Cilvēks eksperimentē: ētika, privātums, atbildība un pilnīga darbplūsma

Ieguvumi:

• Cilvēka principa integrēšana eksperimenta darbplūsmā no gala līdz galam un spēja nodalīt mākslīgā intelekta/cilvēka lomas katrā posmā
• Spēja strādāt ar vispārīgiem starpniekservera piemēriem, nesniedzot konfidenciālu struktūru un datus vispārējam mākslīgajam intelektam
• Spēja novietot cilvēku apstiprinājuma vārtus kritiskajos punktos un uzņemties galīgo atbildību ar pārredzamību un izsekojamību

Šajā pēdējā vienībā mēs apvienojam visu moduli vienā sistēmā: cilvēks-cilpā. Šis princips saka, ka neatkarīgi no tā, cik spējīgs ir AI, cilvēkam ir jāsaprot, jākontrolē un jāapstiprina katrs ķīmiskā lēmuma kritiskais punkts. Šajā nodaļā mēs vispirms noskaidrosim ētiskos un konfidencialitātes aspektus, pēc tam izveidosim pilnīgu darbplūsmu, kas pārņem molekulu no idejas līdz ziņojumam, un redzēsim, kā AI un cilvēki sadala darbu katrā posmā. Mērķis ir pārvērst visu, ko esat iemācījies, sistēmā, kas iekļaujas ikdienas darbā.

Privātums: ko nedāvināt AI?

Ķīmija bieži strādā ar konfidenciālu informāciju: nepatentētām molekulām, uzņēmuma slepenajiem sintēzes ceļiem, nepublicētiem datiem, pacientu paraugiem. Teksts, ko ievadāt publiskajā AI pakalpojumā, var tikt saglabāts vai apstrādāts saskaņā ar pakalpojuma politiku. Tāpēc:

• Pārbaudiet savu institucionālo politiku pirms nepublicētu oriģinālo struktūru (pirmspatentu molekulu) publiskošanas publiskajā AI.
• Nekad neievadiet personas/pacienta datus (klīniskos paraugus) identificējamā formā.
• Pārskatiet konfidencialitātes līgumus, pirms kopīgojat komercnoslēpumu sintēzes ceļus.
• Ja nepieciešams, izvēlieties iekšējos/pielāgotas izvietošanas AI rīkus.

Uzmanību: jautāšana vispārējam AI par molekulu var nozīmēt šīs molekulas struktūras atklāšanu. Unikālai struktūrai, kas nav patentēta, tas var apdraudēt jūsu prioritāti (patenta tiesības). Jautājiet par slēptām struktūrām ar vispārīgiem/surogātpiemēriem.

Ētika: četri principi

1. Pārredzamība: neslēpieties, kur izmantojat AI; Ievērojiet publicēšanas un iestāžu politiku.
2. Atbildība: cilvēks ir atbildīgs par galīgo lēmumu; “Ieteiktais AI” neattaisno drošības vai integritātes pārkāpumu.
3. Neizmantojiet ļaunprātību: neizmantojiet mākslīgo intelektu bīstamai/nelegālai sintēzei, divējāda lietojuma (ieroču potenciāla) lietojumiem.
4. Taisnīgums un godīgums: neizkropļojiet datus, neizpušķojiet rezultātus, neveidojiet attiecinājumus.

Pilnīga darbplūsma: molekula → ziņojums

Tagad apvienosim visu moduli vienā plūsmā. Katrā posmā pievērsiet uzmanību atšķirībai starp to, ko dara AI, un to, ko dara cilvēks.

Skatuves

AI loma

Cilvēka (kritiskā) loma

1. Ideja/literatūra

Jēdzienu kopsavilkums, meklēšanas vienums

Īstā avota atrašana, attiecinājuma apstiprinājums

2. Struktūras apraksts

rada SMAIDUS

Autentifikācija ar RDKit, InChIKey

3. Sintēzes plāns

Retrosintēze, alternatīvas

Literatūras apstiprināšana, ceļu izvēle

4. Drošība

SDS kopsavilkums, provizoriska neatbilstība

SDS nolasīšana, apstiprināšana, IAL lēmums

5. Pieteikums

(Nav)

Visi laboratorijas darbi

6. Analīze

Spektra komentāru atbalsts

Galīgais struktūras uzdevums

7. Datu apstrāde

koda rakstīšana

Palaidiet kodu, pārbaudiet rezultātu

8. Dokumentācija

Formatēšana, kontrole

Novērojums, novirze, paraksts

9. Ziņošana

teksta melnraksts

Numura/atsauces pārbaude, atbildība

Šajā tabulā parādīts, kā moduļa 11 vienības ir sakārtotas vienā darbā. AI paātrina; cilvēki pārbauda un pieder.

Soli pa solim: darbplūsmas iestatīšana

1. Noskaidrojiet lomas: katram uzdevumam: "Vai AI vai cilvēks izlemj?" noteikt no sākuma.
2. Iestatiet privātuma filtru: neko nedodot AI, varat jautāt "vai tas ir privāts/privāts?" jautāt.
3. Ievietojiet verifikācijas vārtus: verifikācijas posms katra posma beigās (tabula 10. vienībā).
4. Saglabājiet izsekojamību: kāda izvade tika iegūta no AI, kā tā tika pārbaudīta, kas to apstiprināja.
5. Iestatiet apstiprināšanas punktus: cilvēka apstiprinājums ir obligāts kritiskos punktos, piemēram, drošībā un galarezultātā.
6. Atsauksmes: reģistrējiet katru pieļauto kļūdu un uzlabojiet darbplūsmu.

Četras kopējamas veidnes

1) Privātuma priekšfiltrs:

Pirms uzdodat jautājumu, apsveriet šo: Saturs: [KO ES JAUTĀJU]Uzdevums: vai šajā saturā ir nepublicēti oriģinālie artefakti, personas dati vai komercnoslēpumi? Ja tā ir, iesakiet, kā es varu pārrakstīt jautājumu ar vispārīgu/aizstājēju piemēru, kas paslēps struktūru.

2) Fāzes beigu verifikācijas vārti:

Esmu pabeidzis šādu posmu: [PHASE, piem. sintēzes plāns].Uzdevums: uzskaitiet visus elementus, kas ir jāpārbauda, ​​izejot no šī posma (numurs, citāts, struktūra, drošības prasība). Katram ierakstiet verifikācijas metodi un to, kam tā jāapstiprina. Pirms pāriet uz nākamo darbību, atzīmējiet visus atvērtos vienumus, kas jāaizver.

3) Cilvēka un AI lomu sadales plāns:

Mans projekts: [ĪSS APRAKSTS]. Uzdevums: Sadaliet šo projektu fāzēs. Katrā posmā nošķiriet: - Ko AI var darīt (melnraksts, kods, kopsavilkums) - Kas cilvēkam ir jāizlemj (drošība, sekas, apstiprinājums). Atzīmējiet kritiskos punktus, kur galvenā atbildība gulstas uz cilvēku.

4) Pārskata integritātes pārbaude:

Zemāk ir mana ziņojuma melnraksts:[DRAFT]Uzdevums: pārbaudiet un atzīmējiet sekojošo:1) Vai ir kādi nepārbaudīti skaitļi/atsauci?2) Vai AI izmantošana ir skaidri norādīta?3) Vai dati šķiet “izskaistināti” (ārpuses slēpšanās)?4) Vai ir kādi drošības/ētiski trūkumi? [PĀRBAUDE], kur neesat pārliecināts.

Vāja uzvedne / spēcīga uzvedne

Vāji:

Kāds ir labākais veids, kā sintezēt mūsu uzņēmuma jauno slepeno molekulu? [faktiskā sākotnējā struktūra]

Tādējādi sākotnējā pirmspatenta struktūra tiek pakļauta vispārējam pakalpojumam; Tas apdraud prioritāti un konfidencialitāti.

Spēcīgs:

Es vēlētos apgūt vispārīgo retrosintēzes stratēģiju līdzīgai aromātisko ketonu klases struktūrai. Izskaidrojiet, izmantojot vispārīgu piemēru (acetofenona atvasinājumu), nenorādot konkrētu sākotnējo struktūru. Es piemērošu stratēģiju savai molekulai uz vietas.

Atšķirība: neatklājot latento struktūru, tika panākta tāda pati mācīšanās kā ar vispārīgo aizstājējpiemēru.

mini futrāļi

1. gadījums — atklāta sākotnējā struktūra. Pirms patenta pieteikuma iesniegšanas komanda jautāja vispārējam AI par unikālu molekulu. Juridiskā vienība norādīja, ka tas varētu apšaubīt prioritāti; Process aizkavējās. Nodarbība: pieprasiet unikālas struktūras ar vispārēju starpniekserveri, ievērojiet privātuma politiku.

2. gadījums — cilvēka piekrišana novērsa negadījumu. Automatizētā darbplūsmā AI izstrādāja procedūras projektu, un tas bija jāievieš tieši; Taču pieredzējis ķīmiķis pie caurplūdes "drošības atstarpes" vārtiem notvēra nesaderīgu reaģentu pāri. Nodarbība: kritiskajos punktos cilvēku apstiprināšanas vārti glābj dzīvības.

3. gadījums — disciplīna no gala līdz galam. Maģistrantūras students realizēja visu moduli vienā projektā: literatūras apkopojums + faktiskā citātu pārbaude ar AI, struktūras pārbaude ar RDKit, datu analīze ar kodu, drošība ar SDS, godīga dokumentācija, caurspīdīga atskaite. Rezultāts bija gan ātrāks, gan izturīgāks; promocijas darba aizstāvēšanā "Kā jūs verificējāt AI?" Viņš skaidri atbildēja uz jautājumu. Nodarbība: AI un verifikācijas disciplīna vislabāk darbojas kopā.

Biežas kļūdas

• Latentās struktūras piešķiršana vispārējam AI. Tas apdraud patenta prioritāti un komercnoslēpumu.
• Identificējamu personas/pacienta datu ievadīšana. Privātuma pārkāpums un juridiskais risks.
• Apejot apstiprināšanas vārtus. Drošība un galu galā virzība uz priekšu bez cilvēka piekrišanas.
• Atbildības nodošana AI. “AI ieteikts” neattaisno kļūdas.
• Izvairīšanās no caurspīdīguma. AI izmantošanas slēpšana grauj integritāti.
• Divkāršas lietošanas riska ignorēšana. Ir neētiski AI izmantot kaitīgām lietojumprogrammām.

Padoms. Veidojiet savu darbplūsmu, ņemot vērā “katru kritisko lēmumu, ko cilvēks apstājas un apstiprina”. Padariet AI par saiti, kas paātrina ķēdi, un mezgls, kas tur ķēdi, vienmēr ir cilvēks.

Rezumējot

• Cilvēka princips eksperimentēšanā: katrā kritiskā ķīmiskajā lēmumā cilvēks saprot, uzrauga un apstiprina.
• Privātums: nenodrošiniet unikālus artefaktus, personas datus un komercnoslēpumus publiskajam AI; Izmantojiet vispārējo starpniekserveri.
• Ētika: caurspīdīgums, atbildība, nežēlība, godīgums ir četri pamatprincipi.
• Pilnīgā darbplūsmā AI paātrinās katrā posmā; cilvēki pārbauda un pieder.
• Novietojiet cilvēku apstiprināšanas vārtus kritiskajos punktos (drošība, gala rezultāts) un saglabājiet izsekojamību.

Lietojumprogrammas uzdevums

Izvēlieties savu projektu (reālu vai hipotētisku) un izveidojiet mākslīgā intelekta darbplūsmu no sākuma līdz beigām. Pielāgojiet iepriekš minēto 9 pakāpju tabulu savam projektam: ko AI darīs katrā posmā, ko apstiprinās cilvēks? Lietojiet privātuma priekšfiltru: kādu informāciju jūs nesniedzat AI, kā jūs to vispārināt? Definējiet vismaz divus cilvēka apstiprinājuma vārtus un vienu izsekojamības metodi. Uzrakstiet vienas lapas “darbplūsmas un verifikācijas plānu”.

kontrolsaraksts

• [ ] Eksperimentā es aptvēru cilvēka principu un kāpēc tas bija nepieciešams.
• [ ] Es ģenerizēju slēpto struktūru/datus, nenododot tos vispārējam AI.
• [ ] Es ievēroju caurspīdīguma, atbildības, neļaunprātības un godīguma principus.
• [ ] Es nodalīju mākslīgā intelekta/cilvēka lomas pilnīgajā darbplūsmā.
• [ ] Es ievietoju cilvēku apstiprināšanas vārtus kritiskajos punktos.
• [ ] Es izsekoju, kāda izvade nāk no AI un kā tā tiek pārbaudīta.

Moduļa eksāmens

1. Kurš no šiem ir visprecīzākais mākslīgā intelekta pozicionēšanas veids ķīmijā?

• A) Mākslīgais intelekts ir koda, melnraksta un rediģēšanas palīgs; Atbildība par struktūru, skaitu, resursiem, drošību un ētiskiem lēmumiem gulstas uz cilvēkiem ✔
• B) Mākslīgais intelekts ir ķīmijas dzinējs, un tā dotā molekulmasa vienmēr ir precīza.
• C) Mākslīgais intelekts darbojas tikai literatūras apskatā, tam nav nekāda sakara ar analīzi un drošību
• D) Tā kā mākslīgais intelekts ir objektīvāks nekā cilvēki, drošības lēmumi ir jāatstāj tā ziņā

Apraksts: Mākslīgais intelekts; Tas ir asistents, kas raksta kodu, veido melnrakstus, veido retrosintēzes skeletu, palīdz un organizē spektra interpretāciju. Tomēr deterministiskais molekulmasas un stehiometrijas aprēķins, struktūras pārbaude ar RDKit, citātu apstiprināšana datubāzē, drošības lēmums ar SDS/GHS un galīgā atbildība ir kompetentam ķīmiķim. Lielais valodas modelis nav kalkulators vai ķīmijas dzinējs; Tas ir teksta ģenerators, kas rada “nākamo visticamāko vārdu”, un tā nepārbaudītā izvade var izraisīt nepareizu struktūru, numuru vai apdraudējumu.

2. Kāds ir visuzticamākais veids, kā aprakstīt molekulu mākslīgajam intelektam?

• A) Rakstot tikai parasto turku nosaukumu
• B) Struktūras attēlojuma piešķiršana, piemēram, SMILES, un identitātes apstiprināšana ar InChIKey ✔
• C) Vienkārši pasakiet molekulmasu
• D) Pietiek uzrakstīt preču zīmi

Paskaidrojums: nosaukumi (īpaši tirdzniecības un sinonīmu nosaukumi) ir neskaidri un var novest pie nepareizas molekulas. Piešķirot molekulai struktūras apzīmējumu, piemēram, SMILES, tiek nodrošināta precizitāte; Viņa identitāte ir apstiprināta datubāzē ar InChIKey. Turklāt mākslīgā intelekta sniegtie SMILES ir jāparsē ar RDKit un jāpārbauda ar kanonizāciju.

3. Kā izmantot mākslīgā intelekta doto molekulmasu?

• A) Izmantojot to tieši, jo AI ir uzticams skaitļos
• B) Aprēķiniet un pārbaudiet neatkarīgi no formulas manuāli vai ar RDKit ✔
• C) Pietiek tikai pajautāt citam mākslīgajam intelektam un salīdzināt
• D) Molekulmasa nav svarīga, nav nepieciešama pārbaude

Paskaidrojums: Molekulmasa ir daudzums, kas deterministiski aprēķināts no molekulārās formulas. Tātad valodas modeļa jautāšana ir vājākais veids; Tas ir neatkarīgi jāpārbauda, ​​izmantojot tādu rīku kā RDKit vai manuāli aprēķinot to no formulas. Valodas modelis var piemērot šādus skaitļus ar “iespējamā izskata” vērtību.

4. Kas jādara, pirms tiek izmantots mākslīgā intelekta atgriezts literatūras citāts (raksts/DOI)?

• A) nekas; Ja mākslīgais intelekts dod atsauci, tas ir reāls
• B) Pietiek tikai apskatīt virsrakstu, lai tas izskatītos pārliecinoši.
• C) Katra citāta un DOI apstiprināšana, dekodējot tos datu bāzē (doi.org, Crossref) ✔
• D) Garais DOI numurs pierāda, ka tas ir īsts.

Apraksts: valodas modelis var ģenerēt rakstus, autorus un DOI, kas izskatās reālistiski, bet neeksistē (viltus citāts). Tas, ka tas sniedz DOI, nenozīmē, ka tas ir derīgs. Katrs citāts ir jāpārbauda ar izšķirtspēju tādā datubāzē kā doi.org, Crossref vai izdevēja vietnē; Visdrošākā plūsma ir, ja cilvēks atrod īsto rakstu un tekstu apkopo mākslīgais intelekts.

5. Kurā jomā mākslīgais intelekts ir vājākais un tam ir nepieciešams apstiprinājums reakcijas plānošanā?

• A) Atzīstot, kurai vispārīgajai klasei reakcija pieder
• B) Precīzi stāvokļa skaitļi, iznākuma vērtības un reaģenta/katalizatora nosaukumi ✔
• C) mehānisma izskaidrošana vienkāršā valodā
• D) Prāta vētra par alternatīviem maršrutiem

Paskaidrojums: AI parasti labi paredz reakcijas veidu un labi dokumentētu reakciju galveno produktu. Tomēr precīzie stāvokļa skaitļi (temperatūra, laiks, ekvivalents), iznākuma vērtības, retas reakcijas un reaģentu/katalizatoru nosaukumi ir vājākie un visvairāk pakļauti izgatavošanai; tie jāapstiprina ar literatūru un katalogiem.

6. Kāds ir visuzticamākais veids, kā izmantot mākslīgo intelektu spektra interpretācijā?

• A) Vienkārši norādiet dažus pīķus un pajautājiet "kāds spektrs tas ir?" jautāt
• B) Paredzamās struktūras un pilnu neapstrādātu datu sniegšana un konsekvences pārbaude (hipotēžu pārbaude) ✔
• C) Rakstīt tikai nobīdes vērtības, neveicot integrāciju un dalīšanu
• D) galīgā struktūras piešķiršana, izmantojot vienu metodi (tikai IR)

Apraksts: Pajautājiet AI “kurš savienojums ir šis spektrs?” Jautāšana no nulles palielina kļūdu biežumu. Visuzticamākais veids ir norādīt paredzamo struktūru (SMILES) un neapstrādātos datus (integrācija, sadalīšana, risinātājs, pīķu saraksts) un jautāt: "Vai šie dati atbilst šai struktūrai?" ir jautāt; tas ir, izmantojot mākslīgo intelektu kā hipotēžu pārbaudītāju. Pēdējais uzdevums ir ķīmiķim, kurš pārbauda eksperimentālo spektru.

7. Kāds ir visdrošākais veids, kā iegūt ķīmiskā aprēķina rezultātu (piemēram, procentuālo iznākumu)?

• A) Rezultāta pieprasīšana mutiski tieši no mākslīgā intelekta
• B) Izdrukājiet un palaidiet konta Python kodu un pārbaudiet to ar zināmu piemēru ✔
• C) Uzdodiet vienu un to pašu jautājumu vairākas reizes un iegūstiet numuru, kas parādās visbiežāk
• D) Ātra aplēse, nenorādot vienību

Paskaidrojums. Valodas modelis veic aritmētiku, “paredzot iespējamo iznākumu”, un tas var būt nepareizs pat ar ļoti vienkāršu reizināšanu. Visdrošākais veids ir likt AI rakstīt savu KODU (piem., Python), nevis pašu kontu, un palaist šo kodu; kods ir deterministisks un auditējams. Kods jāpārbauda arī ar nelielu paraugu, kura atbilde ir zināma.

8. Ko jēdziens “pielietojamības joma” nozīmē molekulāro īpašību prognozēšanā?

• A) Datora, kurā darbojas modelis, apstrādes jauda
• B) Molekulārais reģions līdzīgs apmācības datiem, kur modelis sniedz ticamas prognozes ✔
• C) Pārliecības apgabals, kurā modeļa norādītais skaitlis vienmēr ir precīzs
• D) Temperatūras diapazons, kurā molekulu var sintezēt laboratorijā

Paskaidrojums: QSAR/prognozēšanas modelis labi darbojas ar molekulām, kas ir līdzīgas molekulām, uz kurām tas tika apmācīts. Ņemot vērā molekulu, kas ļoti atšķiras no apmācības datiem, modelis joprojām rada skaitli, taču tas nav uzticams; to sauc par “atrašanos ārpus piemērojamības jomas”. Modelis vienmēr sniedz atbildi; Cilvēkam ir jāizvērtē, vai atbilde ir ticama vai nē.

9. Kāda ir pareizā pieeja novērojumu risināšanai eksperimenta dokumentācijā?

• A) Novērojumu rakstīšana mākslīgajam intelektam, lai ietaupītu laiku
• B) persona, kas veic eksperimentu, pieraksta novērojumus; AI tikai formatē un pārbauda ✔
• C) Pietiek nereģistrēt novērojumus, tikai uzrakstīt galīgo ražu
• D) Slēpt novirzes no plāna, lai ziņojums izskatītos jauki

Paskaidrojums: mākslīgais intelekts nezina, kas tas ir; Novērojumu (krāsu maiņa, gāzes izdalīšanās utt.) ievietošana tajā rada ierakstus, kas šķiet ticami, bet nenotika, un tā ir zinātniska krāpšana. AI formatē ierakstu, atsauc trūkstošos laukus un pārbauda atkārtojamību; bet cilvēka eksperimentētājam ir jāsniedz novērojumi un fakti. Jāreģistrē arī novirzes no plāna.

10. Kāda ir mākslīgā intelekta loma laboratorijas drošībā un patiesības avots?

• A) Ja mākslīgais intelekts saka “drošs”, nav nepieciešams cits avots
• B) patiesības avots ir SDS un GHS; AI ir noderīgs, taču nevar teikt galīgo vārdu ✔
• C) Drošības lēmumus var pilnībā deleģēt mākslīgajam intelektam
• D) SDS nav nepieciešama; Interneta forumi sniedz pietiekamu informāciju.

Apraksts: Drošība ir augstākā prioritāte ķīmijā, un mākslīgais intelekts šeit nekad nevar teikt pēdējo vārdu. Faktiskās drošības informācijas avots ir SDS (drošības datu lapa) un GHS klasifikācija, ko nodrošina ražotājs. AI var apkopot SDS tekstu, ģenerēt veidlapu melnrakstus un veikt sākotnējo neatbilstības pārbaudi; Tomēr visas prasības ir jāpārbauda ar SDS, un procedūra ir jāapstiprina pieredzējušai personai/drošības darbiniekam.

11. Kura no tālāk norādītajām reaģentu kombinācijām ir zināma bīstamā (nesaderīgā) atbilstība?

• A) Ūdens un galda sāls sajaukšana
• B) Skāba šķīduma sajaukšana ar hipohlorītu saturošu šķīdumu (hlora gāzes risks) ✔
• C) Etanola un ūdens sajaukšana
• D) Cukura un ūdens izšķīdināšana

Paskaidrojums: lai gan dažas ķīmiskās vielas ir salīdzinoši drošas atsevišķi, tās ir bīstamas kopā. Sajaucot skābi un hipohlorītu, izdalās hlora gāze; Oksidētājs + organiskais rada ugunsgrēka/sprādziena risku, ūdens + reaktīvais metāla siltums/ūdeņradis. Lai gan AI zina lielāko daļu šo kombināciju, tas negarantē visas un dažkārt var sniegt bīstamu ieteikumu nevainīgā valodā; katra procedūra ir jāpārbauda attiecībā uz neatbilstību SDS.

12. Kāds ir visprecīzākais 'halucinācijas' (mākslīgais intelekts, kas rada izdomātu informāciju) izteiciens?

• A) Tā ir reta programmatūras kļūda, un tā tiek pilnībā novērsta ar atjauninājumu.
• B) tā ir valodas modelim raksturīga uzvedība; Risinājums ir neatkarīgi pārbaudīt katru izvadi ✔
• C) Tas parādās tikai nepareizi rakstītās uzvednēs, nekad pareizajās uzvednēs.
• D) Ja mākslīgais intelekts runā drošā valodā, tā nav halucinācija

Paskaidrojums: halucinācijas nav darbības traucējumi, bet gan valodas modeļa rakstura rezultāts, kas rada "nākamo visticamāko vārdu"; Modeļa mērķis ir iespējamais, nevis patiesais. Vismānīgākā daļa ir tā, ka tā sniedz nepatiesu informāciju tādā pašā pārliecinošā valodā kā patiesība. Risinājums ir nevis mēģināt labot modeli, bet gan izveidot tipam atbilstošu validācijas apvalku ap katru izvadi; raitums nekad nav precizitātes pierādījums.

13. Ko nozīmē “triangulācija”, lai pārbaudītu kritisko vērtību (piem., molekulmasu)?

• A) Trīs reizes uzdodot vienu un to pašu jautājumu vienam un tam pašam mākslīgajam intelektam
• B) Salīdzināšana un viena un tā paša secinājuma nonākšana vairāk nekā vienā neatkarīgā veidā ✔
• C) Trīs dažādu molekulu svara aprēķināšana vienlaikus
• D) Rezultāta noapaļošana līdz trim zīmēm aiz komata

Paskaidrojums: Triangulācija sasniedz vienu un to pašu secinājumu, izmantojot vairākus neatkarīgus ceļus; Piemēram, molekulmasas salīdzināšana pēc mākslīgā intelekta, RDKit aprēķins un manuālais aprēķins. Ja divi neatkarīgi ceļi pārklājas, uzticēšanās ir augsta; Ja kāds novirzās, tas tiek apturēts un izmeklēts. Tā vietā, lai paļautos uz vienu avotu, ir jāmeklē vismaz divas neatkarīgas metodes.

14. Kā pareizi jautāt vispārējam AI pakalpojumam par unikālu molekulu, kas nav patentēta?

• A) Sākotnējās struktūras piešķiršana tieši, jo ātrums ir svarīgs
• B) stratēģijas apguve, izmantojot vispārīgu/surogātpamēru, neatklājot sākotnējo struktūru ✔
• C) Struktūras piešķiršana nav problēma, AI nekad neslēpj informāciju
• D) Molekulas nosaukuma nenorādīšana, bet tikai visu tās SMILES koplietošana ir pietiekama aizsardzība.

Apraksts: Vispārējā mākslīgā intelekta pakalpojumā ievadīto saturu var uzglabāt vai apstrādāt saskaņā ar pakalpojuma politiku; Oriģinālas struktūras piešķiršana apdraud konfidencialitāti un patenta prioritāti. Pareizā pieeja ir apgūt stratēģiju no vispārīga/surogātpiemēra (līdzīga struktūru klase) un pielietot to savai molekulai pašā uzņēmumā, neatklājot sākotnējo struktūru. Personas/pacienta datus nevajadzētu ievadīt arī identificējamā veidā.