. Apa peran kecerdasan buatan dalam keselamatan laboratorium dan sumber kebenarannya?

• A) Jika kecerdasan buatan mengatakan 'aman', tidak diperlukan sumber lain
• B) Sumber kebenarannya adalah SDS dan GHS; AI sangat membantu tetapi tidak dapat mengambil keputusan akhir ✔
• C) Keputusan keamanan dapat sepenuhnya didelegasikan kepada kecerdasan buatan
• D) SDS tidak diperlukan; Forum internet memberikan informasi yang cukup.

Deskripsi: Keselamatan adalah prioritas tertinggi dalam bidang kimia, dan kecerdasan buatan tidak akan pernah menjadi penentu dalam hal ini. Sumber informasi keselamatan sebenarnya adalah klasifikasi SDS (Safety Data Sheet) dan GHS yang disediakan oleh pabrikan. AI dapat meringkas teks SDS, membuat draf formulir, dan melakukan penyaringan ketidakpatuhan awal; Namun, semua klaim harus diverifikasi dengan SDS dan prosedurnya harus disetujui oleh orang/petugas keamanan yang berpengalaman.

11. Manakah dari kombinasi reagen berikut yang diketahui berbahaya (tidak cocok)?

• A) Mencampur air dan garam meja
• B) Mencampur larutan asam dengan larutan yang mengandung hipoklorit (resiko timbulnya gas klor) ✔
• C) Mencampur etanol dan air
• D) Melarutkan gula dan air

Penjelasan: Meskipun beberapa bahan kimia relatif aman jika dikonsumsi sendiri, namun jika digabungkan, bahan-bahan tersebut berbahaya. Mencampur asam dan hipoklorit melepaskan gas klor; Oksidator + organik menimbulkan risiko kebakaran/ledakan, air + panas logam reaktif/hidrogen. Meskipun AI mengetahui sebagian besar kombinasi ini, AI tidak menjamin semuanya dan terkadang dapat memberikan saran berbahaya dalam bahasa yang tidak bersalah; setiap prosedur harus disaring untuk mengetahui ketidakpatuhan terhadap SDS.

12. Apa ungkapan paling akurat untuk 'halusinasi' (kecerdasan buatan yang menghasilkan informasi palsu)?

• A) Ini adalah kesalahan perangkat lunak yang jarang terjadi dan dapat dihilangkan sepenuhnya dengan pembaruan.
• B) Merupakan perilaku yang melekat pada model bahasa; Solusinya adalah dengan memverifikasi secara independen setiap keluaran ✔
• C) Ini hanya muncul pada prompt yang ditulis salah, tidak pernah pada prompt yang benar.
• D) Jika kecerdasan buatan berbicara dalam bahasa yang aman, itu bukanlah halusinasi

Penjelasan: Halusinasi tersebut bukanlah suatu kerusakan melainkan akibat dari sifat model bahasa yang menghasilkan 'kata berikutnya yang paling mungkin'; Model ini bertujuan pada kemungkinan, bukan pada kenyataan. Bagian yang paling berbahaya adalah ia menyajikan informasi palsu dalam bahasa yang sama meyakinkannya dengan kebenaran. Solusinya bukan dengan mencoba memperbaiki model, tetapi dengan membangun shell validasi yang sesuai dengan tipe di sekitar setiap output; kelancaran tidak pernah menjadi bukti keakuratan.

13. Apa yang dimaksud dengan 'triangulasi' untuk memverifikasi nilai kritis (misalnya berat molekul)?

• A) Mengajukan pertanyaan yang sama kepada kecerdasan buatan yang sama sebanyak tiga kali
• B) Membandingkan dan mencapai kesimpulan yang sama dengan lebih dari satu cara yang independen ✔
• C) Menghitung berat tiga molekul berbeda secara bersamaan
• D) Membulatkan hasilnya menjadi tiga tempat desimal

Penjelasan: Triangulasi adalah mencapai kesimpulan yang sama melalui berbagai jalur independen; Misalnya membandingkan berat molekul menurut kecerdasan buatan, perhitungan RDKit, dan perhitungan manual. Jika dua jalur independen tumpang tindih, kepercayaan akan tinggi; Kalau ada yang menyimpang, dihentikan dan diselidiki. Daripada mengandalkan satu sumber saja, sebaiknya dicari setidaknya dua metode independen.

14. Bagaimana cara yang benar untuk menanyakan layanan AI umum tentang molekul unik yang belum dipatenkan?

• A) Memberikan struktur aslinya secara langsung, karena kecepatan itu penting
• B) Mempelajari strategi melalui contoh umum/pengganti tanpa mengungkapkan struktur aslinya ✔
• C) Memberikan struktur tidak menjadi masalah, AI tidak pernah menyembunyikan informasi
• D) Tidak menyebutkan nama molekulnya tetapi hanya membagikan keseluruhan SMILES-nya sudah merupakan perlindungan yang cukup.

Deskripsi: Konten yang dimasukkan ke dalam layanan kecerdasan buatan umum dapat disimpan atau diproses sesuai dengan kebijakan layanan; Memberikan struktur asli berisiko terhadap kerahasiaan dan prioritas paten. Pendekatan yang benar adalah mempelajari strategi dari contoh generik/pengganti (kelas struktur serupa) dan menerapkannya pada molekulnya sendiri, tanpa mengungkapkan struktur aslinya. Data pribadi/pasien juga tidak boleh dimasukkan dalam bentuk yang dapat diidentifikasi.