실험 중인 인간: 윤리, 개인정보 보호, 책임 및 엔드투엔드 워크플로

이득:

인간의 원리를 실험의 엔드투엔드 워크플로우에 통합하고 각 단계에서 인공지능/인간의 역할을 분리할 수 있습니다.
일반 인공 지능에 기밀 구조 및 데이터를 제공하지 않고 일반 프록시 예제로 작업할 수 있는 능력
중요한 지점에 인간 승인 게이트를 배치하고 투명성과 추적성을 통해 궁극적인 책임을 맡는 능력

이 마지막 단원에서는 전체 모듈을 인간 참여 루프(Human-In-The-Loop)라는 단일 프레임워크로 결합합니다. 이 원칙은 AI의 능력이 아무리 뛰어나더라도 화학적 결정의 모든 중요한 지점을 인간이 이해하고 통제하고 승인해야 한다는 것을 의미합니다. 이 단원에서는 먼저 윤리적 측면과 기밀 유지 측면을 명확히 한 다음 아이디어에서 보고까지 분자를 취하는 엔드투엔드 워크플로우를 구축하고 AI와 인간이 모든 단계에서 노동을 어떻게 나누는지 살펴보겠습니다. 목표는 배운 모든 것을 일상 업무에 적합한 시스템으로 바꾸는 것입니다.

개인 정보 보호: AI에게 무엇을 주지 말아야 할까요?

화학은 특허가 없는 분자, 회사 비밀 합성 경로, 미공개 데이터, 환자 샘플 등 기밀 정보를 다루는 경우가 많습니다. 귀하가 공공 AI 서비스에 입력하는 텍스트는 해당 서비스의 정책에 따라 저장되거나 처리될 수 있습니다. 그러므로:

공개되지 않은 원본 구조(특허 이전 분자)를 공개 AI에 공개하기 전에 기관 정책을 확인하세요.
개인/환자 데이터(임상 샘플)를 식별 가능한 형식으로 입력하지 마십시오.
영업 비밀 종합 경로를 공유하기 전에 기밀 유지 계약을 검토하세요.
필요한 경우 사내/맞춤형 배포 AI 도구를 선택하세요.

주의: 일반 AI에게 분자에 대해 묻는 것은 해당 분자의 구조를 밝히는 것을 의미할 수 있습니다. 특허를 받지 않은 독특한 구조의 경우 우선권(특허권)이 침해될 수 있습니다. 일반/대리 사례를 통해 숨겨진 구조를 요청하세요.

윤리: 네 가지 원칙

투명성: AI를 사용하는 곳을 숨기지 마세요. 출판 및 기관 정책을 준수합니다.
책임: 인간은 최종 결정에 책임이 있습니다. "AI 제안"은 보안 또는 무결성 위반을 변명하지 않습니다.
비악성: 위험하거나 불법적인 합성, 이중 용도(무기 가능성) 애플리케이션에 AI를 사용하지 마십시오.
공정성과 정직성: 데이터를 왜곡하지 말고, 결과를 꾸미지 말고, 귀속을 꾸며내지 마십시오.

엔드투엔드 워크플로우: 분자 → 보고서

이제 전체 모듈을 단일 흐름으로 결합해 보겠습니다. 각 단계에서 AI가 하는 일과 인간이 하는 일의 차이에 주목하세요.

무대

AI의 역할

인간의 (중요한) 역할

1. 사상/문학

개념요약, 검색어

실제 출처 찾기, 저작자 확인

2. 구조 설명

미소를 짓다

RDKit, InChIKey를 사용한 인증

3. 합성계획

역합성, 대안

문헌확인, 진로선택

4. 보안

SDS 요약, 예비 불일치

SDS 판독, 승인, PPE 결정

5. 신청

(없음)

모든 실험실 작업

6. 분석

스펙트럼 코멘트 지원

최종 구조 할당

7. 데이터 처리

코드 작성

코드를 실행하고 결과를 확인하세요.

8. 문서

서식 지정, 제어

관찰, 편차, 서명

9. 보고

초안 텍스트

번호/인용검증, 책임성

이 표는 모듈의 11개 단위가 단일 작업으로 배열되는 방식을 보여줍니다. AI가 가속화됩니다. 사람들은 확인하고 소유합니다.

단계별: 워크플로 설정

역할을 명확히 합니다. 각 작업에 대해 "AI가 결정합니까, 아니면 인간이 결정합니까?" 처음부터 결정하세요.
개인 정보 보호 필터 설정: AI에 아무것도 제공하지 않고 "이게 비공개인가요? 비공개인가요?"라고 질문할 수 있습니다. 묻다.
검증 게이트 배치: 각 단계 끝에 검증 단계가 있습니다(단원 10의 표).
추적성 유지: AI에서 나온 결과, 어떻게 확인되었는지, 누가 승인했는지.
승인 지점 설정: 보안 및 최종 결과와 같은 중요한 지점에서는 사람의 승인이 필수입니다.
피드백: 발견된 모든 오류를 기록하고 작업 흐름을 개선합니다.

복사 가능한 템플릿 4개

1) 개인정보 사전 필터:

질문하기 전에 다음을 고려하십시오.콘텐츠: [내가 묻는 내용]작업: 이 콘텐츠에 게시되지 않은 원본 유물, 개인 데이터 또는 영업 비밀이 포함되어 있습니까? 그렇다면 구조를 숨길 일반/대리 예제를 사용하여 질문을 다시 작성할 수 있는 방법을 제안하십시오.

2) 단계 검증 게이트 종료:

다음 단계를 완료했습니다. [PHASE, 예: 종합 계획].과제: 이 단계에서 확인해야 할 모든 요소(번호, 인용, 구조, 보안 주장)를 나열합니다. 각각에 대해 확인 방법과 확인 대상을 기재합니다. 다음 단계로 넘어가기 전에 닫아야 하는 열려 있는 항목을 표시하세요.

3) 인간-AI 역할 분배 계획:

내 프로젝트: [SHORT DESCRIPTION].작업: 이 프로젝트를 여러 단계로 나눕니다. 각 단계마다 다음을 구분합니다. - AI가 수행할 수 있는 작업(초안, 코드, 요약) - 인간이 결정해야 하는 작업(보안, 결과, 승인). 궁극적인 책임이 인간에게 있는 중요한 지점을 표시하십시오.

4) 보고서 무결성 확인:

다음은 내 보고서 초안입니다.[초안]작업: 다음을 확인하고 표시하십시오.1) 확인되지 않은 숫자/인용이 있습니까?2) AI 사용이 투명하게 명시되어 있습니까?3) 데이터가 "아름답게" 표시됩니까(이상값 숨기기)?4) 보안/윤리적 결함이 있습니까? [확인] 확실하지 않은 부분.

약한 프롬프트 / 강한 프롬프트

약함:

우리 회사의 새로운 비밀 분자를 합성하는 가장 좋은 방법은 무엇입니까?[실제 원본 구조]

이는 원래의 사전 특허 구조를 일반 서비스에 노출시킵니다. 이는 우선순위와 기밀성을 위험에 빠뜨립니다.

강한:

나는 방향족 케톤 클래스의 유사한 구조에 대한 일반적인 역합성 전략을 배우고 싶습니다. 구체적이고 독창적인 구조를 제시하지 않고 일반적인 예(아세토페논 유도체)를 통해 설명합니다. 나는 사내에서 내 자신의 분자에 전략을 적용할 것입니다.

차이점: 잠재 구조를 공개하지 않고 일반적인 대리 사례와 동일한 학습이 이루어졌습니다.

미니 케이스

사례 1 — 원래 구조가 공개되었습니다. 한 팀은 특허를 신청하기 전에 일반 AI에게 독특한 분자에 대해 질문했습니다. 법무부는 이것이 우선순위에 문제를 일으킬 수 있다고 밝혔습니다. 프로세스가 지연되었습니다. 교훈: 일반 프록시를 사용하여 고유한 구조를 요청하고 개인정보 보호정책을 존중하세요.

사례 2 - 인간의 동의로 사고가 예방되었습니다. 자동화된 작업 흐름에서 AI는 초안 절차를 생성하고 직접 구현해야 했습니다. 그러나 숙련된 화학자는 흐름 통과 "안전 허가" 게이트에서 호환되지 않는 시약 쌍을 발견했습니다. 교훈: 중요한 지점에서 인간 승인 게이트가 생명을 구합니다.

사례 3 — 엔드투엔드 규율. 석사 과정 학생은 문헌 요약 + AI를 통한 실제 인용 검증, RDKit을 통한 구조 검증, 코드를 통한 데이터 분석, SDS를 통한 보안, 정직한 문서화, 투명한 보고 등 전체 모듈을 하나의 프로젝트에서 구현했습니다. 결과는 더욱 빠르고 강력해졌습니다. 논문 방어에서 "AI를 어떻게 검증했나요?" 그 질문에 그는 명확하게 대답했다. 교훈: AI와 검증 규율은 함께 작동하는 것이 가장 좋습니다.

일반적인 실수

일반 AI에 잠재 구조를 부여합니다. 이는 특허 우선권과 영업비밀을 침해합니다.
식별 가능한 개인/환자 데이터 입력. 개인 정보 침해 및 법적 위험.
승인 게이트를 우회합니다. 보안을 유지하고 궁극적으로 사람의 승인 없이 앞으로 나아갑니다.
AI에게 책임을 전가합니다. “AI 제안”은 어떤 실수도 용납하지 않습니다.
투명성을 피합니다. AI 사용을 은폐하면 무결성이 훼손됩니다.
이중 사용의 위험을 무시합니다. 유해한 애플리케이션에 AI를 사용하는 것은 비윤리적입니다.

팁: "사람이 중지하고 승인하는 모든 중요한 결정"으로 작업 흐름을 설계하세요. AI를 체인을 가속화하는 링크로 만들고, 체인을 보유하는 노드는 항상 인간입니다.

요약하면

실험에 있어서 인간의 원칙: 모든 중요한 화학적 결정에서 인간은 이해하고, 감독하고, 승인합니다.
개인 정보 보호: 공용 AI에 고유한 아티팩트, 개인 데이터 및 영업 비밀을 제공하지 마십시오. 일반 프록시를 사용하십시오.
윤리: 투명성, 책임, 악의 없음, 정직이 네 가지 기본 원칙입니다.
엔드투엔드 워크플로우에서 AI는 모든 단계에서 가속화됩니다. 사람들은 확인하고 소유합니다.
중요한 지점(보안, 최종 결과)에 사람의 승인 게이트를 배치하고 추적성을 유지합니다.

응용과제

자신만의 프로젝트(실제 또는 가상)를 선택하고 처음부터 끝까지 AI-인간 워크플로를 설계하세요. 위의 9단계 표를 자신의 프로젝트에 적용하세요. AI는 각 단계에서 무엇을 할 것이며, 인간은 무엇을 승인할까요? 개인 정보 보호 사전 필터 적용: AI에 제공하지 않는 정보는 무엇이며, 이를 어떻게 일반화합니까? 최소한 두 개의 인간 승인 게이트와 하나의 추적성 방법을 정의하십시오. 한 페이지 분량의 "작업 흐름 및 검증 계획"을 작성하십시오.

체크리스트

[ ] 실험을 통해 인간의 원리와 그것이 왜 필요한지 파악했습니다.
[ ] 숨겨진 구조/데이터를 일반 AI에 제공하지 않고 일반화합니다.
[ ] 나는 투명성, 책임, 비악의, 정직의 원칙을 준수합니다.
[ ] 엔드투엔드 워크플로우에서 AI와 인간의 역할을 분리했습니다.
[ ] 나는 중요한 지점에 인간 승인 게이트를 설치했습니다.
[ ] AI에서 어떤 출력이 나오는지, 어떻게 검증하는지 추적합니다.

모듈 시험

1. 다음 중 화학 분야에서 인공지능의 위치를 가장 정확하게 설명한 것은 무엇입니까?

A) 인공 지능은 코드, 초안 및 편집 보조자입니다. 구조, 수, 자원, 보안 및 윤리적 결정에 대한 책임은 인간에게 있습니다 ✔
B) 인공 지능은 화학 엔진이며 그것이 제공하는 분자량은 항상 정확합니다.
다) 인공지능은 문헌 검토에만 작동하며, 분석 및 보안과는 아무런 관련이 없습니다.
라) 인공지능은 인간보다 공정하기 때문에 보안 결정도 인공지능에게 맡겨야 한다

설명: 인공지능; 코드를 작성하고, 초안을 생성하고, 역합성 골격을 구축하고, 스펙트럼 해석을 돕고 구성하는 조수입니다. 그러나 분자량 및 화학량론의 결정론적 계산, RDKit을 사용한 구조 검증, 데이터베이스에서 인용 확인, SDS/GHS를 사용한 안전성 결정 및 최종 책임은 유능한 화학자에게 있습니다. 빅 언어 모델은 계산기나 화학 엔진이 아닙니다. 이는 '다음으로 가능성이 가장 높은 단어'를 생성하는 텍스트 생성기이며, 확인되지 않은 출력으로 인해 잘못된 구조, 숫자 또는 위험이 발생할 수 있습니다.

2. 인공지능이 분자를 설명하는 가장 신뢰할 수 있는 방법은 무엇입니까?

A) 일반적인 터키 이름만 작성
B) SMILES와 같은 구조 표현을 부여하고 InChIKey로 동일성 확인 ✔
C) 단지 분자량만 말하면 된다.
라) 상표를 기재하면 충분하다.

설명: 이름(특히 상품명 및 동의어 이름)은 모호하며 잘못된 분자로 이어질 수 있습니다. 분자에 SMILES와 같은 구조 표기법을 부여하면 정확성이 제공됩니다. 그의 신원은 InChIKey를 통해 데이터베이스에서 확인됩니다. 또한 인공 지능이 제공하는 SMILES는 RDKit으로 구문 분석되고 정규화를 통해 검증되어야 합니다.

3. 인공지능이 부여한 분자량을 어떻게 활용해야 할까요?

A) AI는 수치상으로 신뢰할 수 있기 때문에 직접 사용
B) 수동으로 또는 RDKit을 사용하여 수식과 독립적으로 계산하고 확인합니다. ✔
다) 다른 인공지능에게 물어보고 비교하는 것만으로도 충분하다
D) 분자량은 중요하지 않으며 검증이 필요하지 않습니다.

설명: 분자량은 분자식으로부터 결정론적으로 계산된 양입니다. 따라서 언어 모델을 묻는 것이 가장 약한 방법입니다. RDKit과 같은 도구를 사용하거나 공식에서 수동으로 계산하여 독립적으로 검증해야 합니다. 언어 모델은 이러한 숫자를 '아마도 보이는' 값으로 맞출 수 있습니다.

4. 인공지능이 반환한 문헌인용(논문/DOI)을 사용하기 전에 먼저 해야 할 일은 무엇인가요?

A) 아무것도 없습니다. 인공지능이 참고하면 진짜다
B) 제목만 보고 설득력 있게 보이면 충분합니다.
C) 각 인용 및 DOI를 데이터베이스(doi.org, Crossref)에서 디코딩하여 확인 ✔
D) 긴 DOI 번호는 그것이 진짜임을 증명합니다.

설명: 언어 모델은 현실적으로 보이지만 존재하지 않는 기사, 저자 및 DOI를 생성할 수 있습니다(가짜 인용). DOI를 제공한다고 해서 그것이 유효하다는 의미는 아닙니다. 각 인용은 doi.org, Crossref 또는 출판사 사이트와 같은 데이터베이스의 해상도를 통해 확인되어야 합니다. 가장 안전한 흐름은 인간이 실제 기사를 찾고, 인공지능이 텍스트를 요약해 주는 것입니다.

5. 인공지능이 가장 취약하고 반응계획에서 확인이 필요한 영역은 무엇인가요?

A) 반응이 어느 일반적인 부류에 속하는지 인식함에 있어서
B) 정확한 조건 번호, 수율 값 및 시약/촉매 이름 ✔
다) 메커니즘을 평이한 언어로 설명하기
D) 대체 경로에 대한 브레인스토밍

설명: AI는 일반적으로 반응 유형과 잘 문서화된 반응의 주요 생성물을 잘 예측합니다. 그러나 정확한 조건 번호(온도, 시간, 등가), 수율 값, 드문 반응 및 시약/촉매 이름은 가장 약하고 조작되기 쉽습니다. 이는 문헌과 카탈로그를 통해 확인되어야 합니다.

6. 스펙트럼 해석에 인공지능을 활용하는 가장 확실한 방법은 무엇입니까?

A) 피크 몇 개를 주고 '이게 무슨 스펙트럼이야?'라고 물어보세요. 묻다
B) 예상되는 구조와 전체 원시 데이터 제공 및 일관성 확인(가설 테스트) ✔
다) 적분과 나눗셈을 하지 않고 쉬프트 값만 쓴다.
D) 단일 기술로 최종 구조 지정이 완료됨(IR에만 해당)

설명: AI에게 '이 스펙트럼은 어떤 화합물인가요?'라고 물어보세요. 처음부터 물어보면 오류율이 높아집니다. 가장 신뢰할 수 있는 방법은 예상되는 구조(SMILES)와 원시 데이터(적분, 분할, 솔버, 피크 목록)를 함께 제공하고 '이 데이터가 이 구조와 일치하는가?'라고 묻는 것입니다. 묻는 것입니다. 즉, 인공지능을 가설 테스터로 사용하는 것입니다. 마지막 과제는 실험 스펙트럼을 조사하는 화학자를 위한 것입니다.

7. 화학적 계산 결과(예: 수율 백분율)를 얻는 가장 신뢰할 수 있는 방법은 무엇입니까?

가) 인공지능에게 직접 결과를 구두로 요청하는 것
B) 계정의 Python 코드를 인쇄 및 실행하고 알려진 예제로 테스트합니다. ✔
C) 같은 질문을 여러 번 해서 가장 자주 나오는 숫자를 알아내세요.
D) 단위를 지정하지 않고 빠르게 추정

설명: 언어 모델은 '가능한 결과를 예측'하여 산술을 수행하며 매우 간단한 곱셈으로도 오류가 발생할 수 있습니다. 가장 신뢰할 수 있는 방법은 AI가 계정 자체가 아닌 코드(예: Python)를 작성하고 해당 코드를 실행하도록 하는 것입니다. 코드는 결정적이고 감사 가능합니다. 또한 코드는 답이 알려진 작은 샘플을 사용하여 테스트되어야 합니다.

8. 분자특성 예측에서 '적용영역' 개념은 무엇을 의미하나요?

A) 모델이 실행되는 컴퓨터의 처리 능력
B) 모델이 신뢰할 수 있는 예측을 제공하는 훈련 데이터와 유사한 분자 영역 ✔
다) 모델이 부여한 수치가 항상 정확한 보증영역
D) 실험실에서 분자가 합성될 수 있는 온도 범위

설명: QSAR/예측 모델은 훈련받은 분자와 유사한 분자에 대해 잘 작동합니다. 훈련 데이터와 매우 다른 분자가 주어지면 모델은 여전히 숫자를 생성하지만 이는 신뢰할 수 없습니다. 이를 '적용 범위 밖'이라고 합니다. 모델은 항상 답을 제시합니다. 대답이 신뢰할 수 있는지 여부를 평가하는 것은 인간의 몫입니다.

9. 실험 문서의 관찰 내용을 처리하는 올바른 접근 방식은 무엇입니까?

A) 시간을 절약하기 위해 인공 지능에 관찰 내용을 작성합니다.
B) 실험을 수행하는 사람이 관찰 내용을 기록합니다. AI만 형식화하고 확인합니다 ✔
C) 관찰 내용을 기록하지 않고 최종 생산량만 기록하는 것으로 충분합니다.
D) 보고서를 보기 좋게 만들기 위해 계획에서 벗어난 부분을 숨깁니다.

설명: 인공지능은 그것이 무엇인지 모릅니다. 관찰 결과(색 변화, 가스 방출 등)를 적합하게 만드는 것은 그럴듯해 보이지만 실제로는 발생하지 않은 기록을 생성하는데, 이는 과학적 사기입니다. AI는 녹음 형식을 지정하고, 누락된 필드를 호출하고, 반복성을 확인합니다. 그러나 인간 실험자는 관찰 결과와 사실을 제공해야 합니다. 계획에서 벗어난 사항도 기록해야 합니다.

10. 연구실 안전에 있어서 인공지능의 역할과 진실의 원천은 무엇입니까?

A) 인공지능이 '안전하다'고 하면 다른 소스가 필요 없다.
B) 진실의 출처는 SDS 및 GHS입니다. AI는 도움이 되지만 최종 결정을 내릴 수는 없습니다 ✔
C) 보안 결정을 인공 지능에 전적으로 위임할 수 있음
D) SDS는 불필요합니다. 인터넷 포럼은 충분한 정보를 제공합니다.

설명: 화학에서는 안전이 최우선이며 인공지능은 여기서 최종 결정을 내릴 수 없습니다. 실제 안전 정보의 출처는 제조사에서 제공하는 SDS(Safety Data Sheet) 및 GHS 분류입니다. AI는 SDS 텍스트를 요약하고 양식 초안을 생성하며 예비 비준수 심사를 수행할 수 있습니다. 그러나 모든 청구는 SDS를 통해 확인되어야 하며 절차는 숙련된 사람/보안 담당자의 승인을 받아야 합니다.

11. 다음 중 위험한(호환되지 않는) 일치로 알려진 시약 조합은 무엇입니까?

가) 물과 식염을 섞는다
나) 산성용액과 차아염소산염이 함유된 용액의 혼합(염소가스 위험성) ✔
다) 에탄올과 물의 혼합
D) 설탕과 물을 녹이는 과정

설명: 일부 화학물질은 단독으로는 상대적으로 안전하지만 함께 사용하면 위험합니다. 산과 차아염소산염을 혼합하면 염소 가스가 방출됩니다. 산화제 + 유기물은 화재/폭발, 물 + 반응성 금속열/수소의 위험을 초래합니다. AI는 이러한 조합을 대부분 알고 있지만 모든 조합을 보장하지는 않으며 때로는 순진한 언어로 위험한 제안을 제시할 수도 있습니다. 각 절차는 SDS 위반 여부를 검사해야 합니다.

12. '환각'(인공지능이 조작된 정보를 만들어내는 것)의 가장 정확한 표현은 무엇입니까?

A) 흔치 않은 소프트웨어 오류로, 업데이트를 하면 완전히 해결됩니다.
B) 이는 언어 모델에 내재된 동작입니다. 해결책은 각 출력을 독립적으로 확인하는 것입니다 ✔
C) 잘못 작성된 프롬프트에만 표시되고 올바른 프롬프트에는 전혀 표시되지 않습니다.
라) 인공지능이 안전한 언어로 말하면 환각이 아니다.

설명: 환각은 오작동이 아니라 '다음으로 가장 가능성이 높은 단어'를 생성하는 언어 모델의 특성으로 인한 결과입니다. 모델은 진실이 아닌 가능성을 목표로 합니다. 가장 교활한 부분은 진실과 똑같은 자신감 넘치는 언어로 거짓 정보를 제시한다는 점이다. 해결책은 모델을 수정하는 것이 아니라 각 출력 주위에 유형에 적합한 유효성 검사 셸을 구축하는 것입니다. 유창함은 결코 정확성을 증명하지 않습니다.

13. 임계값(예: 분자량)을 확인하기 위한 '삼각측량'이란 무엇을 의미합니까?

A) 같은 인공지능에게 같은 질문을 세 번 하는 것
B) 둘 이상의 독립적인 방식으로 동일한 결론을 비교하고 도달함 ✔
C) 동시에 세 가지 다른 분자의 무게 계산
D) 결과를 소수점 이하 3자리로 반올림

설명: 삼각측량은 여러 개의 독립적인 경로를 통해 동일한 결론에 도달합니다. 예를 들어 인공지능에 따른 분자량 비교, RDKit 계산, 수동 계산 등이 있습니다. 두 개의 독립적인 경로가 겹치면 신뢰도가 높습니다. 누군가 이탈하면 중지되고 조사됩니다. 단일 소스에 의존하는 대신 최소한 두 가지 독립적인 방법을 찾아야 합니다.

14. 특허가 등록되지 않은 고유 분자에 대해 일반 AI 서비스에 문의하는 올바른 방법은 무엇입니까?

A) 속도가 중요하므로 원본 구조를 직접 제공
B) 원래 구조를 드러내지 않고 제네릭/대리 예시를 통해 전략 학습 ✔
C) 주는 구조는 문제가 되지 않습니다. AI는 결코 정보를 숨기지 않습니다.
D) 분자의 이름을 밝히지 않고 전체 SMILES를 공유하는 것만으로도 충분한 보호가 됩니다.

설명: 일반 인공지능 서비스에 입력된 콘텐츠는 서비스 정책에 따라 저장되거나 처리될 수 있습니다. 독창적인 구조를 제공하면 기밀성과 특허 우선권이 위험해집니다. 올바른 접근 방식은 일반/대리 사례(유사한 구조 클래스)에서 전략을 학습하고 원래 구조를 공개하지 않고 사내 분자에 적용하는 것입니다. 개인/환자 데이터도 식별 가능한 형식으로 입력해서는 안 됩니다.