ಪ್ರಯೋಗದಲ್ಲಿ ಮಾನವ: ನೈತಿಕತೆ, ಗೌಪ್ಯತೆ, ಜವಾಬ್ದಾರಿ ಮತ್ತು ಅಂತ್ಯದಿಂದ ಅಂತ್ಯದ ಕೆಲಸದ ಹರಿವು

ಲಾಭಗಳು:

• ಪ್ರಯೋಗದಲ್ಲಿ ಅಂತ್ಯದಿಂದ ಅಂತ್ಯದ ಕೆಲಸದ ಹರಿವಿಗೆ ಮಾನವ ತತ್ವವನ್ನು ಸಂಯೋಜಿಸುವುದು ಮತ್ತು ಪ್ರತಿ ಹಂತದಲ್ಲಿ ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆ/ಮಾನವ ಪಾತ್ರಗಳನ್ನು ಪ್ರತ್ಯೇಕಿಸಲು ಸಾಧ್ಯವಾಗುತ್ತದೆ
• ಸಾಮಾನ್ಯ ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಗೆ ಗೌಪ್ಯ ರಚನೆ ಮತ್ತು ಡೇಟಾವನ್ನು ನೀಡದೆ ಜೆನೆರಿಕ್ ಪ್ರಾಕ್ಸಿ ಉದಾಹರಣೆಗಳೊಂದಿಗೆ ಕೆಲಸ ಮಾಡುವ ಸಾಮರ್ಥ್ಯ
• ನಿರ್ಣಾಯಕ ಹಂತಗಳಲ್ಲಿ ಮಾನವ ಅನುಮೋದನೆ ಗೇಟ್‌ಗಳನ್ನು ಇರಿಸುವ ಸಾಮರ್ಥ್ಯ ಮತ್ತು ಪಾರದರ್ಶಕತೆ ಮತ್ತು ಪತ್ತೆಹಚ್ಚುವಿಕೆಯೊಂದಿಗೆ ಅಂತಿಮ ಜವಾಬ್ದಾರಿಯನ್ನು ವಹಿಸುವುದು

ಈ ಅಂತಿಮ ಘಟಕದಲ್ಲಿ ನಾವು ಸಂಪೂರ್ಣ ಮಾಡ್ಯೂಲ್ ಅನ್ನು ಒಂದೇ ಚೌಕಟ್ಟಿನಲ್ಲಿ ಸಂಯೋಜಿಸುತ್ತೇವೆ: ಮಾನವ-ಇನ್-ಲೂಪ್. AI ಎಷ್ಟೇ ಸಮರ್ಥವಾಗಿದ್ದರೂ, ರಾಸಾಯನಿಕ ನಿರ್ಧಾರದ ಪ್ರತಿಯೊಂದು ನಿರ್ಣಾಯಕ ಹಂತದಲ್ಲಿ ಮಾನವನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳಬೇಕು, ನಿಯಂತ್ರಿಸಬೇಕು ಮತ್ತು ಅನುಮೋದಿಸಬೇಕು ಎಂದು ಈ ತತ್ವವು ಹೇಳುತ್ತದೆ. ಈ ಘಟಕದಲ್ಲಿ, ನಾವು ಮೊದಲು ನೈತಿಕ ಮತ್ತು ಗೌಪ್ಯತೆಯ ಅಂಶಗಳನ್ನು ಸ್ಪಷ್ಟಪಡಿಸುತ್ತೇವೆ, ನಂತರ ಆಲೋಚನೆಯಿಂದ ವರದಿಗೆ ಅಣುವನ್ನು ತೆಗೆದುಕೊಳ್ಳುವ ಅಂತ್ಯದಿಂದ ಅಂತ್ಯದ ಕೆಲಸದ ಹರಿವನ್ನು ಸ್ಥಾಪಿಸುತ್ತೇವೆ ಮತ್ತು AI ಮತ್ತು ಮಾನವರು ಪ್ರತಿ ಹಂತದಲ್ಲೂ ಕಾರ್ಮಿಕರನ್ನು ಹೇಗೆ ವಿಭಜಿಸುತ್ತಾರೆ ಎಂಬುದನ್ನು ನೋಡುತ್ತೇವೆ. ನೀವು ಕಲಿತ ಎಲ್ಲವನ್ನೂ ದೈನಂದಿನ ಕೆಲಸಕ್ಕೆ ಹೊಂದಿಕೊಳ್ಳುವ ವ್ಯವಸ್ಥೆಯಾಗಿ ಪರಿವರ್ತಿಸುವುದು ಗುರಿಯಾಗಿದೆ.

ಗೌಪ್ಯತೆ: AI ಗೆ ಏನು ನೀಡಬಾರದು?

ರಸಾಯನಶಾಸ್ತ್ರವು ಸಾಮಾನ್ಯವಾಗಿ ಗೌಪ್ಯ ಮಾಹಿತಿಯೊಂದಿಗೆ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತದೆ: ಪೇಟೆಂಟ್ ಪಡೆಯದ ಅಣುಗಳು, ಕಂಪನಿಯ ರಹಸ್ಯ ಸಂಶ್ಲೇಷಣೆ ಮಾರ್ಗಗಳು, ಅಪ್ರಕಟಿತ ಡೇಟಾ, ರೋಗಿಯ ಮಾದರಿಗಳು. ಸಾರ್ವಜನಿಕ AI ಸೇವೆಗೆ ನೀವು ನಮೂದಿಸಿದ ಪಠ್ಯವನ್ನು ಸೇವೆಯ ನೀತಿಯ ಪ್ರಕಾರ ಸಂಗ್ರಹಿಸಬಹುದು ಅಥವಾ ಪ್ರಕ್ರಿಯೆಗೊಳಿಸಬಹುದು. ಆದ್ದರಿಂದ:

• ಸಾರ್ವಜನಿಕ AI ಗೆ ಅಪ್ರಕಟಿತ ಮೂಲ ರಚನೆಗಳನ್ನು (ಪೂರ್ವ-ಪೇಟೆಂಟ್ ಅಣುಗಳು) ಬಿಡುಗಡೆ ಮಾಡುವ ಮೊದಲು ನಿಮ್ಮ ಸಾಂಸ್ಥಿಕ ನೀತಿಯನ್ನು ಪರಿಶೀಲಿಸಿ.
• ಗುರುತಿಸಬಹುದಾದ ರೂಪದಲ್ಲಿ ವೈಯಕ್ತಿಕ/ರೋಗಿಯ ಡೇಟಾವನ್ನು (ಕ್ಲಿನಿಕಲ್ ಮಾದರಿಗಳು) ಎಂದಿಗೂ ನಮೂದಿಸಬೇಡಿ.
• ವ್ಯಾಪಾರ ರಹಸ್ಯ ಸಂಶ್ಲೇಷಣೆಯ ಮಾರ್ಗಗಳನ್ನು ಹಂಚಿಕೊಳ್ಳುವ ಮೊದಲು ಗೌಪ್ಯತೆಯ ಒಪ್ಪಂದಗಳನ್ನು ಪರಿಶೀಲಿಸಿ.
• ಅಗತ್ಯವಿದ್ದಾಗ ಆಂತರಿಕ/ಕಸ್ಟಮ್ ನಿಯೋಜನೆ AI ಪರಿಕರಗಳನ್ನು ಆಯ್ಕೆಮಾಡಿ.

ಎಚ್ಚರಿಕೆ: ಅಣುವಿನ ಬಗ್ಗೆ ಸಾಮಾನ್ಯ AI ಅನ್ನು ಕೇಳುವುದು ಆ ಅಣುವಿನ ರಚನೆಯನ್ನು ಬಹಿರಂಗಪಡಿಸುವುದು ಎಂದರ್ಥ. ಪೇಟೆಂಟ್ ಪಡೆಯದ ವಿಶಿಷ್ಟ ರಚನೆಗಾಗಿ, ಇದು ನಿಮ್ಮ ಆದ್ಯತೆಯನ್ನು (ಪೇಟೆಂಟ್ ಹಕ್ಕು) ಅಪಾಯಕ್ಕೆ ದೂಡಬಹುದು. ಸಾಮಾನ್ಯ/ಬಾಡಿಗೆ ಉದಾಹರಣೆಗಳೊಂದಿಗೆ ಗುಪ್ತ ರಚನೆಗಳನ್ನು ಕೇಳಿ.

ನೀತಿಶಾಸ್ತ್ರ: ನಾಲ್ಕು ತತ್ವಗಳು

1. ಪಾರದರ್ಶಕತೆ: ನೀವು AI ಅನ್ನು ಎಲ್ಲಿ ಬಳಸುತ್ತೀರಿ ಎಂಬುದನ್ನು ಮರೆಮಾಡಬೇಡಿ; ಪ್ರಕಟಣೆ ಮತ್ತು ಸಾಂಸ್ಥಿಕ ನೀತಿಗಳನ್ನು ಅನುಸರಿಸಿ.
2. ಜವಾಬ್ದಾರಿ: ಅಂತಿಮ ನಿರ್ಧಾರಕ್ಕೆ ಮಾನವನು ಜವಾಬ್ದಾರನಾಗಿರುತ್ತಾನೆ; "AI ಸೂಚಿಸಲಾಗಿದೆ" ಭದ್ರತೆ ಅಥವಾ ಸಮಗ್ರತೆಯ ಉಲ್ಲಂಘನೆಯನ್ನು ಕ್ಷಮಿಸುವುದಿಲ್ಲ.
3. ದುರುಪಯೋಗ ಮಾಡದಿರುವುದು: ಅಪಾಯಕಾರಿ/ಕಾನೂನುಬಾಹಿರ ಸಂಶ್ಲೇಷಣೆ, ದ್ವಿ-ಬಳಕೆ (ಆಯುಧಗಳ ಸಂಭಾವ್ಯ) ಅಪ್ಲಿಕೇಶನ್‌ಗಳಿಗಾಗಿ AI ಅನ್ನು ಬಳಸಬೇಡಿ.
4. ನ್ಯಾಯಸಮ್ಮತತೆ ಮತ್ತು ಪ್ರಾಮಾಣಿಕತೆ: ಡೇಟಾವನ್ನು ವಿರೂಪಗೊಳಿಸಬೇಡಿ, ಫಲಿತಾಂಶಗಳನ್ನು ಅಲಂಕರಿಸಬೇಡಿ, ಗುಣಲಕ್ಷಣಗಳನ್ನು ರೂಪಿಸಬೇಡಿ.

ಎಂಡ್-ಟು-ಎಂಡ್ ವರ್ಕ್‌ಫ್ಲೋ: ಅಣು → ವರದಿ

ಈಗ ಸಂಪೂರ್ಣ ಮಾಡ್ಯೂಲ್ ಅನ್ನು ಒಂದೇ ಹರಿವಿನಲ್ಲಿ ಸಂಯೋಜಿಸೋಣ. ಪ್ರತಿ ಹಂತದಲ್ಲಿ, AI ಏನು ಮಾಡುತ್ತದೆ ಮತ್ತು ಮಾನವನು ಏನು ಮಾಡುತ್ತಾನೆ ಎಂಬುದರ ನಡುವಿನ ವ್ಯತ್ಯಾಸಕ್ಕೆ ಗಮನ ಕೊಡಿ.

ಹಂತ

AI ನ ಪಾತ್ರ

ಮಾನವರ (ನಿರ್ಣಾಯಕ) ಪಾತ್ರ

1. ಕಲ್ಪನೆ/ಸಾಹಿತ್ಯ

ಪರಿಕಲ್ಪನೆಯ ಸಾರಾಂಶ, ಹುಡುಕಾಟ ಪದ

ನಿಜವಾದ ಮೂಲವನ್ನು ಕಂಡುಹಿಡಿಯುವುದು, ಗುಣಲಕ್ಷಣ ದೃಢೀಕರಣ

2. ರಚನೆಯ ವಿವರಣೆ

ಸ್ಮೈಲ್‌ಗಳನ್ನು ರಚಿಸುವುದು

RDKit, InChIKey ನೊಂದಿಗೆ ದೃಢೀಕರಣ

3. ಸಂಶ್ಲೇಷಣೆ ಯೋಜನೆ

ರೆಟ್ರೋಸಿಂಥೆಸಿಸ್, ಪರ್ಯಾಯಗಳು

ಸಾಹಿತ್ಯ ದೃಢೀಕರಣ, ಮಾರ್ಗ ಆಯ್ಕೆ

4. ಭದ್ರತೆ

SDS ಸಾರಾಂಶ, ಪ್ರಾಥಮಿಕ ಅಸಾಮರಸ್ಯ

SDS ಓದುವಿಕೆ, ಅನುಮೋದನೆ, PPE ನಿರ್ಧಾರ

5. ಅಪ್ಲಿಕೇಶನ್

(ಯಾವುದೂ ಇಲ್ಲ)

ಎಲ್ಲಾ ಪ್ರಯೋಗಾಲಯ ಕೆಲಸ

6. ವಿಶ್ಲೇಷಣೆ

ಸ್ಪೆಕ್ಟ್ರಮ್ ಕಾಮೆಂಟ್ ಬೆಂಬಲ

ಅಂತಿಮ ರಚನೆಯ ನಿಯೋಜನೆ

7. ಡೇಟಾ ಸಂಸ್ಕರಣೆ

ಬರೆಯುವ ಕೋಡ್

ಕೋಡ್ ಅನ್ನು ರನ್ ಮಾಡಿ, ಫಲಿತಾಂಶವನ್ನು ಪರಿಶೀಲಿಸಿ

8. ದಾಖಲೆ

ಫಾರ್ಮ್ಯಾಟಿಂಗ್, ನಿಯಂತ್ರಣ

ವೀಕ್ಷಣೆ, ವಿಚಲನ, ಸಹಿ

9. ವರದಿ ಮಾಡುವುದು

ಕರಡು ಪಠ್ಯ

ಸಂಖ್ಯೆ/ಉಲ್ಲೇಖ ಪರಿಶೀಲನೆ, ಹೊಣೆಗಾರಿಕೆ

ಮಾಡ್ಯೂಲ್‌ನ 11 ಘಟಕಗಳನ್ನು ಒಂದೇ ಕೆಲಸದಲ್ಲಿ ಹೇಗೆ ಜೋಡಿಸಲಾಗಿದೆ ಎಂಬುದನ್ನು ಈ ಕೋಷ್ಟಕವು ತೋರಿಸುತ್ತದೆ. AI ವೇಗವನ್ನು ಹೆಚ್ಚಿಸುತ್ತದೆ; ಜನರು ಪರಿಶೀಲಿಸುತ್ತಾರೆ ಮತ್ತು ಹೊಂದಿದ್ದಾರೆ.

ಹಂತ ಹಂತವಾಗಿ: ಕೆಲಸದ ಹರಿವನ್ನು ಹೊಂದಿಸಿ

1. ಪಾತ್ರಗಳನ್ನು ಸ್ಪಷ್ಟಪಡಿಸಿ: ಪ್ರತಿ ಕಾರ್ಯಕ್ಕಾಗಿ, "AI ಅಥವಾ ಮಾನವ ನಿರ್ಧರಿಸುತ್ತದೆಯೇ?" ಮೊದಲಿನಿಂದ ನಿರ್ಧರಿಸಿ.
2. ಗೌಪ್ಯತೆ ಫಿಲ್ಟರ್ ಅನ್ನು ಹೊಂದಿಸಿ: AI ಗೆ ಏನನ್ನಾದರೂ ನೀಡದೆಯೇ ನೀವು "ಇದು ಖಾಸಗಿ/ಖಾಸಗಿಯೇ?" ಕೇಳು.
3. ಪರಿಶೀಲನೆ ಗೇಟ್‌ಗಳನ್ನು ಹಾಕಿ: ಪ್ರತಿ ಹಂತದ ಕೊನೆಯಲ್ಲಿ ಒಂದು ಪರಿಶೀಲನಾ ಹಂತ (ಘಟಕ 10 ರಲ್ಲಿ ಕೋಷ್ಟಕ).
4. ಪತ್ತೆಹಚ್ಚುವಿಕೆಯನ್ನು ಇರಿಸಿಕೊಳ್ಳಿ: AI ನಿಂದ ಯಾವ ಔಟ್‌ಪುಟ್ ಬಂದಿದೆ, ಅದನ್ನು ಹೇಗೆ ಪರಿಶೀಲಿಸಲಾಗಿದೆ, ಯಾರು ಅದನ್ನು ಅನುಮೋದಿಸಿದ್ದಾರೆ.
5. ಅನುಮೋದನೆ ಅಂಕಗಳನ್ನು ಹೊಂದಿಸಿ: ಭದ್ರತೆ ಮತ್ತು ಅಂತಿಮ ಫಲಿತಾಂಶದಂತಹ ನಿರ್ಣಾಯಕ ಹಂತಗಳಲ್ಲಿ ಮಾನವ ಅನುಮೋದನೆ ಕಡ್ಡಾಯವಾಗಿದೆ.
6. ಪ್ರತಿಕ್ರಿಯೆ: ಹಿಡಿದ ಪ್ರತಿ ದೋಷವನ್ನು ರೆಕಾರ್ಡ್ ಮಾಡಿ ಮತ್ತು ಕೆಲಸದ ಹರಿವನ್ನು ಸುಧಾರಿಸಿ.

ನಾಲ್ಕು ನಕಲಿಸಬಹುದಾದ ಟೆಂಪ್ಲೇಟ್‌ಗಳು

1) ಗೌಪ್ಯತೆ ಪೂರ್ವ ಫಿಲ್ಟರ್:

ಪ್ರಶ್ನೆಯನ್ನು ಕೇಳುವ ಮೊದಲು, ಇದನ್ನು ಪರಿಗಣಿಸಿ:ವಿಷಯ: [ನಾನು ಏನು ಕೇಳುತ್ತಿದ್ದೇನೆ]ಕಾರ್ಯ: ಈ ವಿಷಯವು ಅಪ್ರಕಟಿತ ಮೂಲ ಕಲಾಕೃತಿಗಳು, ವೈಯಕ್ತಿಕ ಡೇಟಾ ಅಥವಾ ವ್ಯಾಪಾರ ರಹಸ್ಯಗಳನ್ನು ಹೊಂದಿದೆಯೇ? ಹಾಗಿದ್ದಲ್ಲಿ, ರಚನೆಯನ್ನು ಮರೆಮಾಡುವ ಸಾಮಾನ್ಯ/ಬದಿಯ ಉದಾಹರಣೆಯೊಂದಿಗೆ ನಾನು ಪ್ರಶ್ನೆಯನ್ನು ಹೇಗೆ ಪುನಃ ಬರೆಯಬಹುದು ಎಂಬುದನ್ನು ಸೂಚಿಸಿ.

2) ಹಂತದ ಪರಿಶೀಲನೆ ಗೇಟ್‌ನ ಅಂತ್ಯ:

ನಾನು ಈ ಕೆಳಗಿನ ಹಂತವನ್ನು ಪೂರ್ಣಗೊಳಿಸಿದ್ದೇನೆ: [PHASE, ಉದಾ. ಸಂಶ್ಲೇಷಣೆ ಯೋಜನೆ]. ಕಾರ್ಯ: ಈ ಹಂತದಿಂದ ಹೊರಬರುವ ಪರಿಶೀಲಿಸಬೇಕಾದ ಎಲ್ಲಾ ಅಂಶಗಳನ್ನು ಪಟ್ಟಿ ಮಾಡಿ (ಸಂಖ್ಯೆ, ಉಲ್ಲೇಖ, ರಚನೆ, ಭದ್ರತಾ ಹಕ್ಕು). ಪ್ರತಿಯೊಂದಕ್ಕೂ, ಪರಿಶೀಲನೆ ವಿಧಾನವನ್ನು ಬರೆಯಿರಿ ಮತ್ತು ಅದನ್ನು ಯಾರು ದೃಢೀಕರಿಸಬೇಕು. ಮುಂದಿನ ಹಂತಕ್ಕೆ ತೆರಳುವ ಮೊದಲು ಮುಚ್ಚಬೇಕಾದ ಯಾವುದೇ ತೆರೆದ ಐಟಂಗಳನ್ನು ಗುರುತಿಸಿ.

3) ಮಾನವ-AI ಪಾತ್ರ ವಿತರಣಾ ಯೋಜನೆ:

ನನ್ನ ಯೋಜನೆ: [ಸಣ್ಣ ವಿವರಣೆ]. ಕಾರ್ಯ: ಈ ಯೋಜನೆಯನ್ನು ಹಂತಗಳಾಗಿ ವಿಂಗಡಿಸಿ. ಪ್ರತಿ ಹಂತಕ್ಕೂ, ಇವುಗಳ ನಡುವೆ ವ್ಯತ್ಯಾಸವನ್ನು ಗುರುತಿಸಿ: - AI ಏನು ಮಾಡಬಹುದು (ಡ್ರಾಫ್ಟ್, ಕೋಡ್, ಸಾರಾಂಶ) - ಮಾನವನು ಏನು ನಿರ್ಧರಿಸಬೇಕು (ಭದ್ರತೆ, ಪರಿಣಾಮ, ಅನುಮೋದನೆ). ಅಂತಿಮ ಜವಾಬ್ದಾರಿಯು ಮಾನವನ ಮೇಲಿರುವ ನಿರ್ಣಾಯಕ ಅಂಶಗಳನ್ನು ಗುರುತಿಸಿ.

4) ಸಮಗ್ರತೆಯ ಪರಿಶೀಲನೆಯನ್ನು ವರದಿ ಮಾಡಿ:

ನನ್ನ ವರದಿಯ ಕರಡು ಕೆಳಗಿದೆ:[DRAFT]ಕಾರ್ಯ: ಈ ಕೆಳಗಿನವುಗಳನ್ನು ಪರಿಶೀಲಿಸಿ ಮತ್ತು ಗುರುತಿಸಿ:1) ಯಾವುದೇ ಪರಿಶೀಲಿಸದ ಸಂಖ್ಯೆಗಳು/ಉಲ್ಲೇಖಗಳಿವೆಯೇ?2) AI ಬಳಕೆಯನ್ನು ಪಾರದರ್ಶಕವಾಗಿ ಹೇಳಲಾಗಿದೆಯೇ?3) ಡೇಟಾವು "ಸುಂದರವಾಗಿದೆ" (ಹೊರಗಿನ ಮರೆಮಾಚುವಿಕೆ)?4) ಯಾವುದೇ ಭದ್ರತೆ/ನೈತಿಕ ನ್ಯೂನತೆಗಳಿವೆಯೇ? ನೀವು ಖಚಿತವಾಗಿಲ್ಲದಿರುವಲ್ಲಿ [ಪರಿಶೀಲಿಸಿ].

ದುರ್ಬಲ ಪ್ರಾಂಪ್ಟ್ / ಬಲವಾದ ಪ್ರಾಂಪ್ಟ್

ದುರ್ಬಲ:

ನಮ್ಮ ಕಂಪನಿಯ ಹೊಸ ರಹಸ್ಯ ಅಣುವನ್ನು ಸಂಶ್ಲೇಷಿಸಲು ಉತ್ತಮ ಮಾರ್ಗ ಯಾವುದು?[ನಿಜವಾದ ಮೂಲ ರಚನೆ]

ಇದು ಸಾಮಾನ್ಯ ಸೇವೆಗೆ ಮೂಲ ಪೂರ್ವ-ಪೇಟೆಂಟ್ ರಚನೆಯನ್ನು ಬಹಿರಂಗಪಡಿಸುತ್ತದೆ; ಇದು ಆದ್ಯತೆ ಮತ್ತು ಗೌಪ್ಯತೆಗೆ ಅಪಾಯವನ್ನುಂಟುಮಾಡುತ್ತದೆ.

ಪ್ರಬಲ:

ಆರೊಮ್ಯಾಟಿಕ್ ಕೀಟೋನ್‌ಗಳ ವರ್ಗದ ಒಂದೇ ರೀತಿಯ ರಚನೆಗಾಗಿ ನಾನು ಸಾಮಾನ್ಯ ರೆಟ್ರೋಸಿಂಥೆಸಿಸ್ ತಂತ್ರವನ್ನು ಕಲಿಯಲು ಬಯಸುತ್ತೇನೆ. ಕಾಂಕ್ರೀಟ್, ಮೂಲ ರಚನೆಯನ್ನು ನೀಡದೆ ಸಾಮಾನ್ಯ ಉದಾಹರಣೆಯ ಮೂಲಕ (ಅಸಿಟೋಫೆನೋನ್ ಉತ್ಪನ್ನ) ವಿವರಿಸಿ. ನಾನು ಕಾರ್ಯತಂತ್ರವನ್ನು ನನ್ನ ಸ್ವಂತ ಅಣುವಿಗೆ ಮನೆಯಲ್ಲಿ ಅನ್ವಯಿಸುತ್ತೇನೆ.

ವ್ಯತ್ಯಾಸ: ಸುಪ್ತ ರಚನೆಯನ್ನು ಬಹಿರಂಗಪಡಿಸದೆ, ಸಾಮಾನ್ಯ ಬಾಡಿಗೆ ಉದಾಹರಣೆಯೊಂದಿಗೆ ಅದೇ ಕಲಿಕೆಯನ್ನು ಸಾಧಿಸಲಾಗಿದೆ.

ಮಿನಿ ಪ್ರಕರಣಗಳು

ಪ್ರಕರಣ 1 - ಮೂಲ ರಚನೆಯನ್ನು ಬಹಿರಂಗಪಡಿಸಲಾಗಿದೆ. ಪೇಟೆಂಟ್‌ಗಾಗಿ ಅರ್ಜಿ ಸಲ್ಲಿಸುವ ಮೊದಲು ಒಂದು ವಿಶಿಷ್ಟವಾದ ಅಣುವಿನ ಬಗ್ಗೆ ಒಂದು ತಂಡವು ಸಾಮಾನ್ಯ AI ಅನ್ನು ಕೇಳಿದೆ. ಇದು ಪ್ರಶ್ನೆಗೆ ಆದ್ಯತೆಯನ್ನು ತರಬಹುದು ಎಂದು ಕಾನೂನು ಘಟಕ ಹೇಳಿದೆ; ಪ್ರಕ್ರಿಯೆ ವಿಳಂಬವಾಯಿತು. ಪಾಠ: ಸಾಮಾನ್ಯ ಪ್ರಾಕ್ಸಿಯೊಂದಿಗೆ ಅನನ್ಯ ರಚನೆಗಳನ್ನು ಕೇಳಿ, ಗೌಪ್ಯತೆ ನೀತಿಯನ್ನು ಗೌರವಿಸಿ.

ಪ್ರಕರಣ 2 - ಮಾನವ ಒಪ್ಪಿಗೆ ಅಪಘಾತವನ್ನು ತಡೆಯಿತು. ಸ್ವಯಂಚಾಲಿತ ವರ್ಕ್‌ಫ್ಲೋನಲ್ಲಿ, AI ಒಂದು ಕರಡು ಕಾರ್ಯವಿಧಾನವನ್ನು ತಯಾರಿಸಿತು ಮತ್ತು ಅದನ್ನು ನೇರವಾಗಿ ಕಾರ್ಯಗತಗೊಳಿಸಬೇಕಿತ್ತು; ಆದರೆ ಅನುಭವಿ ರಸಾಯನಶಾಸ್ತ್ರಜ್ಞರು "ಸುರಕ್ಷತಾ ಕ್ಲಿಯರೆನ್ಸ್" ಗೇಟ್‌ನಲ್ಲಿ ಹೊಂದಾಣಿಕೆಯಾಗದ ಜೋಡಿ ಕಾರಕಗಳನ್ನು ಹಿಡಿದಿದ್ದಾರೆ. ಪಾಠ: ನಿರ್ಣಾಯಕ ಹಂತಗಳಲ್ಲಿ, ಮಾನವ ಅನುಮೋದನೆ ಗೇಟ್‌ಗಳು ಜೀವಗಳನ್ನು ಉಳಿಸುತ್ತವೆ.

ಪ್ರಕರಣ 3 - ಅಂತ್ಯದಿಂದ ಅಂತ್ಯದ ಶಿಸ್ತು. ಸ್ನಾತಕೋತ್ತರ ವಿದ್ಯಾರ್ಥಿಯು ಒಂದು ಯೋಜನೆಯಲ್ಲಿ ಸಂಪೂರ್ಣ ಮಾಡ್ಯೂಲ್ ಅನ್ನು ಕಾರ್ಯಗತಗೊಳಿಸಿದ್ದಾರೆ: ಸಾಹಿತ್ಯದ ಸಾರಾಂಶ + AI ಯೊಂದಿಗೆ ನಿಜವಾದ ಉಲ್ಲೇಖದ ಪರಿಶೀಲನೆ, RDKit ನೊಂದಿಗೆ ರಚನೆ ಪರಿಶೀಲನೆ, ಕೋಡ್‌ನೊಂದಿಗೆ ಡೇಟಾ ವಿಶ್ಲೇಷಣೆ, SDS ನೊಂದಿಗೆ ಭದ್ರತೆ, ಪ್ರಾಮಾಣಿಕ ದಾಖಲಾತಿ, ಪಾರದರ್ಶಕ ವರದಿ. ಫಲಿತಾಂಶವು ವೇಗವಾಗಿ ಮತ್ತು ಹೆಚ್ಚು ದೃಢವಾಗಿತ್ತು; ಪ್ರಬಂಧದ ರಕ್ಷಣೆಯಲ್ಲಿ "ನೀವು AI ಅನ್ನು ಹೇಗೆ ಪರಿಶೀಲಿಸಿದ್ದೀರಿ?" ಎಂಬ ಪ್ರಶ್ನೆಗೆ ಅವರು ಸ್ಪಷ್ಟವಾಗಿ ಉತ್ತರಿಸಿದರು. ಪಾಠ: AI + ಪರಿಶೀಲನೆ ಶಿಸ್ತು ಒಟ್ಟಿಗೆ ಉತ್ತಮವಾಗಿ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತದೆ.

ಸಾಮಾನ್ಯ ತಪ್ಪುಗಳು

• ಸಾಮಾನ್ಯ AI ಗೆ ಸುಪ್ತ ರಚನೆಯನ್ನು ನೀಡುವುದು. ಇದು ಪೇಟೆಂಟ್ ಆದ್ಯತೆ ಮತ್ತು ವ್ಯಾಪಾರ ರಹಸ್ಯವನ್ನು ರಾಜಿ ಮಾಡಿಕೊಳ್ಳುತ್ತದೆ.
• ಗುರುತಿಸಬಹುದಾದ ವೈಯಕ್ತಿಕ/ರೋಗಿ ಡೇಟಾವನ್ನು ನಮೂದಿಸಲಾಗುತ್ತಿದೆ. ಗೌಪ್ಯತೆ ಉಲ್ಲಂಘನೆ ಮತ್ತು ಕಾನೂನು ಅಪಾಯ.
• ಅನುಮೋದನೆ ಗೇಟ್‌ಗಳನ್ನು ಬೈಪಾಸ್ ಮಾಡುವುದು. ಭದ್ರತೆ ಮತ್ತು ಅಂತಿಮವಾಗಿ ಮಾನವ ಅನುಮೋದನೆಯಿಲ್ಲದೆ ಮುಂದುವರೆಯುವುದು.
• AI ಗೆ ಜವಾಬ್ದಾರಿಯನ್ನು ವರ್ಗಾಯಿಸುವುದು. "AI ಸೂಚಿಸಲಾಗಿದೆ" ಯಾವುದೇ ತಪ್ಪುಗಳನ್ನು ಕ್ಷಮಿಸುವುದಿಲ್ಲ.
• ಪಾರದರ್ಶಕತೆಯನ್ನು ತಪ್ಪಿಸುವುದು. AI ಬಳಕೆಯನ್ನು ಮರೆಮಾಚುವುದು ಸಮಗ್ರತೆಯನ್ನು ದುರ್ಬಲಗೊಳಿಸುತ್ತದೆ.
• ಎರಡು ಬಳಕೆಯ ಅಪಾಯವನ್ನು ನಿರ್ಲಕ್ಷಿಸುವುದು. ಹಾನಿಕಾರಕ ಅಪ್ಲಿಕೇಶನ್‌ಗಳಿಗಾಗಿ AI ಅನ್ನು ಬಳಸುವುದು ಅನೈತಿಕವಾಗಿದೆ.

ಸಲಹೆ: "ಮನುಷ್ಯನು ನಿಲ್ಲಿಸುವ ಮತ್ತು ಅನುಮೋದಿಸುವ ಪ್ರತಿಯೊಂದು ನಿರ್ಣಾಯಕ ನಿರ್ಧಾರ" ದೊಂದಿಗೆ ನಿಮ್ಮ ಕೆಲಸದ ಹರಿವನ್ನು ವಿನ್ಯಾಸಗೊಳಿಸಿ. AI ಅನ್ನು ಸರಪಳಿಯನ್ನು ವೇಗಗೊಳಿಸುವ ಲಿಂಕ್ ಮಾಡಿ ಮತ್ತು ಸರಪಳಿಯನ್ನು ಹಿಡಿದಿಟ್ಟುಕೊಳ್ಳುವ ನೋಡ್ ಯಾವಾಗಲೂ ಮಾನವನಾಗಿರುತ್ತದೆ.

ಸಾರಾಂಶದಲ್ಲಿ

• ಪ್ರಯೋಗದಲ್ಲಿ ಮಾನವ ತತ್ವ: ಪ್ರತಿ ನಿರ್ಣಾಯಕ ರಾಸಾಯನಿಕ ನಿರ್ಧಾರದಲ್ಲಿ, ಮಾನವನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುತ್ತಾನೆ, ಮೇಲ್ವಿಚಾರಣೆ ಮಾಡುತ್ತಾನೆ ಮತ್ತು ಅನುಮೋದಿಸುತ್ತಾನೆ.
• ಗೌಪ್ಯತೆ: ಸಾರ್ವಜನಿಕ AI ಗೆ ಅನನ್ಯ ಕಲಾಕೃತಿಗಳು, ವೈಯಕ್ತಿಕ ಡೇಟಾ ಮತ್ತು ವ್ಯಾಪಾರ ರಹಸ್ಯಗಳನ್ನು ಒದಗಿಸಬೇಡಿ; ಜೆನೆರಿಕ್ ಪ್ರಾಕ್ಸಿ ಬಳಸಿ.
• ನೀತಿಶಾಸ್ತ್ರ: ಪಾರದರ್ಶಕತೆ, ಜವಾಬ್ದಾರಿ, ದುರುಪಯೋಗ ಮಾಡದಿರುವುದು, ಪ್ರಾಮಾಣಿಕತೆ ಇವು ನಾಲ್ಕು ಮೂಲ ತತ್ವಗಳು.
• ಎಂಡ್-ಟು-ಎಂಡ್ ವರ್ಕ್‌ಫ್ಲೋನಲ್ಲಿ, AI ಪ್ರತಿ ಹಂತದಲ್ಲೂ ವೇಗಗೊಳ್ಳುತ್ತದೆ; ಜನರು ಪರಿಶೀಲಿಸುತ್ತಾರೆ ಮತ್ತು ಹೊಂದಿದ್ದಾರೆ.
• ನಿರ್ಣಾಯಕ ಹಂತಗಳಲ್ಲಿ ಮಾನವ ಅನುಮೋದನೆ ಗೇಟ್‌ಗಳನ್ನು ಹಾಕಿ (ಭದ್ರತೆ, ಅಂತಿಮ ಫಲಿತಾಂಶ) ಮತ್ತು ಪತ್ತೆಹಚ್ಚುವಿಕೆಯನ್ನು ಕಾಪಾಡಿಕೊಳ್ಳಿ.

ಅಪ್ಲಿಕೇಶನ್ ಕಾರ್ಯ

ನಿಮ್ಮದೇ ಆದ (ನೈಜ ಅಥವಾ ಕಾಲ್ಪನಿಕ) ಪ್ರಾಜೆಕ್ಟ್ ಅನ್ನು ಆಯ್ಕೆಮಾಡಿ ಮತ್ತು ಪ್ರಾರಂಭದಿಂದ ಅಂತ್ಯದವರೆಗೆ AI-ಹ್ಯೂಮನ್ ವರ್ಕ್‌ಫ್ಲೋ ಅನ್ನು ವಿನ್ಯಾಸಗೊಳಿಸಿ. ಮೇಲಿನ 9-ಹಂತದ ಕೋಷ್ಟಕವನ್ನು ನಿಮ್ಮ ಸ್ವಂತ ಯೋಜನೆಗೆ ಅಳವಡಿಸಿಕೊಳ್ಳಿ: ಪ್ರತಿ ಹಂತದಲ್ಲಿ AI ಏನು ಮಾಡುತ್ತದೆ, ಮಾನವನು ಏನು ಅನುಮೋದಿಸುತ್ತಾನೆ? ಗೌಪ್ಯತೆ ಪೂರ್ವ ಫಿಲ್ಟರ್ ಅನ್ನು ಅನ್ವಯಿಸಿ: ನೀವು AI ಗೆ ಯಾವ ಮಾಹಿತಿಯನ್ನು ನೀಡುವುದಿಲ್ಲ, ನೀವು ಅದನ್ನು ಹೇಗೆ ಸಾಮಾನ್ಯಗೊಳಿಸುತ್ತೀರಿ? ಕನಿಷ್ಠ ಎರಡು ಮಾನವ-ಅನುಮೋದನೆಯ ಗೇಟ್‌ಗಳು ಮತ್ತು ಒಂದು ಪತ್ತೆಹಚ್ಚುವಿಕೆಯ ವಿಧಾನವನ್ನು ವಿವರಿಸಿ. ಒಂದು ಪುಟದ "ವರ್ಕ್‌ಫ್ಲೋ ಮತ್ತು ಪರಿಶೀಲನಾ ಯೋಜನೆ" ಬರೆಯಿರಿ.

ಪರಿಶೀಲನಾಪಟ್ಟಿ

• ಪ್ರಯೋಗದಲ್ಲಿ, ನಾನು ಮಾನವ ತತ್ವವನ್ನು ಗ್ರಹಿಸಿದೆ ಮತ್ತು ಅದು ಏಕೆ ಅಗತ್ಯವಾಗಿತ್ತು.
• [ ] ನಾನು ಗುಪ್ತ ರಚನೆ/ಡೇಟಾವನ್ನು ಸಾಮಾನ್ಯ AI ಗೆ ನೀಡದೆಯೇ ಜೆನರೈಸ್ ಮಾಡುತ್ತೇನೆ.
• [ ] ನಾನು ಪಾರದರ್ಶಕತೆ, ಜವಾಬ್ದಾರಿ, ದುರುಪಯೋಗ ಮತ್ತು ಪ್ರಾಮಾಣಿಕತೆಯ ತತ್ವಗಳನ್ನು ಅನುಸರಿಸುತ್ತೇನೆ.
• [ ] ನಾನು ಎಂಡ್ ಟು ಎಂಡ್ ವರ್ಕ್‌ಫ್ಲೋನಲ್ಲಿ AI/ಮಾನವ ಪಾತ್ರಗಳನ್ನು ಪ್ರತ್ಯೇಕಿಸಿದ್ದೇನೆ.
• [ ] ನಾನು ನಿರ್ಣಾಯಕ ಹಂತಗಳಲ್ಲಿ ಮಾನವ ಅನುಮೋದನೆ ಗೇಟ್‌ಗಳನ್ನು ಹಾಕುತ್ತೇನೆ.
• [] AI ನಿಂದ ಯಾವ ಔಟ್‌ಪುಟ್ ಬರುತ್ತದೆ ಮತ್ತು ಅದನ್ನು ಹೇಗೆ ಪರಿಶೀಲಿಸಲಾಗುತ್ತದೆ ಎಂಬುದನ್ನು ನಾನು ಟ್ರ್ಯಾಕ್ ಮಾಡುತ್ತೇನೆ.

ಮಾಡ್ಯೂಲ್ ಪರೀಕ್ಷೆ

1. ಕೆಳಗಿನವುಗಳಲ್ಲಿ ಯಾವುದು ರಸಾಯನಶಾಸ್ತ್ರದಲ್ಲಿ ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಗೆ ಅತ್ಯಂತ ನಿಖರವಾದ ಸ್ಥಾನವಾಗಿದೆ?

• ಎ) ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯು ಕೋಡ್, ಡ್ರಾಫ್ಟ್ ಮತ್ತು ಎಡಿಟಿಂಗ್ ಸಹಾಯಕ; ರಚನೆ, ಸಂಖ್ಯೆ, ಸಂಪನ್ಮೂಲಗಳು, ಭದ್ರತೆ ಮತ್ತು ನೈತಿಕ ನಿರ್ಧಾರಗಳ ಜವಾಬ್ದಾರಿ ಮಾನವರ ಮೇಲಿದೆ ✔
• ಬಿ) ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯು ರಸಾಯನಶಾಸ್ತ್ರದ ಎಂಜಿನ್ ಮತ್ತು ಅದು ನೀಡುವ ಆಣ್ವಿಕ ತೂಕವು ಯಾವಾಗಲೂ ನಿಖರವಾಗಿರುತ್ತದೆ.
• ಸಿ) ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆ ಸಾಹಿತ್ಯ ವಿಮರ್ಶೆಯಲ್ಲಿ ಮಾತ್ರ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತದೆ, ಇದು ವಿಶ್ಲೇಷಣೆ ಮತ್ತು ಭದ್ರತೆಗೆ ಯಾವುದೇ ಸಂಬಂಧವನ್ನು ಹೊಂದಿಲ್ಲ
• ಡಿ) ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆ ಮಾನವರಿಗಿಂತ ಹೆಚ್ಚು ನಿಷ್ಪಕ್ಷಪಾತವಾಗಿರುವುದರಿಂದ, ಭದ್ರತಾ ನಿರ್ಧಾರಗಳನ್ನು ಅದಕ್ಕೆ ಬಿಡಬೇಕು

ವಿವರಣೆ: ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆ; ಇದು ಕೋಡ್ ಬರೆಯುವ, ಡ್ರಾಫ್ಟ್‌ಗಳನ್ನು ಉತ್ಪಾದಿಸುವ, ರೆಟ್ರೋಸಿಂಥೆಸಿಸ್ ಅಸ್ಥಿಪಂಜರವನ್ನು ನಿರ್ಮಿಸುವ, ಸ್ಪೆಕ್ಟ್ರಮ್ ವ್ಯಾಖ್ಯಾನವನ್ನು ಸಹಾಯ ಮಾಡುವ ಮತ್ತು ಸಂಘಟಿಸುವ ಸಹಾಯಕ. ಆದಾಗ್ಯೂ, ಆಣ್ವಿಕ ತೂಕ ಮತ್ತು ಸ್ಟೊಚಿಯೊಮೆಟ್ರಿಯ ನಿರ್ಣಾಯಕ ಲೆಕ್ಕಾಚಾರ, RDKit ನೊಂದಿಗೆ ರಚನೆಯ ಪರಿಶೀಲನೆ, ಡೇಟಾಬೇಸ್‌ನಲ್ಲಿ ಉಲ್ಲೇಖಗಳ ದೃಢೀಕರಣ, SDS/GHS ನೊಂದಿಗೆ ಸುರಕ್ಷತೆಯ ನಿರ್ಧಾರ ಮತ್ತು ಅಂತಿಮ ಜವಾಬ್ದಾರಿಯು ಸಮರ್ಥ ರಸಾಯನಶಾಸ್ತ್ರಜ್ಞರಿಗೆ ಸೇರಿದೆ. ದೊಡ್ಡ ಭಾಷೆಯ ಮಾದರಿಯು ಕ್ಯಾಲ್ಕುಲೇಟರ್ ಅಥವಾ ರಸಾಯನಶಾಸ್ತ್ರದ ಎಂಜಿನ್ ಅಲ್ಲ; ಇದು ಪಠ್ಯ ಜನರೇಟರ್ ಆಗಿದ್ದು ಅದು 'ಮುಂದಿನ ಸಾಧ್ಯತೆಯ ಪದ'ವನ್ನು ಉತ್ಪಾದಿಸುತ್ತದೆ ಮತ್ತು ಅದರ ಪರಿಶೀಲಿಸದ ಔಟ್‌ಪುಟ್ ತಪ್ಪಾದ ರಚನೆ, ಸಂಖ್ಯೆ ಅಥವಾ ಅಪಾಯಕ್ಕೆ ಕಾರಣವಾಗಬಹುದು.

2. ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಗೆ ಅಣುವನ್ನು ವಿವರಿಸಲು ಅತ್ಯಂತ ವಿಶ್ವಾಸಾರ್ಹ ಮಾರ್ಗ ಯಾವುದು?

• ಎ) ಸಾಮಾನ್ಯ ಟರ್ಕಿಶ್ ಹೆಸರನ್ನು ಮಾತ್ರ ಬರೆಯುವುದು
• B) SMILES ನಂತಹ ರಚನೆಯ ಪ್ರಾತಿನಿಧ್ಯವನ್ನು ನೀಡುವುದು ಮತ್ತು InChIKey ಜೊತೆಗೆ ಗುರುತನ್ನು ದೃಢೀಕರಿಸುವುದು ✔
• ಸಿ) ಕೇವಲ ಆಣ್ವಿಕ ತೂಕವನ್ನು ಹೇಳುವುದು
• ಡಿ) ಟ್ರೇಡ್‌ಮಾರ್ಕ್ ಅನ್ನು ಬರೆಯಲು ಸಾಕು

ವಿವರಣೆ: ಹೆಸರುಗಳು (ವಿಶೇಷವಾಗಿ ವ್ಯಾಪಾರ ಮತ್ತು ಸಮಾನಾರ್ಥಕ ಹೆಸರುಗಳು) ಅಸ್ಪಷ್ಟವಾಗಿರುತ್ತವೆ ಮತ್ತು ತಪ್ಪು ಅಣುಗಳಿಗೆ ಕಾರಣವಾಗಬಹುದು. SMILES ನಂತಹ ರಚನೆಯ ಸಂಕೇತವನ್ನು ಅಣುವಿಗೆ ನೀಡುವುದು ನಿಖರತೆಯನ್ನು ಒದಗಿಸುತ್ತದೆ; InChIKey ಜೊತೆಗಿನ ಡೇಟಾಬೇಸ್‌ನಲ್ಲಿ ಅವರ ಗುರುತನ್ನು ದೃಢೀಕರಿಸಲಾಗಿದೆ. ಹೆಚ್ಚುವರಿಯಾಗಿ, ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯಿಂದ ನೀಡಲಾದ ಸ್ಮೈಲ್‌ಗಳನ್ನು RDKit ನೊಂದಿಗೆ ಪಾರ್ಸ್ ಮಾಡಬೇಕು ಮತ್ತು ಅಂಗೀಕೃತಗೊಳಿಸುವಿಕೆಯಿಂದ ಪರಿಶೀಲಿಸಬೇಕು.

3. ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆ ನೀಡಿದ ಆಣ್ವಿಕ ತೂಕವನ್ನು ನೀವು ಹೇಗೆ ಬಳಸಬೇಕು?

• ಎ) ಅದನ್ನು ನೇರವಾಗಿ ಬಳಸುವುದು, ಏಕೆಂದರೆ AI ಸಂಖ್ಯೆಗಳಲ್ಲಿ ವಿಶ್ವಾಸಾರ್ಹವಾಗಿದೆ
• ಬಿ) ಸೂತ್ರದಿಂದ ಹಸ್ತಚಾಲಿತವಾಗಿ ಅಥವಾ RDKit ✔ ನೊಂದಿಗೆ ಸ್ವತಂತ್ರವಾಗಿ ಲೆಕ್ಕಾಚಾರ ಮಾಡಿ ಮತ್ತು ಪರಿಶೀಲಿಸಿ
• ಸಿ) ಇನ್ನೊಂದು ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯನ್ನು ಕೇಳಿ ಮತ್ತು ಹೋಲಿಕೆ ಮಾಡಿದರೆ ಸಾಕು
• ಡಿ) ಆಣ್ವಿಕ ತೂಕವು ಮುಖ್ಯವಲ್ಲ, ಪರಿಶೀಲನೆಯ ಅಗತ್ಯವಿಲ್ಲ

ವಿವರಣೆ: ಆಣ್ವಿಕ ತೂಕವು ಆಣ್ವಿಕ ಸೂತ್ರದಿಂದ ನಿರ್ಣಾಯಕವಾಗಿ ಲೆಕ್ಕಾಚಾರ ಮಾಡಲಾದ ಪ್ರಮಾಣವಾಗಿದೆ. ಆದ್ದರಿಂದ ಭಾಷಾ ಮಾದರಿಯನ್ನು ಕೇಳುವುದು ದುರ್ಬಲ ಮಾರ್ಗವಾಗಿದೆ; ಇದನ್ನು RDKit ನಂತಹ ಉಪಕರಣದೊಂದಿಗೆ ಸ್ವತಂತ್ರವಾಗಿ ಪರಿಶೀಲಿಸಬೇಕು ಅಥವಾ ಸೂತ್ರದಿಂದ ಹಸ್ತಚಾಲಿತವಾಗಿ ಲೆಕ್ಕಾಚಾರ ಮಾಡಬೇಕು. ಭಾಷಾ ಮಾದರಿಯು ಅಂತಹ ಸಂಖ್ಯೆಗಳನ್ನು 'ಸಂಭವನೀಯವಾಗಿ ಕಾಣುವ' ಮೌಲ್ಯದೊಂದಿಗೆ ಹೊಂದಿಸಬಹುದು.

4. ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯಿಂದ ಹಿಂತಿರುಗಿಸಿದ ಸಾಹಿತ್ಯ ಉಲ್ಲೇಖವನ್ನು (ಲೇಖನ/DOI) ಬಳಸುವ ಮೊದಲು ಏನು ಮಾಡಬೇಕು?

• ಎ) ಏನೂ ಇಲ್ಲ; ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆ ಉಲ್ಲೇಖವನ್ನು ನೀಡಿದರೆ, ಅದು ನಿಜ
• ಬಿ) ಶೀರ್ಷಿಕೆಯನ್ನು ನೋಡುವುದು ಮನವರಿಕೆಯಾಗುವಂತೆ ಮಾಡಲು ಸಾಕು.
• ಸಿ) ಪ್ರತಿ ಉಲ್ಲೇಖ ಮತ್ತು DOI ಅನ್ನು ಡೇಟಾಬೇಸ್‌ನಲ್ಲಿ ಡಿಕೋಡ್ ಮಾಡುವ ಮೂಲಕ ದೃಢೀಕರಿಸುವುದು (doi.org, Crossref) ✔
• D) ದೀರ್ಘ DOI ಸಂಖ್ಯೆಯು ನಿಜವೆಂದು ಸಾಬೀತುಪಡಿಸುತ್ತದೆ.

ವಿವರಣೆ: ಭಾಷಾ ಮಾದರಿಯು ವಾಸ್ತವಿಕವಾಗಿ ಕಾಣುವ ಆದರೆ ಅಸ್ತಿತ್ವದಲ್ಲಿಲ್ಲದ ಲೇಖನಗಳು, ಲೇಖಕರು ಮತ್ತು DOIಗಳನ್ನು ರಚಿಸಬಹುದು (ನಕಲಿ ಉಲ್ಲೇಖ). ಅದು DOI ಅನ್ನು ನೀಡುವುದರಿಂದ ಅದು ಮಾನ್ಯವಾಗಿದೆ ಎಂದು ಅರ್ಥವಲ್ಲ. ಪ್ರತಿಯೊಂದು ಉಲ್ಲೇಖವನ್ನು doi.org, Crossref, ಅಥವಾ ಪ್ರಕಾಶಕರ ಸೈಟ್‌ನಂತಹ ಡೇಟಾಬೇಸ್‌ನಲ್ಲಿ ರೆಸಲ್ಯೂಶನ್ ಮೂಲಕ ಪರಿಶೀಲಿಸಬೇಕು; ಮಾನವನು ನೈಜ ಲೇಖನವನ್ನು ಕಂಡುಹಿಡಿಯುವುದು ಮತ್ತು ಪಠ್ಯವನ್ನು ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯಿಂದ ಸಂಕ್ಷಿಪ್ತಗೊಳಿಸುವುದು ಸುರಕ್ಷಿತವಾದ ಹರಿವು.

5. ಯಾವ ಪ್ರದೇಶದಲ್ಲಿ ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆ ದುರ್ಬಲವಾಗಿದೆ ಮತ್ತು ಪ್ರತಿಕ್ರಿಯೆ ಯೋಜನೆಯಲ್ಲಿ ದೃಢೀಕರಣದ ಅಗತ್ಯವಿದೆ?

• ಎ) ಪ್ರತಿಕ್ರಿಯೆಯು ಯಾವ ಸಾಮಾನ್ಯ ವರ್ಗಕ್ಕೆ ಸೇರಿದೆ ಎಂಬುದನ್ನು ಗುರುತಿಸುವಲ್ಲಿ
• ಬಿ) ನಿಖರವಾದ ಸ್ಥಿತಿ ಸಂಖ್ಯೆಗಳು, ಇಳುವರಿ ಮೌಲ್ಯಗಳು ಮತ್ತು ಕಾರಕ/ವೇಗವರ್ಧಕ ಹೆಸರುಗಳು ✔
• ಸಿ) ಸರಳ ಭಾಷೆಯಲ್ಲಿ ಯಾಂತ್ರಿಕತೆಯನ್ನು ವಿವರಿಸುವುದು
• ಡಿ) ಪರ್ಯಾಯ ಮಾರ್ಗಗಳಿಗಾಗಿ ಬುದ್ದಿಮತ್ತೆ

ವಿವರಣೆ: AI ಸಾಮಾನ್ಯವಾಗಿ ಪ್ರತಿಕ್ರಿಯೆಯ ಪ್ರಕಾರವನ್ನು ಮತ್ತು ಉತ್ತಮವಾಗಿ ದಾಖಲಿಸಲಾದ ಪ್ರತಿಕ್ರಿಯೆಗಳ ಮುಖ್ಯ ಉತ್ಪನ್ನವನ್ನು ಚೆನ್ನಾಗಿ ಊಹಿಸುತ್ತದೆ. ಆದಾಗ್ಯೂ, ನಿಖರವಾದ ಸ್ಥಿತಿಯ ಸಂಖ್ಯೆಗಳು (ತಾಪಮಾನ, ಸಮಯ, ಸಮಾನ), ಇಳುವರಿ ಮೌಲ್ಯಗಳು, ಅಪರೂಪದ ಪ್ರತಿಕ್ರಿಯೆಗಳು ಮತ್ತು ಕಾರಕ/ವೇಗವರ್ಧಕ ಹೆಸರುಗಳು ದುರ್ಬಲವಾಗಿರುತ್ತವೆ ಮತ್ತು ತಯಾರಿಕೆಗೆ ಹೆಚ್ಚು ಒಳಗಾಗುತ್ತವೆ; ಇವುಗಳನ್ನು ಸಾಹಿತ್ಯ ಮತ್ತು ಕ್ಯಾಟಲಾಗ್‌ಗಳೊಂದಿಗೆ ದೃಢೀಕರಿಸಬೇಕು.

6. ಸ್ಪೆಕ್ಟ್ರಮ್ ವ್ಯಾಖ್ಯಾನದಲ್ಲಿ ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯನ್ನು ಬಳಸುವ ಅತ್ಯಂತ ವಿಶ್ವಾಸಾರ್ಹ ಮಾರ್ಗ ಯಾವುದು?

• ಎ) ಕೆಲವು ಶಿಖರಗಳನ್ನು ನೀಡಿ ಮತ್ತು 'ಇದು ಯಾವ ಸ್ಪೆಕ್ಟ್ರಮ್?' ಕೇಳಲು
• ಬಿ) ನಿರೀಕ್ಷಿತ ರಚನೆ ಮತ್ತು ಸಂಪೂರ್ಣ ಕಚ್ಚಾ ಡೇಟಾವನ್ನು ನೀಡುವುದು ಮತ್ತು ಸ್ಥಿರತೆಯ ಪರಿಶೀಲನೆಯನ್ನು ಹೊಂದಿರುವುದು (ಊಹನ ಪರೀಕ್ಷೆ) ✔
• ಸಿ) ಏಕೀಕರಣ ಮತ್ತು ವಿಭಜನೆಯನ್ನು ನಿರ್ವಹಿಸದೆ ಶಿಫ್ಟ್ ಮೌಲ್ಯಗಳನ್ನು ಮಾತ್ರ ಬರೆಯುವುದು
• ಡಿ) ಒಂದೇ ತಂತ್ರದೊಂದಿಗೆ (IR ಮಾತ್ರ) ನಿರ್ಣಾಯಕ ರಚನೆಯ ನಿಯೋಜನೆಯನ್ನು ಹೊಂದಿರುವುದು

ವಿವರಣೆ: AI ಅನ್ನು ಕೇಳಿ 'ಈ ಸ್ಪೆಕ್ಟ್ರಮ್ ಯಾವುದು?' ಮೊದಲಿನಿಂದ ಕೇಳುವುದು ದೋಷದ ಪ್ರಮಾಣವನ್ನು ಹೆಚ್ಚಿಸುತ್ತದೆ. ಅತ್ಯಂತ ವಿಶ್ವಾಸಾರ್ಹ ಮಾರ್ಗವೆಂದರೆ ನಿರೀಕ್ಷಿತ ರಚನೆ (SMILES) ಮತ್ತು ಕಚ್ಚಾ ಡೇಟಾವನ್ನು (ಏಕೀಕರಣ, ವಿಭಜನೆ, ಪರಿಹಾರಕ, ಗರಿಷ್ಠ ಪಟ್ಟಿ) ಒಟ್ಟಿಗೆ ನೀಡುವುದು ಮತ್ತು 'ಈ ಡೇಟಾವು ಈ ರಚನೆಯೊಂದಿಗೆ ಸ್ಥಿರವಾಗಿದೆಯೇ?' ಕೇಳುವುದು; ಅಂದರೆ, ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯನ್ನು ಊಹೆಯ ಪರೀಕ್ಷಕನಂತೆ ಬಳಸುವುದು. ಪ್ರಾಯೋಗಿಕ ಸ್ಪೆಕ್ಟ್ರಮ್ ಅನ್ನು ಪರೀಕ್ಷಿಸುವ ರಸಾಯನಶಾಸ್ತ್ರಜ್ಞನಿಗೆ ಅಂತಿಮ ನಿಯೋಜನೆಯಾಗಿದೆ.

7. ರಾಸಾಯನಿಕ ಲೆಕ್ಕಾಚಾರದ ಫಲಿತಾಂಶವನ್ನು ಪಡೆಯುವ ಅತ್ಯಂತ ವಿಶ್ವಾಸಾರ್ಹ ಮಾರ್ಗ ಯಾವುದು (ಉದಾ. ಶೇಕಡಾ ಇಳುವರಿ)?

• ಎ) ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯಿಂದ ಮೌಖಿಕವಾಗಿ ಫಲಿತಾಂಶವನ್ನು ನೇರವಾಗಿ ವಿನಂತಿಸುವುದು
• ಬಿ) ಖಾತೆಯ ಪೈಥಾನ್ ಕೋಡ್ ಅನ್ನು ಮುದ್ರಿಸಿ ಮತ್ತು ರನ್ ಮಾಡಿ ಮತ್ತು ತಿಳಿದಿರುವ ಉದಾಹರಣೆಯೊಂದಿಗೆ ಅದನ್ನು ಪರೀಕ್ಷಿಸಿ ✔
• ಸಿ) ಒಂದೇ ಪ್ರಶ್ನೆಯನ್ನು ಹಲವಾರು ಬಾರಿ ಕೇಳಿ ಮತ್ತು ಆಗಾಗ್ಗೆ ಬರುವ ಸಂಖ್ಯೆಯನ್ನು ಪಡೆಯಿರಿ
• ಡಿ) ಘಟಕವನ್ನು ನಿರ್ದಿಷ್ಟಪಡಿಸದೆ ತ್ವರಿತವಾಗಿ ಅಂದಾಜು ಮಾಡುವುದು

ವಿವರಣೆ: ಭಾಷಾ ಮಾದರಿಯು 'ಸಂಭವನೀಯ ಫಲಿತಾಂಶವನ್ನು ಊಹಿಸುವ' ಮೂಲಕ ಅಂಕಗಣಿತವನ್ನು ಮಾಡುತ್ತದೆ ಮತ್ತು ತುಂಬಾ ಸರಳವಾದ ಗುಣಾಕಾರಗಳೊಂದಿಗೆ ಸಹ ತಪ್ಪಾಗಿರಬಹುದು. AI ತನ್ನ ಕೋಡ್ ಅನ್ನು ಬರೆಯಲು (ಉದಾ: ಪೈಥಾನ್), ಖಾತೆಯೇ ಅಲ್ಲ, ಮತ್ತು ಆ ಕೋಡ್ ಅನ್ನು ರನ್ ಮಾಡುವುದು ಅತ್ಯಂತ ವಿಶ್ವಾಸಾರ್ಹ ಮಾರ್ಗವಾಗಿದೆ; ಕೋಡ್ ನಿರ್ಣಾಯಕ ಮತ್ತು ಆಡಿಟ್ ಮಾಡಬಹುದಾಗಿದೆ. ಉತ್ತರ ತಿಳಿದಿರುವ ಸಣ್ಣ ಮಾದರಿಯೊಂದಿಗೆ ಕೋಡ್ ಅನ್ನು ಸಹ ಪರೀಕ್ಷಿಸಬೇಕು.

8. ಆಣ್ವಿಕ ಆಸ್ತಿ ಭವಿಷ್ಯದಲ್ಲಿ 'ಅನ್ವಯತೆಯ ಡೊಮೇನ್' ಪರಿಕಲ್ಪನೆಯ ಅರ್ಥವೇನು?

• ಎ) ಮಾದರಿ ಚಾಲನೆಯಲ್ಲಿರುವ ಕಂಪ್ಯೂಟರ್‌ನ ಸಂಸ್ಕರಣಾ ಶಕ್ತಿ
• ಬಿ) ತರಬೇತಿ ಡೇಟಾವನ್ನು ಹೋಲುವ ಆಣ್ವಿಕ ಪ್ರದೇಶ, ಅಲ್ಲಿ ಮಾದರಿಯು ವಿಶ್ವಾಸಾರ್ಹ ಮುನ್ನೋಟಗಳನ್ನು ನೀಡುತ್ತದೆ ✔
• ಸಿ) ಮಾದರಿ ನೀಡಿದ ಸಂಖ್ಯೆ ಯಾವಾಗಲೂ ನಿಖರವಾಗಿರುವ ಭರವಸೆ ಪ್ರದೇಶ
• ಡಿ) ಪ್ರಯೋಗಾಲಯದಲ್ಲಿ ಅಣುವನ್ನು ಸಂಶ್ಲೇಷಿಸಬಹುದಾದ ತಾಪಮಾನ ಶ್ರೇಣಿ

ವಿವರಣೆ: QSAR/ಮುನ್ಸೂಚನೆ ಮಾದರಿಯು ತರಬೇತಿ ಪಡೆದ ಅಣುಗಳಂತೆಯೇ ಇರುವ ಅಣುಗಳ ಮೇಲೆ ಉತ್ತಮವಾಗಿ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತದೆ. ತರಬೇತಿ ದತ್ತಾಂಶದಿಂದ ತುಂಬಾ ಭಿನ್ನವಾಗಿರುವ ಅಣುವನ್ನು ನೀಡಿದರೆ, ಮಾದರಿಯು ಇನ್ನೂ ಸಂಖ್ಯೆಯನ್ನು ಉತ್ಪಾದಿಸುತ್ತದೆ, ಆದರೆ ಇದು ವಿಶ್ವಾಸಾರ್ಹವಲ್ಲ; ಇದನ್ನು 'ಅನ್ವಯಿಕತೆಯ ವ್ಯಾಪ್ತಿಯಿಂದ ಹೊರಗಿರುವುದು' ಎಂದು ಕರೆಯಲಾಗುತ್ತದೆ. ಮಾದರಿ ಯಾವಾಗಲೂ ಉತ್ತರವನ್ನು ನೀಡುತ್ತದೆ; ಉತ್ತರವು ವಿಶ್ವಾಸಾರ್ಹವಾಗಿದೆಯೇ ಅಥವಾ ಇಲ್ಲವೇ ಎಂಬುದನ್ನು ಮೌಲ್ಯಮಾಪನ ಮಾಡುವುದು ಮನುಷ್ಯನಿಗೆ ಬಿಟ್ಟದ್ದು.

9. ಪ್ರಯೋಗ ದಾಖಲಾತಿಯಲ್ಲಿನ ವೀಕ್ಷಣೆಗಳೊಂದಿಗೆ ವ್ಯವಹರಿಸುವ ಸರಿಯಾದ ವಿಧಾನ ಯಾವುದು?

• ಎ) ಸಮಯವನ್ನು ಉಳಿಸಲು ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಗೆ ಅವಲೋಕನಗಳನ್ನು ಬರೆಯುವುದು
• ಬಿ) ಪ್ರಯೋಗವನ್ನು ಮಾಡುವ ವ್ಯಕ್ತಿಯು ಅವಲೋಕನಗಳನ್ನು ಬರೆಯುತ್ತಾನೆ; AI ಮಾತ್ರ ಫಾರ್ಮ್ಯಾಟ್‌ಗಳು ಮತ್ತು ಚೆಕ್‌ಗಳು ✔
• ಸಿ) ಅವಲೋಕನಗಳನ್ನು ದಾಖಲಿಸದಿರುವುದು ಸಾಕು, ಅಂತಿಮ ಇಳುವರಿಯನ್ನು ಬರೆಯಿರಿ
• ಡಿ) ವರದಿಯನ್ನು ಉತ್ತಮವಾಗಿ ಕಾಣುವಂತೆ ಮಾಡಲು ಯೋಜನೆಯಿಂದ ವ್ಯತ್ಯಾಸಗಳನ್ನು ಮರೆಮಾಡುವುದು

ವಿವರಣೆ: ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಗೆ ಅದು ಏನೆಂದು ತಿಳಿದಿಲ್ಲ; ಅವಲೋಕನಗಳನ್ನು (ಬಣ್ಣ ಬದಲಾವಣೆ, ಅನಿಲ ಬಿಡುಗಡೆ, ಇತ್ಯಾದಿ) ಅದಕ್ಕೆ ಸರಿಹೊಂದುವಂತೆ ಮಾಡುವುದರಿಂದ ತೋರಿಕೆಯಂತೆ ತೋರುವ ಆದರೆ ಸಂಭವಿಸದ ದಾಖಲೆಗಳನ್ನು ಉತ್ಪಾದಿಸುತ್ತದೆ ಮತ್ತು ಇದು ವೈಜ್ಞಾನಿಕ ವಂಚನೆಯಾಗಿದೆ. AI ರೆಕಾರ್ಡಿಂಗ್ ಅನ್ನು ಫಾರ್ಮ್ಯಾಟ್ ಮಾಡುತ್ತದೆ, ಕಳೆದುಹೋದ ಕ್ಷೇತ್ರಗಳನ್ನು ಮರುಪಡೆಯುತ್ತದೆ ಮತ್ತು ಪುನರಾವರ್ತನೆಗಾಗಿ ಪರಿಶೀಲಿಸುತ್ತದೆ; ಆದರೆ ಮಾನವ ಪ್ರಯೋಗಕಾರನು ಅವಲೋಕನಗಳು ಮತ್ತು ಸತ್ಯಗಳನ್ನು ಒದಗಿಸಬೇಕು. ಯೋಜನೆಯಿಂದ ವಿಚಲನಗಳನ್ನು ಸಹ ದಾಖಲಿಸಬೇಕು.

10. ಪ್ರಯೋಗಾಲಯ ಸುರಕ್ಷತೆ ಮತ್ತು ಸತ್ಯದ ಮೂಲದಲ್ಲಿ ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯ ಪಾತ್ರವೇನು?

• ಎ) ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯು 'ಸುರಕ್ಷಿತ' ಎಂದು ಹೇಳಿದರೆ, ಇನ್ನೊಂದು ಮೂಲದ ಅಗತ್ಯವಿಲ್ಲ
• ಬಿ) ಸತ್ಯದ ಮೂಲವು SDS ಮತ್ತು GHS ಆಗಿದೆ; AI ಸಹಾಯಕವಾಗಿದೆ ಆದರೆ ಅಂತಿಮ ಹೇಳಿಕೆಯನ್ನು ಹೊಂದಲು ಸಾಧ್ಯವಿಲ್ಲ ✔
• ಸಿ) ಭದ್ರತಾ ನಿರ್ಧಾರಗಳನ್ನು ಸಂಪೂರ್ಣವಾಗಿ ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಗೆ ನಿಯೋಜಿಸಬಹುದು
• ಡಿ) SDS ಅನಗತ್ಯ; ಇಂಟರ್ನೆಟ್ ವೇದಿಕೆಗಳು ಸಾಕಷ್ಟು ಮಾಹಿತಿಯನ್ನು ಒದಗಿಸುತ್ತವೆ.

ವಿವರಣೆ: ರಸಾಯನಶಾಸ್ತ್ರದಲ್ಲಿ ಸುರಕ್ಷತೆಯು ಹೆಚ್ಚಿನ ಆದ್ಯತೆಯಾಗಿದೆ ಮತ್ತು ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆ ಇಲ್ಲಿ ಕೊನೆಯ ಪದವನ್ನು ಎಂದಿಗೂ ಹೊಂದಿರುವುದಿಲ್ಲ. ತಯಾರಕರು ಒದಗಿಸಿದ SDS (ಸುರಕ್ಷತಾ ಡೇಟಾ ಶೀಟ್) ಮತ್ತು GHS ವರ್ಗೀಕರಣವು ನಿಜವಾದ ಸುರಕ್ಷತಾ ಮಾಹಿತಿಯ ಮೂಲವಾಗಿದೆ. AI SDS ಪಠ್ಯವನ್ನು ಸಂಕ್ಷಿಪ್ತಗೊಳಿಸಬಹುದು, ಫಾರ್ಮ್ ಡ್ರಾಫ್ಟ್‌ಗಳನ್ನು ರಚಿಸಬಹುದು ಮತ್ತು ಪ್ರಾಥಮಿಕ ಅನುಸರಣೆಯಿಲ್ಲದ ಸ್ಕ್ರೀನಿಂಗ್ ಅನ್ನು ನಿರ್ವಹಿಸಬಹುದು; ಆದಾಗ್ಯೂ, ಎಲ್ಲಾ ಕ್ಲೈಮ್‌ಗಳನ್ನು SDS ನೊಂದಿಗೆ ಪರಿಶೀಲಿಸಬೇಕು ಮತ್ತು ಕಾರ್ಯವಿಧಾನವನ್ನು ಅನುಭವಿ ವ್ಯಕ್ತಿ/ಭದ್ರತಾ ಅಧಿಕಾರಿಯಿಂದ ಅನುಮೋದಿಸಬೇಕು.

11. ಈ ಕೆಳಗಿನ ಯಾವ ಕಾರಕಗಳ ಸಂಯೋಜನೆಯು ತಿಳಿದಿರುವ ಅಪಾಯಕಾರಿ (ಹೊಂದಾಣಿಕೆಯಾಗದ) ಹೊಂದಾಣಿಕೆಯಾಗಿದೆ?

• ಎ) ನೀರು ಮತ್ತು ಟೇಬಲ್ ಉಪ್ಪನ್ನು ಮಿಶ್ರಣ ಮಾಡುವುದು
• ಬಿ) ಹೈಪೋಕ್ಲೋರೈಟ್ (ಕ್ಲೋರಿನ್ ಅನಿಲದ ಅಪಾಯ) ಹೊಂದಿರುವ ದ್ರಾವಣದೊಂದಿಗೆ ಆಮ್ಲೀಯ ದ್ರಾವಣವನ್ನು ಮಿಶ್ರಣ ಮಾಡುವುದು ✔
• ಸಿ) ಎಥೆನಾಲ್ ಮತ್ತು ನೀರನ್ನು ಮಿಶ್ರಣ ಮಾಡುವುದು
• ಡಿ) ಸಕ್ಕರೆ ಮತ್ತು ನೀರನ್ನು ಕರಗಿಸುವುದು

ವಿವರಣೆ: ಕೆಲವು ರಾಸಾಯನಿಕಗಳು ತುಲನಾತ್ಮಕವಾಗಿ ಸುರಕ್ಷಿತವಾಗಿದ್ದರೆ, ಅವು ಒಟ್ಟಿಗೆ ಅಪಾಯಕಾರಿ. ಆಮ್ಲ ಮತ್ತು ಹೈಪೋಕ್ಲೋರೈಟ್ ಮಿಶ್ರಣವು ಕ್ಲೋರಿನ್ ಅನಿಲವನ್ನು ಬಿಡುಗಡೆ ಮಾಡುತ್ತದೆ; ಆಕ್ಸಿಡೈಸರ್ + ಸಾವಯವ ಬೆಂಕಿ/ಸ್ಫೋಟ, ನೀರು + ಪ್ರತಿಕ್ರಿಯಾತ್ಮಕ ಲೋಹದ ಶಾಖ/ಹೈಡ್ರೋಜನ್ ಅಪಾಯವನ್ನು ಒಡ್ಡುತ್ತದೆ. AI ಈ ಸಂಯೋಜನೆಗಳಲ್ಲಿ ಹೆಚ್ಚಿನದನ್ನು ತಿಳಿದಿದ್ದರೂ, ಅದು ಎಲ್ಲವನ್ನೂ ಖಾತರಿಪಡಿಸುವುದಿಲ್ಲ ಮತ್ತು ಕೆಲವೊಮ್ಮೆ ಮುಗ್ಧ ಭಾಷೆಯಲ್ಲಿ ಅಪಾಯಕಾರಿ ಸಲಹೆಯನ್ನು ಪ್ರಸ್ತುತಪಡಿಸಬಹುದು; SDS ನ ಅನುಸರಣೆಗಾಗಿ ಪ್ರತಿ ಕಾರ್ಯವಿಧಾನವನ್ನು ಪರೀಕ್ಷಿಸಬೇಕು.

12. 'ಭ್ರಮೆ'ಗೆ ಅತ್ಯಂತ ನಿಖರವಾದ ಅಭಿವ್ಯಕ್ತಿ ಯಾವುದು (ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯನ್ನು ಉತ್ಪಾದಿಸುವ ಫ್ಯಾಬ್ರಿಕೇಟೆಡ್ ಮಾಹಿತಿ)?

• ಎ) ಇದು ಅಪರೂಪದ ಸಾಫ್ಟ್‌ವೇರ್ ದೋಷವಾಗಿದೆ ಮತ್ತು ನವೀಕರಣದೊಂದಿಗೆ ಸಂಪೂರ್ಣವಾಗಿ ತೆಗೆದುಹಾಕಲಾಗಿದೆ.
• ಬಿ) ಇದು ಭಾಷಾ ಮಾದರಿಯಲ್ಲಿ ಅಂತರ್ಗತವಾಗಿರುವ ನಡವಳಿಕೆಯಾಗಿದೆ; ಪ್ರತಿ ಔಟ್‌ಪುಟ್ ✔ ಅನ್ನು ಸ್ವತಂತ್ರವಾಗಿ ಪರಿಶೀಲಿಸುವುದು ಪರಿಹಾರವಾಗಿದೆ
• ಸಿ) ಇದು ತಪ್ಪಾಗಿ ಬರೆದ ಪ್ರಾಂಪ್ಟ್‌ಗಳಲ್ಲಿ ಮಾತ್ರ ಗೋಚರಿಸುತ್ತದೆ, ಸರಿಯಾದ ಪ್ರಾಂಪ್ಟ್‌ಗಳಲ್ಲಿ ಎಂದಿಗೂ ಕಾಣಿಸುವುದಿಲ್ಲ.
• ಡಿ) ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆ ಸುರಕ್ಷಿತ ಭಾಷೆಯಲ್ಲಿ ಮಾತನಾಡಿದರೆ, ಅದು ಭ್ರಮೆಯಲ್ಲ

ವಿವರಣೆ: ಭ್ರಮೆಯು ಅಸಮರ್ಪಕ ಕ್ರಿಯೆಯಲ್ಲ ಆದರೆ 'ಮುಂದಿನ ಬಹುಪಾಲು ಪದ'ವನ್ನು ಉತ್ಪಾದಿಸುವ ಭಾಷಾ ಮಾದರಿಯ ಸ್ವರೂಪದ ಪರಿಣಾಮವಾಗಿದೆ; ಮಾದರಿಯು ಸಾಧ್ಯವಿರುವ ಗುರಿಯನ್ನು ಹೊಂದಿದೆ, ನಿಜವಲ್ಲ. ಅತ್ಯಂತ ಕಪಟ ಭಾಗವೆಂದರೆ ಅದು ಸುಳ್ಳು ಮಾಹಿತಿಯನ್ನು ಸತ್ಯದಂತೆಯೇ ಅದೇ ಆತ್ಮವಿಶ್ವಾಸದ ಭಾಷೆಯಲ್ಲಿ ಪ್ರಸ್ತುತಪಡಿಸುತ್ತದೆ. ಪರಿಹಾರವು ಮಾದರಿಯನ್ನು ಸರಿಪಡಿಸಲು ಪ್ರಯತ್ನಿಸುವುದು ಅಲ್ಲ, ಆದರೆ ಪ್ರತಿ ಔಟ್‌ಪುಟ್‌ನ ಸುತ್ತಲೂ ಟೈಪ್-ಸೂಕ್ತವಾದ ಮೌಲ್ಯೀಕರಣ ಶೆಲ್ ಅನ್ನು ನಿರ್ಮಿಸುವುದು; ನಿರರ್ಗಳತೆ ಎಂದಿಗೂ ನಿಖರತೆಯ ಪುರಾವೆಯಲ್ಲ.

13. ನಿರ್ಣಾಯಕ ಮೌಲ್ಯವನ್ನು ಪರಿಶೀಲಿಸಲು 'ತ್ರಿಕೋನ' ಎಂದರೆ ಏನು (ಉದಾ. ಆಣ್ವಿಕ ತೂಕ)?

• ಎ) ಅದೇ ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಗೆ ಒಂದೇ ಪ್ರಶ್ನೆಯನ್ನು ಮೂರು ಬಾರಿ ಕೇಳುವುದು
• ಬಿ) ಒಂದಕ್ಕಿಂತ ಹೆಚ್ಚು ಸ್ವತಂತ್ರ ರೀತಿಯಲ್ಲಿ ಒಂದೇ ತೀರ್ಮಾನಕ್ಕೆ ಹೋಲಿಸುವುದು ಮತ್ತು ತಲುಪುವುದು ✔
• ಸಿ) ಒಂದೇ ಸಮಯದಲ್ಲಿ ಮೂರು ವಿಭಿನ್ನ ಅಣುಗಳ ತೂಕವನ್ನು ಲೆಕ್ಕಾಚಾರ ಮಾಡುವುದು
• ಡಿ) ಫಲಿತಾಂಶವನ್ನು ಮೂರು ದಶಮಾಂಶ ಸ್ಥಾನಗಳಿಗೆ ಪೂರ್ಣಗೊಳಿಸುವುದು

ವಿವರಣೆ: ತ್ರಿಕೋನವು ಬಹು ಸ್ವತಂತ್ರ ಮಾರ್ಗಗಳ ಮೂಲಕ ಒಂದೇ ತೀರ್ಮಾನವನ್ನು ತಲುಪುತ್ತದೆ; ಉದಾಹರಣೆಗೆ, ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆ, RDKit ಲೆಕ್ಕಾಚಾರ ಮತ್ತು ಹಸ್ತಚಾಲಿತ ಲೆಕ್ಕಾಚಾರದ ಪ್ರಕಾರ ಆಣ್ವಿಕ ತೂಕವನ್ನು ಹೋಲಿಸುವುದು. ಎರಡು ಸ್ವತಂತ್ರ ಮಾರ್ಗಗಳು ಅತಿಕ್ರಮಿಸಿದರೆ, ನಂಬಿಕೆ ಹೆಚ್ಚು; ಯಾರಾದರೂ ಅಡ್ಡಿಪಡಿಸಿದರೆ, ಅದನ್ನು ನಿಲ್ಲಿಸಿ ತನಿಖೆ ಮಾಡಲಾಗುತ್ತದೆ. ಒಂದೇ ಮೂಲವನ್ನು ಅವಲಂಬಿಸುವ ಬದಲು, ಕನಿಷ್ಠ ಎರಡು ಸ್ವತಂತ್ರ ವಿಧಾನಗಳನ್ನು ಹುಡುಕಬೇಕು.

14. ಪೇಟೆಂಟ್ ಪಡೆಯದ ವಿಶಿಷ್ಟ ಅಣುವಿನ ಬಗ್ಗೆ ಸಾಮಾನ್ಯ AI ಸೇವೆಯನ್ನು ಕೇಳಲು ಸರಿಯಾದ ಮಾರ್ಗ ಯಾವುದು?

• ಎ) ಮೂಲ ರಚನೆಯನ್ನು ನೇರವಾಗಿ ನೀಡುವುದು, ಏಕೆಂದರೆ ವೇಗವು ಮುಖ್ಯವಾಗಿದೆ
• B) ಮೂಲ ರಚನೆಯನ್ನು ಬಹಿರಂಗಪಡಿಸದೆ ಸಾಮಾನ್ಯ/ಬದಲಿ ಉದಾಹರಣೆಯ ಮೂಲಕ ತಂತ್ರವನ್ನು ಕಲಿಯುವುದು ✔
• ಸಿ) ರಚನೆಯನ್ನು ನೀಡುವುದು ಸಮಸ್ಯೆಯಲ್ಲ, AI ಎಂದಿಗೂ ಮಾಹಿತಿಯನ್ನು ಮರೆಮಾಡುವುದಿಲ್ಲ
• ಡಿ) ಅಣುವಿನ ಹೆಸರನ್ನು ನೀಡದೆ ಅದರ ಸಂಪೂರ್ಣ ಸ್ಮೈಲ್‌ಗಳನ್ನು ಹಂಚಿಕೊಳ್ಳುವುದು ಮಾತ್ರ ಸಾಕಷ್ಟು ರಕ್ಷಣೆಯಾಗಿದೆ.

ವಿವರಣೆ: ಸಾಮಾನ್ಯ ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆ ಸೇವೆಯಲ್ಲಿ ನಮೂದಿಸಿದ ವಿಷಯವನ್ನು ಸೇವಾ ನೀತಿಯ ಪ್ರಕಾರ ಸಂಗ್ರಹಿಸಬಹುದು ಅಥವಾ ಸಂಸ್ಕರಿಸಬಹುದು; ಮೂಲ ರಚನೆಯನ್ನು ನೀಡುವುದು ಗೌಪ್ಯತೆ ಮತ್ತು ಪೇಟೆಂಟ್ ಆದ್ಯತೆಗೆ ಅಪಾಯವನ್ನುಂಟುಮಾಡುತ್ತದೆ. ಮೂಲ ರಚನೆಯನ್ನು ಬಹಿರಂಗಪಡಿಸದೆ, ಸಾಮಾನ್ಯ/ಬದಿಯ ಉದಾಹರಣೆಯಿಂದ (ಇದೇ ರೀತಿಯ ರಚನೆಗಳ ವರ್ಗ) ತಂತ್ರವನ್ನು ಕಲಿಯುವುದು ಮತ್ತು ಅದನ್ನು ಮನೆಯೊಳಗಿನ ತನ್ನದೇ ಆದ ಅಣುವಿಗೆ ಅನ್ವಯಿಸುವುದು ಸರಿಯಾದ ವಿಧಾನವಾಗಿದೆ. ವೈಯಕ್ತಿಕ/ರೋಗಿಯ ಡೇಟಾವನ್ನು ಸಹ ಗುರುತಿಸಬಹುದಾದ ರೂಪದಲ್ಲಿ ನಮೂದಿಸಬಾರದು.