प्रयोगात मानव: नैतिकता, गोपनीयता, जबाबदारी आणि एंड-टू-एंड वर्कफ्लो

नफा:

• प्रयोगातील एंड-टू-एंड वर्कफ्लोमध्ये मानवी तत्त्व समाकलित करणे आणि प्रत्येक टप्प्यावर कृत्रिम बुद्धिमत्ता/मानवी भूमिका वेगळे करण्यात सक्षम असणे
• सामान्य कृत्रिम बुद्धिमत्तेला गोपनीय संरचना आणि डेटा न देता जेनेरिक प्रॉक्सी उदाहरणांसह कार्य करण्याची क्षमता
• मानवी मंजुरीचे दरवाजे गंभीर बिंदूंवर ठेवण्याची आणि पारदर्शकता आणि शोधण्यायोग्यतेसह अंतिम जबाबदारी स्वीकारण्याची क्षमता

या अंतिम युनिटमध्ये आम्ही संपूर्ण मॉड्यूल एका फ्रेमवर्कमध्ये एकत्र करतो: मानवी-इन-द-लूप. हे तत्त्व सांगते की एआय कितीही सक्षम असले तरीही, रासायनिक निर्णयाच्या प्रत्येक गंभीर टप्प्यावर मानवाने समजून घेणे, नियंत्रित करणे आणि मंजूर करणे आवश्यक आहे. या युनिटमध्ये, आम्ही प्रथम नैतिक आणि गोपनीयतेच्या पैलूंचे स्पष्टीकरण करू, नंतर एक अंत-टू-एंड वर्कफ्लो स्थापित करू जो कल्पनापासून अहवालापर्यंत एक रेणू घेतो आणि प्रत्येक टप्प्यावर AI आणि मानव श्रम कसे विभाजित करतात ते पाहू. आपण शिकलेल्या प्रत्येक गोष्टीला दैनंदिन कामात बसणारी प्रणाली बनवणे हे ध्येय आहे.

गोपनीयता: एआयला काय देऊ नये?

रसायनशास्त्र अनेकदा गोपनीय माहितीसह कार्य करते: पेटंट न केलेले रेणू, कंपनीचे गुप्त संश्लेषण मार्ग, अप्रकाशित डेटा, रुग्णांचे नमुने. तुम्ही सार्वजनिक AI सेवेमध्ये एंटर केलेला मजकूर सेवेच्या धोरणानुसार स्टोअर केला जाऊ शकतो किंवा त्यावर प्रक्रिया केली जाऊ शकते. म्हणून:

• सार्वजनिक AI मध्ये अप्रकाशित मूळ संरचना (प्री-पेटंट रेणू) जारी करण्यापूर्वी तुमचे संस्थात्मक धोरण तपासा.
• वैयक्तिक/रुग्ण डेटा (क्लिनिकल नमुने) ओळखण्यायोग्य स्वरूपात कधीही प्रविष्ट करू नका.
• व्यापार गुप्त संश्लेषण मार्ग सामायिक करण्यापूर्वी गोपनीयता करारांचे पुनरावलोकन करा.
• जेव्हा आवश्यक असेल तेव्हा इन-हाऊस/कस्टम डिप्लॉयमेंट एआय टूल्सची निवड करा.

खबरदारी: सामान्य AI ला रेणूबद्दल विचारणे म्हणजे त्या रेणूची रचना उघड करणे. पेटंट न केलेल्या अनन्य संरचनेसाठी, हे तुमचे प्राधान्य (पेटंट अधिकार) धोक्यात आणू शकते. जेनेरिक/सरोगेट उदाहरणांसह लपलेल्या रचनांसाठी विचारा.

नीतिशास्त्र: चार तत्त्वे

1. पारदर्शकता: तुम्ही एआय कुठे वापरता ते लपवू नका; प्रकाशन आणि संस्थात्मक धोरणांचे पालन करा.
2. जबाबदारी: मानव अंतिम निर्णयासाठी जबाबदार आहे; "AI सुचवले" सुरक्षा किंवा अखंडतेचे उल्लंघन माफ करत नाही.
3. गैर-विघातकता: धोकादायक/बेकायदेशीर संश्लेषण, दुहेरी-वापर (शस्त्रे संभाव्य) अनुप्रयोगांसाठी AI वापरू नका.
4. निष्पक्षता आणि प्रामाणिकपणा: डेटा विकृत करू नका, परिणाम सुशोभित करू नका, विशेषता बनवू नका.

एंड-टू-एंड वर्कफ्लो: रेणू → अहवाल

आता संपूर्ण मॉड्यूल एका प्रवाहात एकत्र करू. प्रत्येक टप्प्यावर, एआय काय करते आणि मानव काय करतो यातील फरकाकडे लक्ष द्या.

स्टेज

AI ची भूमिका

मानवांची (गंभीर) भूमिका

1. कल्पना/साहित्य

संकल्पना सारांश, शोध संज्ञा

वास्तविक स्त्रोत शोधणे, विशेषता पुष्टीकरण

2. संरचनेचे वर्णन

स्माईल व्युत्पन्न करत आहे

RDKit, InChIKey सह प्रमाणीकरण

3. संश्लेषण योजना

रेट्रोसिंथेसिस, पर्याय

साहित्य पुष्टीकरण, मार्ग निवड

4. सुरक्षा

SDS सारांश, प्राथमिक जुळत नाही

एसडीएस वाचन, मान्यता, पीपीई निर्णय

5. अर्ज

(काहीही नाही)

सर्व प्रयोगशाळा काम

6. विश्लेषण

स्पेक्ट्रम टिप्पणी समर्थन

अंतिम रचना असाइनमेंट

7. डेटा प्रोसेसिंग

कोड लिहिणे

कोड चालवा, परिणाम सत्यापित करा

8. दस्तऐवजीकरण

स्वरूपन, नियंत्रण

निरीक्षण, विचलन, स्वाक्षरी

9. अहवाल देणे

मसुदा मजकूर

क्रमांक/उद्धरण पडताळणी, जबाबदारी

हे सारणी दाखवते की मॉड्युलचे 11 युनिट्स एका कामात कसे व्यवस्थित केले जातात. एआय वेग वाढवते; लोक सत्यापित करतात आणि मालक असतात.

स्टेप बाय स्टेप: वर्कफ्लो सेट अप करा

1. भूमिका स्पष्ट करा: प्रत्येक कार्यासाठी, "एआय किंवा मानव ठरवते?" सुरुवातीपासून निश्चित करा.
2. गोपनीयता फिल्टर सेट करा: AI ला काही न देता तुम्ही विचारू शकता "हे खाजगी/खाजगी आहे का?" विचारा
3. पुट व्हेरिफिकेशन गेट्स: प्रत्येक टप्प्याच्या शेवटी एक पडताळणी पायरी (युनिट 10 मधील टेबल).
4. ट्रेसेबिलिटी ठेवा: AI मधून कोणते आउटपुट आले, ते कसे पडताळले गेले, कोणी मंजूर केले.
5. मंजूरी बिंदू सेट करा: सुरक्षितता आणि अंतिम निकाल यासारख्या गंभीर मुद्यांवर मानवी मान्यता अनिवार्य आहे.
6. अभिप्राय: पकडलेल्या प्रत्येक त्रुटीची नोंद करा आणि कार्यप्रवाह सुधारा.

चार कॉपी करण्यायोग्य टेम्पलेट्स

1) गोपनीयता प्री-फिल्टर:

प्रश्न विचारण्यापूर्वी, याचा विचार करा:सामग्री: [मी काय विचारत आहे]कार्य: या सामग्रीमध्ये अप्रकाशित मूळ कलाकृती, वैयक्तिक डेटा किंवा व्यापार रहस्ये आहेत का? तसे असल्यास, रचना लपवेल अशा सामान्य/सरोगेट उदाहरणासह मी प्रश्न पुन्हा कसा लिहू शकतो ते सुचवा.

२) फेज सत्यापन गेटचा शेवट:

मी खालील टप्पा पूर्ण केला आहे: [फेज, उदा. संश्लेषण योजना].कार्य: या टप्प्यातून पडताळणी करणे आवश्यक असलेल्या सर्व घटकांची यादी करा (संख्या, उद्धरण, रचना, सुरक्षा दावा). प्रत्येकासाठी, सत्यापन पद्धत लिहा आणि त्याची पुष्टी कोणी करावी. पुढील चरणावर जाण्यापूर्वी बंद करणे आवश्यक असलेल्या कोणत्याही खुल्या आयटमवर चिन्हांकित करा.

3) मानवी-एआय भूमिका वितरण योजना:

माझा प्रकल्प: [लहान वर्णन].कार्य: हा प्रकल्प टप्प्याटप्प्याने विभाजित करा. प्रत्येक टप्प्यासाठी, यामध्ये फरक करा: - एआय काय करू शकते (मसुदा, कोड, सारांश) - मानवाने काय ठरवले पाहिजे (सुरक्षा, परिणाम, मान्यता). गंभीर मुद्दे चिन्हांकित करा जिथे अंतिम जबाबदारी मानवावर आहे.

4) अखंडता तपासणीचा अहवाल द्या:

खाली माझा अहवाल मसुदा आहे:[DRAFT]कार्य: खालील गोष्टी तपासा आणि चिन्हांकित करा:1) काही असत्यापित संख्या/उद्धरण आहेत का? 2) AI चा वापर पारदर्शकपणे नमूद केला आहे का? 3) डेटा "सुशोभित" (बाहेर लपवलेला) दिसतो का? 4) काही सुरक्षा/नैतिक त्रुटी आहेत का? तुम्हाला कुठे खात्री नाही [तपासा].

कमकुवत प्रॉम्प्ट / मजबूत प्रॉम्प्ट

कमकुवत:

आमच्या कंपनीच्या नवीन गुप्त रेणूचे संश्लेषण करण्याचा सर्वोत्तम मार्ग कोणता आहे? [वास्तविक मूळ रचना]

हे मूळ प्री-पेटंट संरचना सामान्य सेवेसाठी उघड करते; हे प्राधान्य आणि गोपनीयता धोक्यात आणते.

मजबूत:

मला सुगंधी केटोन्सच्या वर्गाच्या समान संरचनेसाठी सामान्य रेट्रोसिंथेसिस धोरण शिकायचे आहे. काँक्रिट, मूळ रचना न देता सामान्य उदाहरणाद्वारे (एसीटोफेनोन व्युत्पन्न) स्पष्ट करा. मी ही रणनीती माझ्या घरातील माझ्या स्वतःच्या रेणूवर लागू करेन.

फरक: सुप्त रचना उघड न करता, जेनेरिक सरोगेट उदाहरणाप्रमाणेच शिक्षण प्राप्त झाले.

लहान प्रकरणे

केस 1 - मूळ रचना उघड. पेटंटसाठी अर्ज करण्यापूर्वी एका टीमने सामान्य AI ला एका अद्वितीय रेणूबद्दल विचारले. कायदेशीर युनिटने सांगितले की यामुळे प्राधान्य प्रश्नात येऊ शकते; प्रक्रियेला विलंब झाला. धडा: जेनेरिक प्रॉक्सीसह अद्वितीय रचनांसाठी विचारा, गोपनीयता धोरणाचा आदर करा.

प्रकरण 2 - मानवी संमतीने अपघात टाळला. स्वयंचलित वर्कफ्लोमध्ये, एआयने एक मसुदा प्रक्रिया तयार केली आणि ती थेट अंमलात आणली जाणार होती; पण एका अनुभवी केमिस्टने फ्लो-थ्रू "सेफ्टी क्लीयरन्स" गेटवर अभिकर्मकांची एक विसंगत जोडी पकडली. धडा: गंभीर बिंदूंवर, मानवी मान्यता गेट्स जीव वाचवतात.

केस 3 - एंड-टू-एंड शिस्त. एका मास्टरच्या विद्यार्थ्याने संपूर्ण मॉड्यूल एका प्रोजेक्टमध्ये अंमलात आणले: साहित्य सारांश + AI सह वास्तविक उद्धरण पडताळणी, RDKit सह संरचना सत्यापन, कोडसह डेटा विश्लेषण, SDS सह सुरक्षा, प्रामाणिक दस्तऐवजीकरण, पारदर्शक अहवाल. परिणाम दोन्ही जलद आणि अधिक मजबूत होते; थीसिस डिफेन्समध्ये "तुम्ही एआय कसे सत्यापित केले?" या प्रश्नाचे त्यांनी स्पष्ट उत्तर दिले. धडा: AI + सत्यापन शिस्त एकत्रितपणे उत्तम प्रकारे कार्य करते.

सामान्य चुका

• सामान्य AI ला सुप्त रचना देणे. हे पेटंट प्राधान्य आणि व्यापार गुपित तडजोड करते.
• ओळखण्यायोग्य वैयक्तिक/रुग्ण डेटा प्रविष्ट करणे. गोपनीयता भंग आणि कायदेशीर धोका.
• मंजुरीचे दरवाजे बायपास करणे. सुरक्षितता आणि शेवटी मानवी संमतीशिवाय पुढे जाणे.
• AI कडे जबाबदारी हस्तांतरित करत आहे. “AI सुचवले” कोणत्याही चुका माफ करत नाही.
• पारदर्शकता टाळणे. AI चा वापर लपविणे अखंडतेला कमी करते.
• दुहेरी वापराच्या जोखमीकडे दुर्लक्ष करणे. हानिकारक अनुप्रयोगांसाठी AI वापरणे अनैतिक आहे.

टीप: तुमचा कार्यप्रवाह "मानवी थांबवतो आणि मंजूर करतो प्रत्येक गंभीर निर्णय" सह डिझाइन करा. AI ला एक दुवा बनवा जो साखळीला गती देतो आणि साखळी धारण करणारा नोड नेहमीच मानवी असतो.

सारांशात

• प्रयोगातील मानवी तत्त्व: प्रत्येक गंभीर रासायनिक निर्णयामध्ये, माणूस समजतो, पर्यवेक्षण करतो आणि मंजूर करतो.
• गोपनीयता: सार्वजनिक AI ला अद्वितीय कलाकृती, वैयक्तिक डेटा आणि व्यापार रहस्ये प्रदान करू नका; जेनेरिक प्रॉक्सी वापरा.
• नैतिकता: पारदर्शकता, जबाबदारी, गैर-दोष, प्रामाणिकपणा ही चार मूलभूत तत्त्वे आहेत.
• एंड-टू-एंड वर्कफ्लोमध्ये, एआय प्रत्येक टप्प्यावर वेग वाढवते; लोक सत्यापित करतात आणि मालक असतात.
• मानवी मान्यता गेट्स गंभीर बिंदूंवर ठेवा (सुरक्षा, अंतिम परिणाम) आणि शोधण्यायोग्यता राखा.

अर्ज कार्य

तुमचा स्वतःचा (वास्तविक किंवा काल्पनिक) प्रकल्प निवडा आणि सुरुवातीपासून शेवटपर्यंत एआय-मानवी कार्यप्रवाह डिझाइन करा. वरील 9-टप्प्याचे सारणी आपल्या स्वतःच्या प्रकल्पाशी जुळवून घ्या: प्रत्येक टप्प्यावर एआय काय करेल, मानव काय मंजूर करेल? प्रायव्हसी प्री-फिल्टर लागू करा: तुम्ही AI ला कोणती माहिती देत ​​नाही, तुम्ही ती कशी सामान्यीकृत कराल? किमान दोन मानवी-मंजुरी गेट्स आणि एक ट्रेसिबिलिटी पद्धत परिभाषित करा. एक-पृष्ठ "वर्कफ्लो आणि पडताळणी योजना" लिहा.

चेकलिस्ट

• प्रयोगात, मी मानवी तत्त्व समजून घेतले आणि ते का आवश्यक आहे.
• [ ] मी लपलेली रचना/डेटा सामान्य AI ला न देता जेनेरिकाइज करतो.
• [] मी पारदर्शकता, जबाबदारी, गैर-दुर्भावना आणि प्रामाणिकपणा या तत्त्वांचे पालन करतो.
• [] मी एंड-टू-एंड वर्कफ्लोमध्ये AI/मानवी भूमिका विभक्त केल्या.
• [ ] मी गंभीर बिंदूंवर मानवी मान्यता गेट्स ठेवतो.
• AI मधून कोणते आउटपुट येते आणि ते कसे सत्यापित केले जाते याचा मी मागोवा घेतो.

मॉड्यूल परीक्षा

1. रसायनशास्त्रातील कृत्रिम बुद्धिमत्तेसाठी खालीलपैकी कोणते स्थान सर्वात अचूक आहे?

• अ) कृत्रिम बुद्धिमत्ता एक कोड, मसुदा आणि संपादन सहाय्यक आहे; रचना, संख्या, संसाधने, सुरक्षा आणि नैतिक निर्णयांची जबाबदारी मानवांवर आहे ✔
• ब) कृत्रिम बुद्धिमत्ता हे रसायनशास्त्राचे इंजिन आहे आणि ते जे आण्विक वजन देते ते नेहमीच अचूक असते.
• क) कृत्रिम बुद्धिमत्ता केवळ साहित्य समीक्षेत कार्य करते, त्याचा विश्लेषण आणि सुरक्षिततेशी काहीही संबंध नाही
• ड) कृत्रिम बुद्धिमत्ता मानवांपेक्षा अधिक निष्पक्ष असल्याने, सुरक्षा निर्णय त्यावर सोडले पाहिजेत.

वर्णन: कृत्रिम बुद्धिमत्ता; हा एक सहाय्यक आहे जो कोड लिहितो, मसुदे तयार करतो, रेट्रोसिंथेसिस स्केलेटन तयार करतो, स्पेक्ट्रम इंटरप्रिटेशनला मदत करतो आणि व्यवस्थापित करतो. तथापि, आण्विक वजन आणि स्टोइचियोमेट्रीची निश्चित गणना, RDKit सह संरचनेची पडताळणी, डेटाबेसमधील उद्धरणांची पुष्टी, SDS/GHS सह सुरक्षिततेचा निर्णय आणि अंतिम जबाबदारी सक्षम केमिस्टची आहे. मोठ्या भाषेचे मॉडेल कॅल्क्युलेटर किंवा रसायनशास्त्र इंजिन नाही; हा एक मजकूर जनरेटर आहे जो 'पुढील बहुधा शब्द' तयार करतो आणि त्याच्या असत्यापित आउटपुटमुळे चुकीची रचना, संख्या किंवा धोका होऊ शकतो.

2. कृत्रिम बुद्धिमत्तेसाठी रेणूचे वर्णन करण्याचा सर्वात विश्वासार्ह मार्ग कोणता आहे?

• अ) फक्त सामान्य तुर्की नाव लिहिणे
• ब) स्माईल सारखे संरचनेचे प्रतिनिधित्व देणे आणि InChIKey सह ओळख पुष्टी करणे ✔
• क) फक्त आण्विक वजन सांगत आहे
• ड) ट्रेडमार्क लिहिणे पुरेसे आहे

स्पष्टीकरण: नावे (विशेषत: व्यापार आणि समानार्थी नावे) अस्पष्ट आहेत आणि चुकीचे रेणू होऊ शकतात. रेणूला स्माइल्स सारखी रचना संकेत दिल्याने अचूकता मिळते; InChIKey च्या डेटाबेसमध्ये त्याच्या ओळखीची पुष्टी केली जाते. याव्यतिरिक्त, कृत्रिम बुद्धिमत्तेद्वारे दिलेले स्माईल RDKit सह पार्स केले जाणे आवश्यक आहे आणि कॅनोनिकलायझेशनद्वारे सत्यापित केले जाणे आवश्यक आहे.

3. तुम्ही कृत्रिम बुद्धिमत्तेद्वारे दिलेले आण्विक वजन कसे वापरावे?

• अ) ते थेट वापरणे, कारण AI संख्यांमध्ये विश्वासार्ह आहे
• ब) फॉर्म्युलावरून स्वहस्ते किंवा RDKit सह स्वतंत्रपणे गणना करा आणि सत्यापित करा ✔
• क) दुसऱ्या कृत्रिम बुद्धिमत्तेबद्दल विचारणे आणि तुलना करणे पुरेसे आहे
• ड) आण्विक वजन बिनमहत्त्वाचे आहे, पडताळणीची आवश्यकता नाही

स्पष्टीकरण: आण्विक वजन हे आण्विक सूत्रावरून निश्चितपणे मोजले जाणारे प्रमाण आहे. म्हणून भाषा मॉडेल विचारणे हा सर्वात कमकुवत मार्ग आहे; हे स्वतंत्रपणे RDKit सारख्या साधनाने किंवा फॉर्म्युलावरून स्वहस्ते गणना करून सत्यापित केले पाहिजे. भाषा मॉडेल अशा संख्यांना 'संभाव्य दिसणाऱ्या' मूल्यासह बसवू शकते.

4. आर्टिफिशियल इंटेलिजन्सद्वारे परत केलेले साहित्य उद्धरण (लेख/DOI) वापरण्यापूर्वी काय केले पाहिजे?

• अ) काहीही नाही; कृत्रिम बुद्धिमत्तेचा संदर्भ दिला तर ते वास्तव आहे
• ब) ते पटण्यासारखे दिसण्यासाठी फक्त शीर्षक पाहणे पुरेसे आहे.
• क) प्रत्येक उद्धरण आणि DOI डेटाबेसमध्ये डीकोड करून त्यांची पुष्टी करणे (doi.org, Crossref) ✔
• ड) लांब DOI क्रमांक हे खरे असल्याचे सिद्ध करतो.

वर्णन: भाषा मॉडेल लेख, लेखक आणि DOI तयार करू शकते जे वास्तववादी दिसतात परंतु अस्तित्वात नाहीत (बनावट उद्धरण). फक्त ते DOI देते याचा अर्थ ते वैध आहे असे नाही. प्रत्येक उद्धरण हे doi.org, Crossref किंवा प्रकाशकाच्या साइट सारख्या डेटाबेसमधील ठरावाद्वारे सत्यापित करणे आवश्यक आहे; वास्तविक लेख शोधणे आणि कृत्रिम बुद्धिमत्तेद्वारे मजकूर सारांशित करणे हा मानवासाठी सर्वात सुरक्षित प्रवाह आहे.

5. कोणत्या क्षेत्रात कृत्रिम बुद्धिमत्ता सर्वात कमकुवत आहे आणि प्रतिक्रिया नियोजनात पुष्टी आवश्यक आहे?

• अ) प्रतिक्रिया कोणत्या सामान्य वर्गाची आहे हे ओळखण्यासाठी
• ब) अचूक स्थिती क्रमांक, उत्पन्न मूल्ये आणि अभिकर्मक/उत्प्रेरक नावे ✔
• क) साध्या भाषेत यंत्रणा स्पष्ट करणे
• ड) पर्यायी मार्गांसाठी विचारमंथन

स्पष्टीकरण: AI सामान्यत: प्रतिक्रियेचा प्रकार आणि चांगल्या-दस्तऐवजीकरण केलेल्या प्रतिक्रियांच्या मुख्य उत्पादनाचा चांगला अंदाज लावते. तथापि, अचूक स्थिती क्रमांक (तापमान, वेळ, समतुल्य), उत्पन्न मूल्ये, दुर्मिळ प्रतिक्रिया, आणि अभिकर्मक/उत्प्रेरक नावे सर्वात कमकुवत आणि बनावट बनविण्यास प्रवण आहेत; साहित्य आणि कॅटलॉगसह याची पुष्टी केली पाहिजे.

6. स्पेक्ट्रम इंटरप्रिटेशनमध्ये कृत्रिम बुद्धिमत्ता वापरण्याचा सर्वात विश्वासार्ह मार्ग कोणता आहे?

• अ) फक्त काही शिखरे द्या आणि 'हा कोणता स्पेक्ट्रम आहे?' विचारण्यासाठी
• ब) अपेक्षित रचना आणि संपूर्ण कच्चा डेटा देणे आणि सातत्य तपासणे (पोथीसिस चाचणी) ✔
• क) एकीकरण आणि विभागणी न करता फक्त शिफ्ट व्हॅल्यूज लिहिणे
• ड) निश्चित संरचना असाइनमेंट एकाच तंत्राने (केवळ IR)

वर्णन: AI ला विचारा 'हे स्पेक्ट्रम कोणते कंपाऊंड आहे?' सुरवातीपासून विचारल्याने त्रुटी दर वाढतो. सर्वात विश्वासार्ह मार्ग म्हणजे अपेक्षित रचना (SMILES) आणि रॉ डेटा (एकीकरण, विभाजन, सॉल्व्हर, पीक लिस्ट) एकत्र देणे आणि 'हा डेटा या संरचनेशी सुसंगत आहे का?' विचारणे आहे; म्हणजे, कृत्रिम बुद्धिमत्ता वापरून गृहीतक परीक्षक म्हणून. प्रायोगिक स्पेक्ट्रमचे परीक्षण करणाऱ्या केमिस्टसाठी अंतिम असाइनमेंट आहे.

7. रासायनिक गणनेचा परिणाम (उदा. टक्के उत्पन्न) मिळविण्याचा सर्वात विश्वासार्ह मार्ग कोणता आहे?

• अ) कृत्रिम बुद्धिमत्तेकडून थेट तोंडी निकालाची विनंती करणे
• ब) खात्याचा पायथन कोड मुद्रित करा आणि चालवा आणि ज्ञात उदाहरणासह त्याची चाचणी करा ✔
• क) तोच प्रश्न अनेक वेळा विचारा आणि वारंवार येणारा क्रमांक मिळवा
• ड) युनिट निर्दिष्ट न करता त्वरीत अंदाज लावणे

स्पष्टीकरण: भाषा मॉडेल 'संभाव्य परिणामाचा अंदाज घेऊन' अंकगणित करते आणि अगदी साध्या गुणाकारानेही चुकीचे असू शकते. सर्वात विश्वासार्ह मार्ग म्हणजे AI ने त्याचा CODE (उदा. Python) लिहावा, खाते नाही तर तो कोड चालवावा; कोड निर्धारक आणि ऑडिट करण्यायोग्य आहे. कोडची चाचणी एका लहान नमुन्याने देखील केली पाहिजे ज्याचे उत्तर ज्ञात आहे.

8. आण्विक मालमत्तेच्या अंदाजामध्ये 'डोमेन ऑफ ऍप्लिकॅबिलिटी' या संकल्पनेचा अर्थ काय आहे?

• अ) ज्या संगणकावर मॉडेल चालते त्याची प्रोसेसिंग पॉवर
• ब) प्रशिक्षण डेटा सारखा आण्विक प्रदेश, जेथे मॉडेल विश्वसनीय अंदाज देते ✔
• क) हमी क्षेत्र जेथे मॉडेलद्वारे दिलेली संख्या नेहमी अचूक असते
• ड) तापमान श्रेणी ज्यामध्ये रेणू प्रयोगशाळेत संश्लेषित केले जाऊ शकतात

स्पष्टीकरण: QSAR/प्रेडिक्शन मॉडेल रेणूंवर चांगले कार्य करते जे ते प्रशिक्षित केलेल्या रेणूंसारखे असतात. प्रशिक्षण डेटापेक्षा खूप वेगळा असलेला रेणू दिल्यास, मॉडेल अजूनही संख्या तयार करते, परंतु हे अविश्वसनीय आहे; याला 'लागूतेच्या कक्षेच्या बाहेर असणे' असे म्हणतात. मॉडेल नेहमी उत्तर देते; उत्तर विश्वसनीय आहे की नाही याचे मूल्यमापन करणे मानवावर अवलंबून आहे.

9. प्रयोग दस्तऐवजीकरणातील निरीक्षणे हाताळण्याचा योग्य दृष्टीकोन कोणता आहे?

• अ) वेळ वाचवण्यासाठी कृत्रिम बुद्धिमत्तेवर निरीक्षणे लिहिणे
• ब) प्रयोग करणारी व्यक्ती निरीक्षणे लिहून ठेवते; AI फक्त फॉरमॅट आणि चेक ✔
• क) निरीक्षणे रेकॉर्ड न करणे पुरेसे आहे, फक्त अंतिम उत्पन्न लिहा
• ड) अहवाल छान दिसण्यासाठी योजनेतील विचलन लपवणे

स्पष्टीकरण: कृत्रिम बुद्धिमत्ता काय आहे हे माहित नाही; निरीक्षणे (रंग बदलणे, वायू सोडणे, इ.) त्यात बसवल्याने अशा नोंदी तयार होतात ज्या प्रशंसनीय वाटतात परंतु घडल्या नाहीत आणि ही वैज्ञानिक फसवणूक आहे. एआय रेकॉर्डिंगचे स्वरूपन करते, गहाळ फील्ड आठवते आणि पुनरावृत्ती होण्यासाठी तपासते; परंतु मानवी प्रयोगकर्त्याने निरीक्षणे आणि तथ्ये प्रदान करणे आवश्यक आहे. योजनेतील विचलन देखील रेकॉर्ड करणे आवश्यक आहे.

10. प्रयोगशाळेच्या सुरक्षिततेमध्ये कृत्रिम बुद्धिमत्तेची भूमिका काय आहे आणि सत्याचा स्रोत काय आहे?

• अ) जर आर्टिफिशियल इंटेलिजेंस 'सेफ' म्हणत असेल तर दुसऱ्या स्रोताची गरज नाही
• ब) सत्याचा स्रोत एसडीएस आणि जीएचएस आहे; AI उपयुक्त आहे पण अंतिम म्हणू शकत नाही ✔
• क) सुरक्षा निर्णय पूर्णपणे कृत्रिम बुद्धिमत्तेकडे सोपवले जाऊ शकतात
• ड) एसडीएस अनावश्यक आहे; इंटरनेट मंच पुरेशी माहिती प्रदान करतात.

वर्णन: रसायनशास्त्रात सुरक्षिततेला सर्वोच्च प्राधान्य दिले जाते आणि कृत्रिम बुद्धिमत्ता येथे कधीही शेवटचा शब्द असू शकत नाही. वास्तविक सुरक्षितता माहितीचा स्त्रोत म्हणजे SDS (सेफ्टी डेटा शीट) आणि निर्मात्याने प्रदान केलेले GHS वर्गीकरण. AI SDS मजकूर सारांशित करू शकते, फॉर्म ड्राफ्ट तयार करू शकते आणि प्राथमिक गैर-अनुपालन स्क्रीनिंग करू शकते; तथापि, सर्व दाव्यांची पडताळणी SDS सह करणे आवश्यक आहे आणि प्रक्रिया अनुभवी व्यक्ती/सुरक्षा अधिकाऱ्याने मंजूर केलेली असणे आवश्यक आहे.

11. अभिकर्मकांचे खालीलपैकी कोणते संयोग ज्ञात घातक (विसंगत) जुळतात?

• अ) पाणी आणि टेबल मीठ मिसळणे
• ब) हायपोक्लोराइट (क्लोरीन वायूचा धोका) असलेल्या द्रावणात आम्लयुक्त द्रावण मिसळणे ✔
• क) इथेनॉल आणि पाणी मिसळणे
• ड) साखर आणि पाणी विरघळवणे

स्पष्टीकरण: काही रसायने एकटे तुलनेने सुरक्षित असली तरी ती एकत्रितपणे धोकादायक असतात. आम्ल आणि हायपोक्लोराईट यांचे मिश्रण केल्याने क्लोरीन वायू बाहेर पडतो; ऑक्सिडायझर + ऑरगॅनिकमुळे आग/स्फोट, पाणी + प्रतिक्रियाशील धातू उष्णता/हायड्रोजनचा धोका असतो. जरी AI ला यापैकी बहुतेक संयोजन माहित आहेत, तरीही ते त्या सर्वांची हमी देत ​​नाही आणि कधीकधी निष्पाप भाषेत धोकादायक सूचना सादर करू शकते; SDS चे पालन न करण्यासाठी प्रत्येक प्रक्रियेची तपासणी केली पाहिजे.

12. 'भ्रम' साठी सर्वात अचूक अभिव्यक्ती कोणती आहे (कृत्रिम बुद्धिमत्ता बनावट माहिती तयार करते)?

• अ) ही एक दुर्मिळ सॉफ्टवेअर त्रुटी आहे आणि अपडेटसह पूर्णपणे काढून टाकली जाते.
• ब) हे भाषेच्या मॉडेलमध्ये अंतर्भूत एक वर्तन आहे; प्रत्येक आउटपुट ✔ स्वतंत्रपणे सत्यापित करणे हा उपाय आहे
• क) हे फक्त चुकीच्या पद्धतीने लिहिलेल्या प्रॉम्प्टमध्ये दिसते, योग्य प्रॉम्प्टमध्ये नाही.
• ड) जर कृत्रिम बुद्धिमत्ता सुरक्षित भाषेत बोलली तर तो भ्रम नाही

स्पष्टीकरण: भ्रम हा दोष नसून भाषा मॉडेलच्या स्वरूपाचा परिणाम आहे ज्यामुळे 'पुढचा बहुधा शब्द' निर्माण होतो; मॉडेलचे लक्ष्य शक्य आहे, खरे नाही. सर्वात कपटी भाग असा आहे की ते सत्यासारख्याच आत्मविश्वासपूर्ण भाषेत खोटी माहिती सादर करते. उपाय म्हणजे मॉडेलचे निराकरण करण्याचा प्रयत्न करणे नव्हे, तर प्रत्येक आउटपुटभोवती एक प्रकार-योग्य प्रमाणीकरण शेल तयार करणे; प्रवाह हा कधीही अचूकतेचा पुरावा नसतो.

13. गंभीर मूल्य (उदा. आण्विक वजन) सत्यापित करण्यासाठी 'त्रिकोण' म्हणजे काय?

• अ) एकाच कृत्रिम बुद्धिमत्तेला एकच प्रश्न तीन वेळा विचारणे
• ब) एकापेक्षा जास्त स्वतंत्र पद्धतीने तुलना करणे आणि समान निष्कर्षापर्यंत पोहोचणे ✔
• क) एकाच वेळी तीन वेगवेगळ्या रेणूंचे वजन मोजणे
• ड) निकालाला तीन दशांश ठिकाणी पूर्ण करणे

स्पष्टीकरण: त्रिकोण अनेक स्वतंत्र मार्गांद्वारे समान निष्कर्षापर्यंत पोहोचत आहे; उदाहरणार्थ, कृत्रिम बुद्धिमत्ता, RDKit गणना आणि मॅन्युअल गणनानुसार आण्विक वजनाची तुलना करणे. दोन स्वतंत्र मार्ग ओव्हरलॅप झाल्यास, विश्वास जास्त आहे; कोणी विचलित झाल्यास त्याला थांबवून चौकशी केली जाते. एकाच स्त्रोतावर अवलंबून न राहता, किमान दोन स्वतंत्र पद्धती शोधल्या पाहिजेत.

14. पेटंट न झालेल्या अद्वितीय रेणूबद्दल सामान्य AI सेवेला विचारण्याचा योग्य मार्ग कोणता आहे?

• अ) मूळ रचना थेट देणे, कारण वेग महत्त्वाचा आहे
• ब) मूळ रचना उघड न करता सामान्य/सरोगेट उदाहरणाद्वारे धोरण शिकणे ✔
• क) रचना देणे ही समस्या नाही, AI कधीही माहिती लपवत नाही
• ड) रेणूचे नाव न देता फक्त त्याचे संपूर्ण स्माईल शेअर करणे पुरेसे संरक्षण आहे.

वर्णन: सामान्य कृत्रिम बुद्धिमत्ता सेवेमध्ये प्रविष्ट केलेली सामग्री सेवा धोरणानुसार संग्रहित किंवा प्रक्रिया केली जाऊ शकते; मूळ रचना दिल्यास गोपनीयतेला आणि पेटंटला प्राधान्य दिले जाते. सामान्य/सरोगेट उदाहरण (संरचनांचा एक समान वर्ग) कडून धोरण शिकणे आणि मूळ रचना उघड न करता, घरातील स्वतःच्या रेणूवर लागू करणे हा योग्य दृष्टीकोन आहे. वैयक्तिक/रुग्ण डेटा देखील ओळखण्यायोग्य स्वरूपात प्रविष्ट केला जाऊ नये.