പരീക്ഷണത്തിൽ മനുഷ്യൻ: ധാർമ്മികത, സ്വകാര്യത, ഉത്തരവാദിത്തം, അവസാനം മുതൽ അവസാനം വരെ വർക്ക്ഫ്ലോ

നേട്ടങ്ങൾ:

• പരീക്ഷണത്തിലെ എൻഡ്-ടു-എൻഡ് വർക്ക്ഫ്ലോയിലേക്ക് മാനുഷിക തത്വത്തെ സമന്വയിപ്പിക്കുകയും ഓരോ ഘട്ടത്തിലും ആർട്ടിഫിഷ്യൽ ഇൻ്റലിജൻസ്/മനുഷ്യ റോളുകൾ വേർതിരിക്കാൻ കഴിയുകയും ചെയ്യുന്നു
• പൊതു ആർട്ടിഫിഷ്യൽ ഇൻ്റലിജൻസിന് രഹസ്യ ഘടനയും ഡാറ്റയും നൽകാതെ ജനറിക് പ്രോക്സി ഉദാഹരണങ്ങളുമായി പ്രവർത്തിക്കാനുള്ള കഴിവ്
• നിർണായക പോയിൻ്റുകളിൽ മനുഷ്യ അംഗീകാര ഗേറ്റുകൾ സ്ഥാപിക്കാനും സുതാര്യതയോടും കണ്ടെത്താനുമുള്ള ആത്യന്തിക ഉത്തരവാദിത്തം ഏറ്റെടുക്കാനുള്ള കഴിവ്

ഈ അന്തിമ യൂണിറ്റിൽ ഞങ്ങൾ മൊഡ്യൂളിനെ ഒരൊറ്റ ചട്ടക്കൂടിലേക്ക് കൂട്ടിച്ചേർക്കുന്നു: ഹ്യൂമൻ-ഇൻ-ദി-ലൂപ്പ്. ഈ തത്വം പറയുന്നത് AI എത്ര കഴിവുള്ളതാണെങ്കിലും, ഒരു മനുഷ്യൻ ഒരു രാസ തീരുമാനത്തിൻ്റെ ഓരോ നിർണായക ഘട്ടത്തിലും മനസ്സിലാക്കുകയും നിയന്ത്രിക്കുകയും അംഗീകരിക്കുകയും വേണം. ഈ യൂണിറ്റിൽ, ഞങ്ങൾ ആദ്യം ധാർമ്മികവും രഹസ്യാത്മകവുമായ വശങ്ങൾ വ്യക്തമാക്കും, തുടർന്ന് ആശയത്തിൽ നിന്ന് റിപ്പോർട്ടിലേക്ക് ഒരു തന്മാത്രയെ എടുക്കുന്ന ഒരു എൻഡ്-ടു-എൻഡ് വർക്ക്ഫ്ലോ സ്ഥാപിക്കുകയും AI-യും മനുഷ്യരും ഓരോ ഘട്ടത്തിലും അധ്വാനത്തെ വിഭജിക്കുന്നതെങ്ങനെയെന്ന് കാണുകയും ചെയ്യും. നിങ്ങൾ പഠിച്ചതെല്ലാം ദൈനംദിന ജോലികൾക്ക് അനുയോജ്യമായ ഒരു സംവിധാനമാക്കി മാറ്റുക എന്നതാണ് ലക്ഷ്യം.

സ്വകാര്യത: AI-ന് എന്ത് നൽകരുത്?

രസതന്ത്രം പലപ്പോഴും രഹസ്യാത്മക വിവരങ്ങളുമായി പ്രവർത്തിക്കുന്നു: പേറ്റൻ്റ് ചെയ്യാത്ത തന്മാത്രകൾ, കമ്പനി രഹസ്യ സിന്തസിസ് റൂട്ടുകൾ, പ്രസിദ്ധീകരിക്കാത്ത ഡാറ്റ, രോഗിയുടെ സാമ്പിളുകൾ. ഒരു പൊതു AI സേവനത്തിലേക്ക് നിങ്ങൾ നൽകുന്ന വാചകം സേവനത്തിൻ്റെ നയം അനുസരിച്ച് സംഭരിക്കുകയോ പ്രോസസ്സ് ചെയ്യുകയോ ചെയ്യാം. അതുകൊണ്ട്:

• പ്രസിദ്ധീകരിക്കാത്ത ഒറിജിനൽ ഘടനകൾ (പ്രീ-പേറ്റൻ്റ് മോളിക്യൂളുകൾ) പൊതു AI-ലേക്ക് റിലീസ് ചെയ്യുന്നതിന് മുമ്പ് നിങ്ങളുടെ സ്ഥാപന നയം പരിശോധിക്കുക.
• തിരിച്ചറിയാവുന്ന രൂപത്തിൽ ഒരിക്കലും വ്യക്തിഗത/രോഗി ഡാറ്റ (ക്ലിനിക്കൽ സാമ്പിളുകൾ) നൽകരുത്.
• വ്യാപാര രഹസ്യ സമന്വയ പാതകൾ പങ്കിടുന്നതിന് മുമ്പ് രഹസ്യാത്മക കരാറുകൾ അവലോകനം ചെയ്യുക.
• ആവശ്യമുള്ളപ്പോൾ ഇൻ-ഹൗസ്/ഇഷ്‌ടാനുസൃത വിന്യാസം AI ടൂളുകൾ തിരഞ്ഞെടുക്കുക.

മുന്നറിയിപ്പ്: ഒരു തന്മാത്രയെക്കുറിച്ച് ഒരു പൊതു AI-യോട് ചോദിക്കുന്നത് ആ തന്മാത്രയുടെ ഘടന വെളിപ്പെടുത്തുന്നതിനെ അർത്ഥമാക്കാം. പേറ്റൻ്റ് നേടിയിട്ടില്ലാത്ത ഒരു അദ്വിതീയ ഘടനയ്ക്ക്, ഇത് നിങ്ങളുടെ മുൻഗണനയെ (പേറ്റൻ്റ് അവകാശം) അപകടത്തിലാക്കിയേക്കാം. ജനറിക്/സറോഗേറ്റ് ഉദാഹരണങ്ങൾ ഉപയോഗിച്ച് മറഞ്ഞിരിക്കുന്ന ഘടനകൾ ആവശ്യപ്പെടുക.

ധാർമ്മികത: നാല് തത്വങ്ങൾ

1. സുതാര്യത: നിങ്ങൾ AI ഉപയോഗിക്കുന്നിടത്ത് മറയ്ക്കരുത്; പ്രസിദ്ധീകരണവും സ്ഥാപന നയങ്ങളും പാലിക്കുക.
2. ഉത്തരവാദിത്തം: അന്തിമ തീരുമാനത്തിൻ്റെ ഉത്തരവാദിത്തം മനുഷ്യനാണ്; "AI നിർദ്ദേശിച്ചത്" ഒരു സുരക്ഷാ അല്ലെങ്കിൽ സമഗ്രത ലംഘനം ക്ഷമിക്കുന്നില്ല.
3. നോൺ-മലെഫിസെൻസ്: അപകടകരമായ/നിയമവിരുദ്ധമായ സിന്തസിസ്, ഇരട്ട-ഉപയോഗം (ആയുധ സാധ്യതകൾ) ആപ്ലിക്കേഷനുകൾക്കായി AI ഉപയോഗിക്കരുത്.
4. ന്യായവും സത്യസന്ധതയും: ഡാറ്റ വളച്ചൊടിക്കരുത്, ഫലങ്ങൾ അലങ്കരിക്കരുത്, ആട്രിബ്യൂഷനുകൾ ഉണ്ടാക്കരുത്.

എൻഡ്-ടു-എൻഡ് വർക്ക്ഫ്ലോ: മോളിക്യൂൾ → റിപ്പോർട്ട്

ഇനി മൊഡ്യൂൾ മുഴുവനും ഒരൊറ്റ ഒഴുക്കിലേക്ക് സംയോജിപ്പിക്കാം. ഓരോ ഘട്ടത്തിലും, AI ചെയ്യുന്നതും മനുഷ്യൻ ചെയ്യുന്നതും തമ്മിലുള്ള വ്യത്യാസം ശ്രദ്ധിക്കുക.

സ്റ്റേജ്

AI യുടെ പങ്ക്

മനുഷ്യരുടെ (നിർണ്ണായക) പങ്ക്

1. ആശയം/സാഹിത്യം

ആശയ സംഗ്രഹം, തിരയൽ പദം

യഥാർത്ഥ ഉറവിടം കണ്ടെത്തൽ, ആട്രിബ്യൂഷൻ സ്ഥിരീകരണം

2. ഘടന വിവരണം

പുഞ്ചിരികൾ സൃഷ്ടിക്കുന്നു

RDKit, InChIKey ഉപയോഗിച്ചുള്ള പ്രാമാണീകരണം

3. സിന്തസിസ് പ്ലാൻ

റിട്രോസിന്തസിസ്, ഇതരമാർഗങ്ങൾ

സാഹിത്യ സ്ഥിരീകരണം, പാത തിരഞ്ഞെടുക്കൽ

4. സുരക്ഷ

SDS സംഗ്രഹം, പ്രാഥമിക പൊരുത്തക്കേട്

SDS വായന, അംഗീകാരം, PPE തീരുമാനം

5. അപേക്ഷ

(ഒന്നുമില്ല)

എല്ലാ ലബോറട്ടറി ജോലികളും

6. വിശകലനം

സ്പെക്ട്രം അഭിപ്രായ പിന്തുണ

അന്തിമ ഘടന അസൈൻമെൻ്റ്

7. ഡാറ്റ പ്രോസസ്സിംഗ്

എഴുത്ത് കോഡ്

കോഡ് പ്രവർത്തിപ്പിക്കുക, ഫലം പരിശോധിക്കുക

8. ഡോക്യുമെൻ്റേഷൻ

ഫോർമാറ്റിംഗ്, നിയന്ത്രണം

നിരീക്ഷണം, വ്യതിയാനം, ഒപ്പ്

9. റിപ്പോർട്ടിംഗ്

ഡ്രാഫ്റ്റ് ടെക്സ്റ്റ്

നമ്പർ/അവലംബം പരിശോധിച്ചുറപ്പിക്കൽ, ഉത്തരവാദിത്തം

മൊഡ്യൂളിൻ്റെ 11 യൂണിറ്റുകൾ എങ്ങനെയാണ് ഒരൊറ്റ ജോലിയായി ക്രമീകരിച്ചിരിക്കുന്നതെന്ന് ഈ പട്ടിക കാണിക്കുന്നു. AI ത്വരിതപ്പെടുത്തുന്നു; ആളുകൾ പരിശോധിച്ചുറപ്പിക്കുകയും സ്വന്തമാക്കുകയും ചെയ്യുന്നു.

ഘട്ടം ഘട്ടമായി: വർക്ക്ഫ്ലോ സജ്ജീകരിക്കുക

1. റോളുകൾ വ്യക്തമാക്കുക: ഓരോ ടാസ്ക്കിനും, "AI ആണോ മനുഷ്യനോ തീരുമാനിക്കുന്നത്?" തുടക്കം മുതൽ നിർണ്ണയിക്കുക.
2. ഒരു സ്വകാര്യത ഫിൽട്ടർ സജ്ജീകരിക്കുക: AI-ക്ക് എന്തെങ്കിലും നൽകാതെ തന്നെ നിങ്ങൾക്ക് "ഇത് സ്വകാര്യമോ/സ്വകാര്യമോ?" ചോദിക്കുക.
3. വെരിഫിക്കേഷൻ ഗേറ്റുകൾ ഇടുക: ഓരോ ഘട്ടത്തിൻ്റെയും അവസാനം ഒരു സ്ഥിരീകരണ ഘട്ടം (യൂണിറ്റ് 10 ലെ പട്ടിക).
4. കണ്ടെത്താനുള്ള കഴിവ് നിലനിർത്തുക: AI-യിൽ നിന്ന് എന്ത് ഔട്ട്‌പുട്ട് വന്നു, അത് എങ്ങനെ പരിശോധിച്ചു, ആരാണ് ഇതിന് അംഗീകാരം നൽകിയത്.
5. അംഗീകാര പോയിൻ്റുകൾ സജ്ജീകരിക്കുക: സുരക്ഷയും അന്തിമ ഫലവും പോലുള്ള നിർണായക ഘട്ടങ്ങളിൽ മനുഷ്യൻ്റെ അംഗീകാരം നിർബന്ധമാണ്.
6. ഫീഡ്‌ബാക്ക്: പിടിക്കപ്പെട്ട എല്ലാ പിശകുകളും രേഖപ്പെടുത്തുകയും വർക്ക്ഫ്ലോ മെച്ചപ്പെടുത്തുകയും ചെയ്യുക.

പകർത്താവുന്ന നാല് ടെംപ്ലേറ്റുകൾ

1) സ്വകാര്യത പ്രീ-ഫിൽട്ടർ:

ഒരു ചോദ്യം ചോദിക്കുന്നതിന് മുമ്പ്, ഇത് പരിഗണിക്കുക:ഉള്ളടക്കം: [ഞാൻ എന്താണ് ചോദിക്കുന്നത്]ടാസ്‌ക്: ഈ ഉള്ളടക്കത്തിൽ പ്രസിദ്ധീകരിക്കാത്ത യഥാർത്ഥ പുരാവസ്തുക്കളോ വ്യക്തിഗത ഡാറ്റയോ വ്യാപാര രഹസ്യങ്ങളോ അടങ്ങിയിട്ടുണ്ടോ? അങ്ങനെയാണെങ്കിൽ, ഘടന മറയ്ക്കുന്ന ഒരു പൊതു/പകരം ഉദാഹരണം ഉപയോഗിച്ച് എനിക്ക് എങ്ങനെ ചോദ്യം മാറ്റിയെഴുതാമെന്ന് നിർദ്ദേശിക്കുക.

2) ഘട്ട പരിശോധനാ ഗേറ്റിൻ്റെ അവസാനം:

ഞാൻ ഇനിപ്പറയുന്ന ഘട്ടം പൂർത്തിയാക്കി: [PHASE, ഉദാ. സിന്തസിസ് പ്ലാൻ]. ടാസ്ക്: ഈ ഘട്ടത്തിൽ നിന്ന് പുറത്തുവരുമ്പോൾ പരിശോധിക്കേണ്ട എല്ലാ ഘടകങ്ങളും ലിസ്റ്റ് ചെയ്യുക (നമ്പർ, ഉദ്ധരണി, ഘടന, സുരക്ഷാ ക്ലെയിം). ഓരോന്നിനും, സ്ഥിരീകരണ രീതി എഴുതുക, ആരാണ് അത് സ്ഥിരീകരിക്കേണ്ടത്. അടുത്ത ഘട്ടത്തിലേക്ക് പോകുന്നതിന് മുമ്പ് അടച്ചിരിക്കേണ്ട തുറന്ന ഇനങ്ങൾ അടയാളപ്പെടുത്തുക.

3) ഹ്യൂമൻ-എഐ റോൾ ഡിസ്ട്രിബ്യൂഷൻ പ്ലാൻ:

എൻ്റെ പ്രോജക്റ്റ്: [ഹ്രസ്വ വിവരണം]. ടാസ്ക്: ഈ പ്രോജക്റ്റ് ഘട്ടങ്ങളായി വിഭജിക്കുക. ഓരോ ഘട്ടത്തിലും, ഇവ തമ്മിൽ വേർതിരിച്ചറിയുക: - AI-ക്ക് എന്തുചെയ്യാൻ കഴിയും (ഡ്രാഫ്റ്റ്, കോഡ്, സംഗ്രഹം) - മനുഷ്യൻ എന്താണ് തീരുമാനിക്കേണ്ടത് (സുരക്ഷ, അനന്തരഫലം, അംഗീകാരം). ആത്യന്തിക ഉത്തരവാദിത്തം മനുഷ്യനുള്ള നിർണായക പോയിൻ്റുകൾ അടയാളപ്പെടുത്തുക.

4) സമഗ്രത പരിശോധന റിപ്പോർട്ട് ചെയ്യുക:

എൻ്റെ റിപ്പോർട്ട് ഡ്രാഫ്റ്റ് ചുവടെയുണ്ട്:[DRAFT] ടാസ്‌ക്: ഇനിപ്പറയുന്നവ പരിശോധിച്ച് അടയാളപ്പെടുത്തുക:1) പരിശോധിച്ചുറപ്പിക്കാത്ത നമ്പറുകൾ/അവലംബങ്ങൾ ഉണ്ടോ?2) AI യുടെ ഉപയോഗം സുതാര്യമായി പ്രസ്താവിച്ചിട്ടുണ്ടോ?3) ഡാറ്റ "മനോഹരമായി" (ഔട്ട്‌ലിയർ മറയ്ക്കുന്നത്) കാണിക്കുന്നുണ്ടോ?4) എന്തെങ്കിലും സുരക്ഷ/ധാർമ്മിക പിഴവുകൾ ഉണ്ടോ? നിങ്ങൾക്ക് ഉറപ്പില്ലാത്തയിടത്ത് [പരിശോധിക്കുക].

ദുർബലമായ പ്രോംപ്റ്റ് / ശക്തമായ പ്രോംപ്റ്റ്

ദുർബല:

ഞങ്ങളുടെ കമ്പനിയുടെ പുതിയ രഹസ്യ തന്മാത്രയെ സമന്വയിപ്പിക്കുന്നതിനുള്ള ഏറ്റവും നല്ല മാർഗം ഏതാണ്?[യഥാർത്ഥ യഥാർത്ഥ ഘടന]

ഇത് യഥാർത്ഥ പ്രീ-പേറ്റൻ്റ് ഘടനയെ ഒരു പൊതു സേവനത്തിലേക്ക് തുറന്നുകാട്ടുന്നു; ഇത് മുൻഗണനയും രഹസ്യസ്വഭാവവും അപകടത്തിലാക്കുന്നു.

ശക്തമായ:

ആരോമാറ്റിക് കെറ്റോണുകളുടെ ഒരു വിഭാഗത്തിൻ്റെ സമാന ഘടനയ്‌ക്കായുള്ള പൊതുവായ റെട്രോസിന്തസിസ് തന്ത്രം പഠിക്കാൻ ഞാൻ ആഗ്രഹിക്കുന്നു. കോൺക്രീറ്റ്, യഥാർത്ഥ ഘടന നൽകാതെ ഒരു പൊതു ഉദാഹരണത്തിലൂടെ (അസെറ്റോഫെനോൺ ഡെറിവേറ്റീവ്) വിശദീകരിക്കുക. എൻ്റെ സ്വന്തം തന്മാത്രയിൽ ഞാൻ തന്ത്രം പ്രയോഗിക്കും.

വ്യത്യാസം: ഒളിഞ്ഞിരിക്കുന്ന ഘടന വെളിപ്പെടുത്താതെ തന്നെ, പൊതുവായ സറോഗേറ്റ് ഉദാഹരണം പോലെയുള്ള അതേ പഠനം നേടിയെടുത്തു.

മിനി കേസുകൾ

കേസ് 1 - യഥാർത്ഥ ഘടന വെളിപ്പെടുത്തി. പേറ്റൻ്റിന് അപേക്ഷിക്കുന്നതിന് മുമ്പ് ഒരു ടീം ഒരു പൊതു AI-യോട് ഒരു അദ്വിതീയ തന്മാത്രയെക്കുറിച്ച് ചോദിച്ചു. ഇത് മുൻഗണന ചോദ്യം ചെയ്യുമെന്ന് നിയമ വിഭാഗം പ്രസ്താവിച്ചു; നടപടി വൈകി. പാഠം: ജനറിക് പ്രോക്സി ഉള്ള തനതായ ഘടനകൾ ആവശ്യപ്പെടുക, സ്വകാര്യതാ നയത്തെ മാനിക്കുക.

കേസ് 2 - മനുഷ്യ സമ്മതം അപകടം തടഞ്ഞു. ഒരു ഓട്ടോമേറ്റഡ് വർക്ക്ഫ്ലോയിൽ, AI ഒരു ഡ്രാഫ്റ്റ് നടപടിക്രമം നിർമ്മിക്കുകയും നേരിട്ട് നടപ്പിലാക്കുകയും ചെയ്തു; എന്നാൽ പരിചയസമ്പന്നനായ ഒരു രസതന്ത്രജ്ഞൻ ഫ്ലോ-ത്രൂ "സേഫ്റ്റി ക്ലിയറൻസ്" ഗേറ്റിൽ പൊരുത്തമില്ലാത്ത ഒരു ജോടി റിയാഗൻ്റുകൾ പിടികൂടി. പാഠം: നിർണായക ഘട്ടങ്ങളിൽ, മനുഷ്യ അംഗീകാര കവാടങ്ങൾ ജീവൻ രക്ഷിക്കുന്നു.

കേസ് 3 - അവസാനം മുതൽ അവസാനം വരെ അച്ചടക്കം. ഒരു മാസ്റ്റേഴ്സ് വിദ്യാർത്ഥി ഒരു പ്രോജക്റ്റിൽ മുഴുവൻ മൊഡ്യൂളും നടപ്പിലാക്കി: സാഹിത്യ സംഗ്രഹം + AI ഉപയോഗിച്ചുള്ള യഥാർത്ഥ അവലംബ പരിശോധന, RDKit ഉപയോഗിച്ചുള്ള ഘടന പരിശോധന, കോഡ് ഉപയോഗിച്ചുള്ള ഡാറ്റ വിശകലനം, SDS ഉള്ള സുരക്ഷ, സത്യസന്ധമായ ഡോക്യുമെൻ്റേഷൻ, സുതാര്യമായ റിപ്പോർട്ടിംഗ്. ഫലം വേഗത്തിലും കൂടുതൽ കരുത്തുറ്റതുമായിരുന്നു; തീസിസ് പ്രതിരോധത്തിൽ "നിങ്ങൾ എങ്ങനെയാണ് AI പരിശോധിച്ചത്?" ചോദ്യത്തിന് അദ്ദേഹം വ്യക്തമായി ഉത്തരം നൽകി. പാഠം: AI + സ്ഥിരീകരണ അച്ചടക്കം ഒരുമിച്ച് മികച്ച രീതിയിൽ പ്രവർത്തിക്കുന്നു.

സാധാരണ തെറ്റുകൾ

• പൊതുവായ AI-ക്ക് ഒളിഞ്ഞിരിക്കുന്ന ഘടന നൽകുന്നു. ഇത് പേറ്റൻ്റ് മുൻഗണനയും വ്യാപാര രഹസ്യവും വിട്ടുവീഴ്ച ചെയ്യുന്നു.
• തിരിച്ചറിയാവുന്ന വ്യക്തിഗത/രോഗി ഡാറ്റ നൽകുന്നു. സ്വകാര്യത ലംഘനവും നിയമപരമായ അപകടസാധ്യതയും.
• അംഗീകാര കവാടങ്ങൾ മറികടക്കുന്നു. സുരക്ഷയും ആത്യന്തികമായി മനുഷ്യൻ്റെ അംഗീകാരമില്ലാതെ മുന്നോട്ട് നീങ്ങുന്നു.
• AI ലേക്ക് ഉത്തരവാദിത്തം കൈമാറുന്നു. "AI നിർദ്ദേശിച്ചു" ഒരു തെറ്റും ക്ഷമിക്കില്ല.
• സുതാര്യത ഒഴിവാക്കുന്നു. AI യുടെ ഉപയോഗം മറച്ചുവെക്കുന്നത് സമഗ്രതയെ ദുർബലപ്പെടുത്തുന്നു.
• ഇരട്ട ഉപയോഗത്തിൻ്റെ അപകടസാധ്യത അവഗണിക്കുന്നു. ഹാനികരമായ ആപ്ലിക്കേഷനുകൾക്കായി AI ഉപയോഗിക്കുന്നത് അനീതിയാണ്.

നുറുങ്ങ്: "ഒരു മനുഷ്യൻ നിർത്തുകയും അംഗീകരിക്കുകയും ചെയ്യുന്ന എല്ലാ നിർണായക തീരുമാനങ്ങളും" ഉപയോഗിച്ച് നിങ്ങളുടെ വർക്ക്ഫ്ലോ രൂപകൽപ്പന ചെയ്യുക. AI-യെ ശൃംഖലയെ ത്വരിതപ്പെടുത്തുന്ന ഒരു ലിങ്ക് ആക്കുക, ചെയിൻ പിടിച്ചിരിക്കുന്ന നോഡ് എപ്പോഴും മനുഷ്യനാണ്.

ചുരുക്കത്തിൽ

• പരീക്ഷണത്തിലെ മനുഷ്യ തത്വം: ഓരോ നിർണായക രാസ തീരുമാനത്തിലും ഒരു മനുഷ്യൻ മനസ്സിലാക്കുകയും മേൽനോട്ടം വഹിക്കുകയും അംഗീകരിക്കുകയും ചെയ്യുന്നു.
• സ്വകാര്യത: പൊതു AI-ക്ക് അതുല്യമായ പുരാവസ്തുക്കൾ, വ്യക്തിഗത ഡാറ്റ, വ്യാപാര രഹസ്യങ്ങൾ എന്നിവ നൽകരുത്; ജനറിക് പ്രോക്സി ഉപയോഗിക്കുക.
• ധാർമ്മികത: സുതാര്യത, ഉത്തരവാദിത്തം, അനീതി, സത്യസന്ധത എന്നിവയാണ് നാല് അടിസ്ഥാന തത്വങ്ങൾ.
• എൻഡ്-ടു-എൻഡ് വർക്ക്ഫ്ലോയിൽ, എല്ലാ ഘട്ടത്തിലും AI ത്വരിതപ്പെടുത്തുന്നു; ആളുകൾ പരിശോധിച്ചുറപ്പിക്കുകയും സ്വന്തമാക്കുകയും ചെയ്യുന്നു.
• നിർണായക പോയിൻ്റുകളിൽ (സുരക്ഷ, അന്തിമഫലം) മനുഷ്യ അംഗീകാര ഗേറ്റുകൾ സ്ഥാപിക്കുകയും കണ്ടെത്താനുള്ള കഴിവ് നിലനിർത്തുകയും ചെയ്യുക.

ആപ്ലിക്കേഷൻ ടാസ്ക്

നിങ്ങളുടേതായ ഒരു പ്രോജക്റ്റ് തിരഞ്ഞെടുക്കുക (യഥാർത്ഥമോ സാങ്കൽപ്പികമോ) കൂടാതെ തുടക്കം മുതൽ അവസാനം വരെ ഒരു AI-ഹ്യൂമൻ വർക്ക്ഫ്ലോ രൂപകൽപ്പന ചെയ്യുക. മുകളിലുള്ള 9-ഘട്ട പട്ടിക നിങ്ങളുടെ സ്വന്തം പ്രോജക്റ്റിലേക്ക് പൊരുത്തപ്പെടുത്തുക: ഓരോ ഘട്ടത്തിലും AI എന്ത് ചെയ്യും, മനുഷ്യൻ എന്ത് അംഗീകരിക്കും? പ്രൈവസി പ്രി-ഫിൽട്ടർ പ്രയോഗിക്കുക: നിങ്ങൾ AI-ക്ക് എന്ത് വിവരങ്ങളാണ് നൽകാത്തത്, അത് എങ്ങനെ ജനറൈസ് ചെയ്യും? കുറഞ്ഞത് രണ്ട് മനുഷ്യ-അംഗീകാര ഗേറ്റുകളും ഒരു ട്രെയ്‌സിബിലിറ്റി രീതിയും നിർവ്വചിക്കുക. ഒരു പേജ് "വർക്ക്ഫ്ലോയും വെരിഫിക്കേഷൻ പ്ലാനും" എഴുതുക.

ചെക്ക്ലിസ്റ്റ്

• [ ] പരീക്ഷണത്തിൽ, ഞാൻ മാനുഷിക തത്വവും അതിൻ്റെ ആവശ്യകതയും മനസ്സിലാക്കി.
• [ ] ഞാൻ മറഞ്ഞിരിക്കുന്ന ഘടന/ഡാറ്റ പൊതുവായ AI-ക്ക് നൽകാതെ ജനറൈസ് ചെയ്യുന്നു.
• [ ] ഞാൻ സുതാര്യത, ഉത്തരവാദിത്തം, ദുരുപയോഗം ചെയ്യാതിരിക്കൽ, സത്യസന്ധത എന്നിവയുടെ തത്വങ്ങൾ പാലിക്കുന്നു.
• [ ] എൻഡ്-ടു-എൻഡ് വർക്ക്ഫ്ലോയിൽ ഞാൻ AI/ഹ്യൂമൻ റോളുകൾ വേർതിരിച്ചു.
• നിർണ്ണായക ഘട്ടങ്ങളിൽ ഞാൻ മനുഷ്യ അംഗീകാര കവാടങ്ങൾ സ്ഥാപിച്ചു.
• AI-യിൽ നിന്ന് എന്ത് ഔട്ട്‌പുട്ട് വരുന്നുവെന്നും അത് എങ്ങനെ പരിശോധിച്ചുവെന്നും ഞാൻ ട്രാക്ക് ചെയ്യുന്നു.

മൊഡ്യൂൾ പരീക്ഷ

1. രസതന്ത്രത്തിൽ ആർട്ടിഫിഷ്യൽ ഇൻ്റലിജൻസിന് ഏറ്റവും കൃത്യമായ സ്ഥാനനിർണ്ണയം ഇനിപ്പറയുന്നവയിൽ ഏതാണ്?

• എ) ആർട്ടിഫിഷ്യൽ ഇൻ്റലിജൻസ് ഒരു കോഡ്, ഡ്രാഫ്റ്റ്, എഡിറ്റിംഗ് അസിസ്റ്റൻ്റ്; ഘടന, നമ്പർ, വിഭവങ്ങൾ, സുരക്ഷ, ധാർമ്മിക തീരുമാനങ്ങൾ എന്നിവയുടെ ഉത്തരവാദിത്തം മനുഷ്യരിൽ നിക്ഷിപ്തമാണ് ✔
• ബി) ആർട്ടിഫിഷ്യൽ ഇൻ്റലിജൻസ് ഒരു കെമിസ്ട്രി എഞ്ചിനാണ്, അത് നൽകുന്ന തന്മാത്രാ ഭാരം എല്ലായ്പ്പോഴും കൃത്യമാണ്.
• സി) ആർട്ടിഫിഷ്യൽ ഇൻ്റലിജൻസ് സാഹിത്യ അവലോകനത്തിൽ മാത്രമേ പ്രവർത്തിക്കൂ, ഇതിന് വിശകലനവും സുരക്ഷയുമായി യാതൊരു ബന്ധവുമില്ല
• ഡി) ആർട്ടിഫിഷ്യൽ ഇൻ്റലിജൻസ് മനുഷ്യരേക്കാൾ നിഷ്പക്ഷമായതിനാൽ, സുരക്ഷാ തീരുമാനങ്ങൾ അതിന് വിടണം

വിവരണം: കൃത്രിമ ബുദ്ധി; കോഡ് എഴുതുകയും ഡ്രാഫ്റ്റുകൾ നിർമ്മിക്കുകയും ഒരു റിട്രോസിന്തസിസ് അസ്ഥികൂടം നിർമ്മിക്കുകയും സ്പെക്ട്രം വ്യാഖ്യാനത്തെ സഹായിക്കുകയും സംഘടിപ്പിക്കുകയും ചെയ്യുന്ന ഒരു സഹായിയാണ് ഇത്. എന്നിരുന്നാലും, മോളിക്യുലാർ വെയ്റ്റിൻ്റെയും സ്റ്റോയ്‌ക്കിയോമെട്രിയുടെയും നിർണ്ണായക കണക്കുകൂട്ടൽ, RDKit ഉപയോഗിച്ച് ഘടനയുടെ സ്ഥിരീകരണം, ഡാറ്റാബേസിലെ ഉദ്ധരണികളുടെ സ്ഥിരീകരണം, SDS/GHS ഉപയോഗിച്ചുള്ള സുരക്ഷയുടെ തീരുമാനം, അന്തിമ ഉത്തരവാദിത്തം എന്നിവ യോഗ്യതയുള്ള രസതന്ത്രജ്ഞനായിരിക്കും. വലിയ ഭാഷാ മാതൃക ഒരു കാൽക്കുലേറ്ററോ കെമിസ്ട്രി എഞ്ചിനോ അല്ല; ഇത് 'അടുത്ത ഏറ്റവും സാധ്യതയുള്ള വാക്ക്' നിർമ്മിക്കുന്ന ഒരു ടെക്സ്റ്റ് ജനറേറ്ററാണ്, കൂടാതെ അതിൻ്റെ സ്ഥിരീകരിക്കാത്ത ഔട്ട്‌പുട്ട് തെറ്റായ ഘടനയിലേക്കോ നമ്പറിലേക്കോ അപകടത്തിലേക്കോ നയിച്ചേക്കാം.

2. ആർട്ടിഫിഷ്യൽ ഇൻ്റലിജൻസിന് ഒരു തന്മാത്രയെ വിവരിക്കുന്നതിനുള്ള ഏറ്റവും വിശ്വസനീയമായ മാർഗം ഏതാണ്?

• എ) പൊതുവായ ടർക്കിഷ് നാമം മാത്രം എഴുതുക
• B) SMILES പോലെയുള്ള ഒരു ഘടനാപരമായ പ്രാതിനിധ്യം നൽകുകയും InChIKey ഉപയോഗിച്ച് ഐഡൻ്റിറ്റി സ്ഥിരീകരിക്കുകയും ചെയ്യുന്നു ✔
• സി) തന്മാത്രാ ഭാരം മാത്രം പറയുന്നു
• ഡി) വ്യാപാരമുദ്ര എഴുതിയാൽ മതി

വിശദീകരണം: പേരുകൾ (പ്രത്യേകിച്ച് വ്യാപാരവും പര്യായ നാമങ്ങളും) അവ്യക്തവും തെറ്റായ തന്മാത്രയിലേക്ക് നയിച്ചേക്കാം. തന്മാത്രയ്ക്ക് SMILES പോലുള്ള ഒരു ഘടനാ നൊട്ടേഷൻ നൽകുന്നത് കൃത്യത നൽകുന്നു; InChIKey ഉള്ള ഡാറ്റാബേസിൽ അവൻ്റെ ഐഡൻ്റിറ്റി സ്ഥിരീകരിച്ചു. കൂടാതെ, ആർട്ടിഫിഷ്യൽ ഇൻ്റലിജൻസ് നൽകുന്ന സ്‌മൈലുകൾ RDKit ഉപയോഗിച്ച് പാഴ്‌സ് ചെയ്യുകയും കാനോനിക്കലൈസേഷൻ വഴി സ്ഥിരീകരിക്കുകയും വേണം.

3. ആർട്ടിഫിഷ്യൽ ഇൻ്റലിജൻസ് നൽകുന്ന ഒരു തന്മാത്രാ ഭാരം നിങ്ങൾ എങ്ങനെ ഉപയോഗിക്കണം?

• എ) ഇത് നേരിട്ട് ഉപയോഗിക്കുന്നു, കാരണം AI സംഖ്യകളിൽ വിശ്വസനീയമാണ്
• B) സ്വമേധയാ അല്ലെങ്കിൽ RDKit ✔ ഉപയോഗിച്ച് ഫോർമുലയിൽ നിന്ന് സ്വതന്ത്രമായി കണക്കാക്കുകയും പരിശോധിക്കുകയും ചെയ്യുക
• സി) വേറെ ആർട്ടിഫിഷ്യൽ ഇൻ്റലിജൻസ് ചോദിച്ച് താരതമ്യം ചെയ്താൽ മതി
• ഡി) തന്മാത്രാ ഭാരം അപ്രധാനമാണ്, സ്ഥിരീകരണത്തിൻ്റെ ആവശ്യമില്ല

വിശദീകരണം: തന്മാത്രാ സൂത്രവാക്യത്തിൽ നിന്ന് നിർണ്ണായകമായി കണക്കാക്കുന്ന അളവാണ് തന്മാത്രാ ഭാരം. അതിനാൽ ഭാഷാ മാതൃക ചോദിക്കുന്നത് ഏറ്റവും ദുർബലമായ മാർഗമാണ്; RDKit പോലെയുള്ള ഒരു ടൂൾ ഉപയോഗിച്ചോ ഒരു ഫോർമുലയിൽ നിന്ന് മാനുവലായി കണക്കാക്കിയോ ഇത് സ്വതന്ത്രമായി പരിശോധിച്ചുറപ്പിക്കേണ്ടതാണ്. ഭാഷാ മോഡലിന് അത്തരം സംഖ്യകൾക്ക് 'സാധ്യതയുള്ളതായി തോന്നുന്ന' മൂല്യം ഉൾക്കൊള്ളാൻ കഴിയും.

4. ആർട്ടിഫിഷ്യൽ ഇൻ്റലിജൻസ് നൽകുന്ന സാഹിത്യ ഉദ്ധരണി (ലേഖനം/DOI) ഉപയോഗിക്കുന്നതിന് മുമ്പ് എന്താണ് ചെയ്യേണ്ടത്?

• എ) ഒന്നുമില്ല; ആർട്ടിഫിഷ്യൽ ഇൻ്റലിജൻസ് ഒരു റഫറൻസ് നൽകിയാൽ, അത് യഥാർത്ഥമാണ്
• B) ശീർഷകം കണ്ടാൽ മതി, അത് ബോധ്യപ്പെടുത്താൻ.
• C) ഒരു ഡാറ്റാബേസിൽ (doi.org, Crossref) ഡീകോഡ് ചെയ്തുകൊണ്ട് ഓരോ ഉദ്ധരണിയും DOI ഉം സ്ഥിരീകരിക്കുന്നു ✔
• D) നീണ്ട DOI നമ്പർ അത് യഥാർത്ഥമാണെന്ന് തെളിയിക്കുന്നു.

വിവരണം: യാഥാർത്ഥ്യബോധമുള്ളതും എന്നാൽ നിലവിലില്ലാത്തതുമായ ലേഖനങ്ങൾ, രചയിതാക്കൾ, DOI-കൾ എന്നിവ ഭാഷാ മോഡലിന് സൃഷ്ടിക്കാൻ കഴിയും (വ്യാജ ഉദ്ധരണി). ഒരു DOI നൽകുന്നതുകൊണ്ട് അത് സാധുതയുള്ളതാണെന്ന് അർത്ഥമാക്കുന്നില്ല. ഓരോ ഉദ്ധരണിയും doi.org, Crossref അല്ലെങ്കിൽ പ്രസാധകൻ്റെ സൈറ്റ് പോലുള്ള ഒരു ഡാറ്റാബേസിൽ റെസല്യൂഷൻ ഉപയോഗിച്ച് പരിശോധിച്ചുറപ്പിച്ചിരിക്കണം; ഒരു മനുഷ്യന് യഥാർത്ഥ ലേഖനം കണ്ടെത്തുകയും വാചകം കൃത്രിമബുദ്ധി ഉപയോഗിച്ച് സംഗ്രഹിക്കുകയും ചെയ്യുക എന്നതാണ് ഏറ്റവും സുരക്ഷിതമായ ഒഴുക്ക്.

5. ആർട്ടിഫിഷ്യൽ ഇൻ്റലിജൻസ് ഏറ്റവും ദുർബലമായതും പ്രതികരണ ആസൂത്രണത്തിൽ സ്ഥിരീകരണം ആവശ്യമുള്ളതുമായ മേഖല ഏതാണ്?

• എ) പ്രതികരണം ഏത് പൊതു വിഭാഗത്തിൽ പെട്ടതാണെന്ന് തിരിച്ചറിയുന്നതിൽ
• B) കൃത്യമായ അവസ്ഥ നമ്പറുകൾ, വിളവ് മൂല്യങ്ങൾ, റിയാജൻറ്/കാറ്റലിസ്റ്റ് പേരുകൾ ✔
• സി) ലളിതമായ ഭാഷയിൽ ഒരു മെക്കാനിസം വിശദീകരിക്കുന്നു
• ഡി) ഇതര റൂട്ടുകൾക്കായുള്ള ചിന്താഗതി

വിശദീകരണം: AI സാധാരണയായി പ്രതികരണത്തിൻ്റെ തരവും നന്നായി രേഖപ്പെടുത്തപ്പെട്ട പ്രതികരണങ്ങളുടെ പ്രധാന ഉൽപ്പന്നവും നന്നായി പ്രവചിക്കുന്നു. എന്നിരുന്നാലും, കൃത്യമായ അവസ്ഥ സംഖ്യകൾ (താപനില, സമയം, തത്തുല്യം), വിളവ് മൂല്യങ്ങൾ, അപൂർവ പ്രതികരണങ്ങൾ, റിയാഗെൻ്റ്/കാറ്റലിസ്റ്റ് പേരുകൾ എന്നിവയാണ് ഏറ്റവും ദുർബലവും കൃത്രിമത്വത്തിന് സാധ്യതയുള്ളതും; ഇവ സാഹിത്യങ്ങളും കാറ്റലോഗുകളും ഉപയോഗിച്ച് സ്ഥിരീകരിക്കണം.

6. സ്പെക്ട്രം വ്യാഖ്യാനത്തിൽ കൃത്രിമബുദ്ധി ഉപയോഗിക്കുന്നതിനുള്ള ഏറ്റവും വിശ്വസനീയമായ മാർഗം ഏതാണ്?

• A) കുറച്ച് കൊടുമുടികൾ നൽകി 'ഇത് എന്ത് സ്പെക്ട്രമാണ്?' ചോദിക്കാൻ
• ബി) പ്രതീക്ഷിക്കുന്ന ഘടനയും പൂർണ്ണമായ അസംസ്‌കൃത ഡാറ്റയും നൽകുകയും സ്ഥിരത പരിശോധന നടത്തുകയും ചെയ്യുക (ഹൈപ്പോതെസിസ് ടെസ്റ്റിംഗ്) ✔
• സി) സംയോജനവും വിഭജനവും നടത്താതെ ഷിഫ്റ്റ് മൂല്യങ്ങൾ മാത്രം എഴുതുക
• ഡി) ഒരൊറ്റ സാങ്കേതികത (ഐആർ മാത്രം) ഉപയോഗിച്ച് നിർണായക ഘടനാപരമായ അസൈൻമെൻ്റ് നടത്തുക

വിവരണം: 'ഈ സ്പെക്‌ട്രം ഏത് സംയുക്തമാണ്' എന്ന് AI-യോട് ചോദിക്കുക. ആദ്യം മുതൽ ചോദിക്കുന്നത് പിശക് നിരക്ക് വർദ്ധിപ്പിക്കുന്നു. പ്രതീക്ഷിക്കുന്ന ഘടനയും (SMILES) അസംസ്‌കൃത ഡാറ്റയും (ഇൻ്റഗ്രേഷൻ, സ്‌പ്ലിറ്റിംഗ്, സോൾവർ, പീക്ക് ലിസ്റ്റ്) ഒരുമിച്ച് നൽകി 'ഈ ഡാറ്റ ഈ ഘടനയുമായി പൊരുത്തപ്പെടുന്നുണ്ടോ?' ചോദിക്കാനാണ്; അതായത് ആർട്ടിഫിഷ്യൽ ഇൻ്റലിജൻസ് ഒരു ഹൈപ്പോതെസിസ് ടെസ്റ്ററായി ഉപയോഗിക്കുന്നു. പരീക്ഷണ സ്പെക്ട്രം പരിശോധിക്കുന്ന രസതന്ത്രജ്ഞനുള്ളതാണ് അവസാന അസൈൻമെൻ്റ്.

7. ഒരു കെമിക്കൽ കണക്കുകൂട്ടലിൻ്റെ ഫലം നേടുന്നതിനുള്ള ഏറ്റവും വിശ്വസനീയമായ മാർഗം ഏതാണ് (ഉദാ. ശതമാനം വിളവ്)?

• എ) ആർട്ടിഫിഷ്യൽ ഇൻ്റലിജൻസിൽ നിന്ന് നേരിട്ട് ഫലം അഭ്യർത്ഥിക്കുന്നു
• B) അക്കൗണ്ടിൻ്റെ പൈത്തൺ കോഡ് പ്രിൻ്റ് ചെയ്‌ത് പ്രവർത്തിപ്പിക്കുക, അറിയപ്പെടുന്ന ഒരു ഉദാഹരണം ഉപയോഗിച്ച് അത് പരീക്ഷിക്കുക ✔
• സി) ഒരേ ചോദ്യം പലതവണ ചോദിച്ച് ഏറ്റവും കൂടുതൽ വരുന്ന നമ്പർ നേടുക
• ഡി) യൂണിറ്റ് വ്യക്തമാക്കാതെ വേഗത്തിൽ കണക്കാക്കുന്നു

വിശദീകരണം: ഭാഷാ മാതൃക 'സാധ്യതയുള്ള ഫലം പ്രവചിച്ചുകൊണ്ട്' ഗണിതശാസ്ത്രം ചെയ്യുന്നു, വളരെ ലളിതമായ ഗുണനങ്ങളിൽ പോലും ഇത് തെറ്റായിരിക്കാം. ഏറ്റവും വിശ്വസനീയമായ മാർഗം, AI അതിൻ്റെ കോഡ് (ഉദാ: പൈത്തൺ) എഴുതി, അക്കൗണ്ട് തന്നെയല്ല, ആ കോഡ് പ്രവർത്തിപ്പിക്കുക എന്നതാണ്; കോഡ് നിർണ്ണായകവും ഓഡിറ്റ് ചെയ്യാവുന്നതുമാണ്. ഉത്തരം അറിയാവുന്ന ഒരു ചെറിയ സാമ്പിൾ ഉപയോഗിച്ചും കോഡ് പരിശോധിക്കണം.

8. മോളിക്യുലാർ പ്രോപ്പർട്ടി പ്രവചനത്തിൽ 'പ്രയോഗക്ഷമതയുടെ ഡൊമെയ്ൻ' എന്ന ആശയം എന്താണ് അർത്ഥമാക്കുന്നത്?

• എ) മോഡൽ പ്രവർത്തിക്കുന്ന കമ്പ്യൂട്ടറിൻ്റെ പ്രോസസ്സിംഗ് പവർ
• ബി) പരിശീലന ഡാറ്റയ്ക്ക് സമാനമായ തന്മാത്രാ മേഖല, മോഡൽ വിശ്വസനീയമായ പ്രവചനങ്ങൾ നൽകുന്നു ✔
• സി) മോഡൽ നൽകുന്ന നമ്പർ എപ്പോഴും കൃത്യമായിരിക്കുന്ന ഉറപ്പ് ഏരിയ
• ഡി) ലബോറട്ടറിയിൽ തന്മാത്രയെ സമന്വയിപ്പിക്കാൻ കഴിയുന്ന താപനില പരിധി

വിശദീകരണം: ഒരു QSAR/പ്രവചന മോഡൽ അത് പരിശീലിപ്പിച്ച തന്മാത്രകൾക്ക് സമാനമായ തന്മാത്രകളിൽ നന്നായി പ്രവർത്തിക്കുന്നു. പരിശീലന ഡാറ്റയിൽ നിന്ന് വളരെ വ്യത്യസ്തമായ ഒരു തന്മാത്ര നൽകിയത്, മോഡൽ ഇപ്പോഴും ഒരു നമ്പർ ഉത്പാദിപ്പിക്കുന്നു, എന്നാൽ ഇത് വിശ്വസനീയമല്ല; ഇതിനെ 'പ്രയോഗക്ഷമതയുടെ പരിധിക്ക് പുറത്തുള്ളത്' എന്ന് വിളിക്കുന്നു. മോഡൽ എപ്പോഴും ഉത്തരം നൽകുന്നു; ഉത്തരം വിശ്വസനീയമാണോ അല്ലയോ എന്ന് വിലയിരുത്തേണ്ടത് മനുഷ്യനാണ്.

9. പരീക്ഷണ ഡോക്യുമെൻ്റേഷനിലെ നിരീക്ഷണങ്ങൾ കൈകാര്യം ചെയ്യുന്നതിനുള്ള ശരിയായ സമീപനം എന്താണ്?

• എ) സമയം ലാഭിക്കുന്നതിനായി ആർട്ടിഫിഷ്യൽ ഇൻ്റലിജൻസിന് നിരീക്ഷണങ്ങൾ എഴുതുക
• ബി) പരീക്ഷണം നടത്തുന്ന വ്യക്തി നിരീക്ഷണങ്ങൾ എഴുതുന്നു; AI ഫോർമാറ്റുകളും പരിശോധനകളും മാത്രം ✔
• സി) നിരീക്ഷണങ്ങൾ രേഖപ്പെടുത്താതെ അവസാന വിളവ് എഴുതിയാൽ മതി
• ഡി) റിപ്പോർട്ട് മനോഹരമായി കാണുന്നതിന് പ്ലാനിൽ നിന്നുള്ള വ്യതിയാനങ്ങൾ മറയ്ക്കുന്നു

വിശദീകരണം: ആർട്ടിഫിഷ്യൽ ഇൻ്റലിജൻസിന് അത് എന്താണെന്ന് അറിയില്ല; നിരീക്ഷണങ്ങൾ (നിറം മാറ്റം, ഗ്യാസ് റിലീസ് മുതലായവ) അതിന് അനുയോജ്യമെന്ന് തോന്നുന്ന രേഖകൾ ഉണ്ടാക്കുന്നു, എന്നാൽ ഇത് സംഭവിച്ചില്ല, ഇത് ശാസ്ത്രീയ വഞ്ചനയാണ്. AI റെക്കോർഡിംഗ് ഫോർമാറ്റ് ചെയ്യുന്നു, നഷ്ടപ്പെട്ട ഫീൽഡുകൾ തിരിച്ചുവിളിക്കുന്നു, ആവർത്തനക്ഷമത പരിശോധിക്കുന്നു; എന്നാൽ മനുഷ്യ പരീക്ഷണം നടത്തുന്നയാൾ നിരീക്ഷണങ്ങളും വസ്തുതകളും നൽകണം. പദ്ധതിയിൽ നിന്നുള്ള വ്യതിയാനങ്ങളും രേഖപ്പെടുത്തണം.

10. ലബോറട്ടറി സുരക്ഷയിലും സത്യത്തിൻ്റെ ഉറവിടത്തിലും ആർട്ടിഫിഷ്യൽ ഇൻ്റലിജൻസിൻ്റെ പങ്ക് എന്താണ്?

• A) ആർട്ടിഫിഷ്യൽ ഇൻ്റലിജൻസ് 'സുരക്ഷിതം' എന്ന് പറഞ്ഞാൽ, മറ്റൊരു ഉറവിടത്തിൻ്റെ ആവശ്യമില്ല
• B) സത്യത്തിൻ്റെ ഉറവിടം SDS ഉം GHS ഉം ആണ്; AI സഹായകരമാണ്, പക്ഷേ അന്തിമമായി പറയാനാകില്ല ✔
• സി) സുരക്ഷാ തീരുമാനങ്ങൾ പൂർണ്ണമായും ആർട്ടിഫിഷ്യൽ ഇൻ്റലിജൻസിന് കൈമാറാൻ കഴിയും
• D) SDS അനാവശ്യമാണ്; ഇൻ്റർനെറ്റ് ഫോറങ്ങൾ മതിയായ വിവരങ്ങൾ നൽകുന്നു.

വിവരണം: രസതന്ത്രത്തിലെ ഏറ്റവും ഉയർന്ന മുൻഗണന സുരക്ഷയാണ്, ആർട്ടിഫിഷ്യൽ ഇൻ്റലിജൻസിന് ഇവിടെ അവസാന വാക്ക് ഒരിക്കലും ഉണ്ടാകില്ല. യഥാർത്ഥ സുരക്ഷാ വിവരങ്ങളുടെ ഉറവിടം നിർമ്മാതാവ് നൽകുന്ന SDS (സുരക്ഷാ ഡാറ്റ ഷീറ്റ്), GHS വർഗ്ഗീകരണം എന്നിവയാണ്. AI-ന് SDS ടെക്‌സ്‌റ്റ് സംഗ്രഹിക്കാനും ഫോം ഡ്രാഫ്റ്റുകൾ സൃഷ്‌ടിക്കാനും പ്രാഥമിക നോൺ-കംപ്ലയൻസ് സ്‌ക്രീനിംഗ് നടത്താനും കഴിയും; എന്നിരുന്നാലും, എല്ലാ ക്ലെയിമുകളും SDS ഉപയോഗിച്ച് പരിശോധിച്ചുറപ്പിക്കുകയും നടപടിക്രമങ്ങൾ പരിചയസമ്പന്നനായ ഒരു വ്യക്തി/സുരക്ഷാ ഉദ്യോഗസ്ഥൻ അംഗീകരിക്കുകയും വേണം.

11. റിയാജൻ്റുകളുടെ ഇനിപ്പറയുന്ന സംയോജനങ്ങളിൽ ഏതാണ് അറിയപ്പെടുന്ന അപകടകരമായ (പൊരുത്തമില്ലാത്ത) പൊരുത്തം?

• എ) വെള്ളവും ടേബിൾ ഉപ്പും കലർത്തുക
• ബി) ഹൈപ്പോക്ലോറൈറ്റ് (ക്ലോറിൻ വാതകത്തിൻ്റെ അപകടസാധ്യത) അടങ്ങിയ ലായനിയുമായി ഒരു അസിഡിക് ലായനി കലർത്തൽ ✔
• സി) എത്തനോളും വെള്ളവും കലർത്തുക
• ഡി) പഞ്ചസാരയും വെള്ളവും അലിയിക്കുന്നു

വിശദീകരണം: ചില രാസവസ്തുക്കൾ താരതമ്യേന സുരക്ഷിതമാണെങ്കിലും അവ ഒരുമിച്ച് അപകടകരമാണ്. ആസിഡും ഹൈപ്പോക്ലോറൈറ്റും കലർത്തുന്നത് ക്ലോറിൻ വാതകം പുറത്തുവിടുന്നു; ഓക്സിഡൈസർ + ഓർഗാനിക് തീ / സ്ഫോടനം, വെള്ളം + റിയാക്ടീവ് മെറ്റൽ ഹീറ്റ് / ഹൈഡ്രജൻ എന്നിവയുടെ അപകടസാധ്യത നൽകുന്നു. ഈ കോമ്പിനേഷനുകളിൽ ഭൂരിഭാഗവും AI-യ്‌ക്ക് അറിയാമെങ്കിലും, അവയ്‌ക്കെല്ലാം അത് ഉറപ്പുനൽകുന്നില്ല, മാത്രമല്ല ചിലപ്പോൾ നിഷ്‌കളങ്കമായ ഭാഷയിൽ അപകടകരമായ ഒരു നിർദ്ദേശം അവതരിപ്പിക്കുകയും ചെയ്യും; ഓരോ നടപടിക്രമവും SDS പാലിക്കാത്തതിന് പരിശോധിക്കേണ്ടതാണ്.

12. 'ഹാലുസിനേഷൻ' (ആർട്ടിഫിഷ്യൽ ഇൻ്റലിജൻസ് നിർമ്മിക്കുന്ന കൃത്രിമ വിവരങ്ങൾ) എന്നതിൻ്റെ ഏറ്റവും കൃത്യമായ പദപ്രയോഗം ഏതാണ്?

• എ) ഇതൊരു അപൂർവ സോഫ്റ്റ്‌വെയർ പിശകാണ്, ഒരു അപ്‌ഡേറ്റ് ഉപയോഗിച്ച് ഇത് പൂർണ്ണമായും ഒഴിവാക്കിയിരിക്കുന്നു.
• ബി) ഇത് ഭാഷാ മാതൃകയിൽ അന്തർലീനമായ ഒരു സ്വഭാവമാണ്; ഓരോ ഔട്ട്‌പുട്ടും സ്വതന്ത്രമായി പരിശോധിക്കുന്നതാണ് പരിഹാരം ✔
• സി) ഇത് തെറ്റായി എഴുതിയ നിർദ്ദേശങ്ങളിൽ മാത്രമേ ദൃശ്യമാകൂ, ഒരിക്കലും ശരിയായ നിർദ്ദേശങ്ങളിൽ അല്ല.
• ഡി) ആർട്ടിഫിഷ്യൽ ഇൻ്റലിജൻസ് സുരക്ഷിതമായ ഭാഷയിൽ സംസാരിക്കുകയാണെങ്കിൽ, അത് ഒരു ഭ്രമാത്മകതയല്ല

വിശദീകരണം: ഹാലുസിനേഷൻ ഒരു തകരാറല്ല, മറിച്ച് 'അടുത്ത ഏറ്റവും സാധ്യതയുള്ള വാക്ക്' സൃഷ്ടിക്കുന്ന ഭാഷാ മാതൃകയുടെ സ്വഭാവത്തിൻ്റെ ഫലമാണ്; മാതൃക ലക്ഷ്യമിടുന്നത് സാധ്യമാണ്, സത്യമല്ല. സത്യത്തിൻ്റെ അതേ ആത്മവിശ്വാസമുള്ള ഭാഷയിൽ തെറ്റായ വിവരങ്ങൾ അവതരിപ്പിക്കുന്നു എന്നതാണ് ഏറ്റവും വഞ്ചനാപരമായ ഭാഗം. പ്രതിവിധി മോഡൽ ശരിയാക്കാൻ ശ്രമിക്കലല്ല, ഓരോ ഔട്ട്‌പുട്ടിനും ചുറ്റും ഒരു ടൈപ്പ്-അനുയോജ്യമായ മൂല്യനിർണ്ണയ ഷെൽ നിർമ്മിക്കുക എന്നതാണ്; ഒഴുക്ക് ഒരിക്കലും കൃത്യതയുടെ തെളിവല്ല.

13. ഒരു നിർണായക മൂല്യം (ഉദാ. തന്മാത്രാ ഭാരം) പരിശോധിക്കുന്നതിന് 'ത്രികോണം' എന്താണ് അർത്ഥമാക്കുന്നത്?

• എ) ഒരേ ആർട്ടിഫിഷ്യൽ ഇൻ്റലിജൻസിനോട് ഒരേ ചോദ്യം മൂന്ന് തവണ ചോദിക്കുക
• B) ഒന്നിൽ കൂടുതൽ സ്വതന്ത്രമായ രീതിയിൽ ഒരേ നിഗമനത്തിലെത്തി താരതമ്യം ചെയ്യുക ✔
• സി) ഒരേ സമയം മൂന്ന് വ്യത്യസ്ത തന്മാത്രകളുടെ ഭാരം കണക്കാക്കുന്നു
• D) ഫലം മൂന്ന് ദശാംശ സ്ഥാനങ്ങളിലേക്ക് റൗണ്ട് ചെയ്യുന്നു

വിശദീകരണം: ത്രികോണം ഒന്നിലധികം സ്വതന്ത്ര പാതകളിലൂടെ ഒരേ നിഗമനത്തിലെത്തുന്നു; ഉദാഹരണത്തിന്, ആർട്ടിഫിഷ്യൽ ഇൻ്റലിജൻസ്, RDKit കണക്കുകൂട്ടൽ, മാനുവൽ കണക്കുകൂട്ടൽ എന്നിവ അനുസരിച്ച് തന്മാത്രാ ഭാരം താരതമ്യം ചെയ്യുക. രണ്ട് സ്വതന്ത്ര പാതകൾ ഓവർലാപ്പ് ചെയ്യുകയാണെങ്കിൽ, വിശ്വാസം ഉയർന്നതാണ്; ആരെങ്കിലും വ്യതിചലിച്ചാൽ, അത് നിർത്തി അന്വേഷിക്കും. ഒരൊറ്റ ഉറവിടത്തെ ആശ്രയിക്കുന്നതിനുപകരം, കുറഞ്ഞത് രണ്ട് സ്വതന്ത്ര രീതികളെങ്കിലും തേടണം.

14. പേറ്റൻ്റ് നേടിയിട്ടില്ലാത്ത ഒരു അദ്വിതീയ തന്മാത്രയെക്കുറിച്ച് ഒരു പൊതു AI സേവനത്തോട് ചോദിക്കാനുള്ള ശരിയായ മാർഗം ഏതാണ്?

• എ) യഥാർത്ഥ ഘടന നേരിട്ട് നൽകുന്നു, കാരണം വേഗത പ്രധാനമാണ്
• ബി) യഥാർത്ഥ ഘടന വെളിപ്പെടുത്താതെ ഒരു പൊതു/പകരം ഉദാഹരണത്തിലൂടെ ഒരു തന്ത്രം പഠിക്കൽ ✔
• സി) ഘടന നൽകുന്നത് ഒരു പ്രശ്നമല്ല, AI ഒരിക്കലും വിവരങ്ങൾ മറയ്ക്കില്ല
• ഡി) തന്മാത്രയുടെ പേര് നൽകാതെ, അതിൻ്റെ മുഴുവൻ പുഞ്ചിരികൾ മാത്രം പങ്കുവെച്ചാൽ മതിയാകും.

വിവരണം: ഒരു പൊതു ആർട്ടിഫിഷ്യൽ ഇൻ്റലിജൻസ് സേവനത്തിൽ നൽകിയിട്ടുള്ള ഉള്ളടക്കം സേവന നയം അനുസരിച്ച് സംഭരിക്കുകയോ പ്രോസസ്സ് ചെയ്യുകയോ ചെയ്യാം; യഥാർത്ഥ ഘടന നൽകുന്നത് രഹസ്യാത്മകതയും പേറ്റൻ്റ് മുൻഗണനയും അപകടത്തിലാക്കുന്നു. ഒരു സാധാരണ/പകരം ഉദാഹരണത്തിൽ നിന്ന് (സമാനമായ ഘടനകൾ) തന്ത്രം പഠിക്കുകയും യഥാർത്ഥ ഘടന വെളിപ്പെടുത്താതെ തന്നെ സ്വന്തം തന്മാത്രയിൽ അത് പ്രയോഗിക്കുകയും ചെയ്യുക എന്നതാണ് ശരിയായ സമീപനം. വ്യക്തിഗത/രോഗി വിവരങ്ങളും തിരിച്ചറിയാവുന്ന രൂപത്തിൽ നൽകരുത്.