Mens in experiment: ethiek, privacy, verantwoordelijkheid en end-to-end workflow

Winst:

• Het menselijke principe integreren in de end-to-end workflow in het experiment en in staat zijn om kunstmatige intelligentie/menselijke rollen in elke fase te scheiden
• Vermogen om met generieke proxyvoorbeelden te werken zonder vertrouwelijke structuur en gegevens aan algemene kunstmatige intelligentie te geven
• Mogelijkheid om op kritieke punten menselijke goedkeuringspoorten te plaatsen en de uiteindelijke verantwoordelijkheid op zich te nemen met transparantie en traceerbaarheid

In deze laatste unit combineren we de hele module in één raamwerk: human-in-the-loop. Dit principe zegt dat, hoe capabel de AI ook is, een mens elk kritiek punt van een chemische beslissing moet begrijpen, controleren en goedkeuren. In deze unit zullen we eerst de ethische en vertrouwelijkheidsaspecten verduidelijken, vervolgens een end-to-end workflow opzetten die een molecuul van idee naar rapport brengt, en zien hoe AI en mensen de arbeid in elke fase verdelen. Het doel is om alles wat je hebt geleerd om te zetten in een systeem dat past in het dagelijkse werk.

Privacy: wat moet je niet aan AI geven?

De chemie werkt vaak met vertrouwelijke informatie: niet-gepatenteerde moleculen, bedrijfsgeheime syntheseroutes, niet-gepubliceerde gegevens, patiëntenmonsters. Tekst die u invoert in een openbare AI-dienst kan worden opgeslagen of verwerkt in overeenstemming met het beleid van de dienst. Daarom:

• Controleer uw institutioneel beleid voordat u ongepubliceerde originele structuren (pre-patentmoleculen) vrijgeeft aan openbare AI.
• Voer nooit persoonlijke/patiëntgegevens (klinische monsters) in een identificeerbare vorm in.
• Controleer de vertrouwelijkheidsovereenkomsten voordat u de syntheseroutes voor handelsgeheimen deelt.
• Kies indien nodig voor interne of op maat gemaakte AI-tools.

Let op: Als u een algemene AI naar een molecuul vraagt, kan dit betekenen dat u de structuur van dat molecuul moet onthullen. Bij een unieke structuur die niet gepatenteerd is, kan dit uw voorrang (octrooirecht) in gevaar brengen. Vraag naar verborgen structuren met generieke/surrogaatvoorbeelden.

Ethiek: vier principes

1. Transparantie: Verberg niet waar u AI gebruikt; Voldoen aan publicatie- en institutioneel beleid.
2. Verantwoordelijkheid: De mens is verantwoordelijk voor de uiteindelijke beslissing; “AI voorgesteld” is geen excuus voor een inbreuk op de beveiliging of integriteit.
3. Niet schadelijk: gebruik AI niet voor gevaarlijke/illegale syntheses en toepassingen voor tweeërlei gebruik (wapenpotentieel).
4. Eerlijkheid en eerlijkheid: Verdraai de gegevens niet, verfraai de resultaten niet en verzin geen toeschrijvingen.

End-to-end workflow: molecuul → rapport

Laten we nu de hele module combineren in één enkele stroom. Let in elke fase op het onderscheid tussen wat de AI doet en wat de mens doet.

Stadium

Rol van AI

De (kritische) rol van de mens

1. Idee/literatuur

Conceptsamenvatting, zoekterm

Het vinden van de echte bron, bevestiging van de toeschrijving

2. Structuurbeschrijving

GLIMLACHEN genereren

Authenticatie met RDKit, InChIKey

3. Syntheseplan

Retrosynthese, alternatieven

Literatuurbevestiging, padkeuze

4. Beveiliging

SDS-samenvatting, voorlopige mismatch

SDS lezen, goedkeuring, PBM-beslissing

5. Toepassing

(Geen)

Alle laboratoriumwerkzaamheden

6. Analyse

Ondersteuning voor spectrumcommentaar

Laatste structuuropdracht

7. Gegevensverwerking

code schrijven

Voer de code uit, verifieer het resultaat

8. Documentatie

Opmaak, controle

Observatie, afwijking, handtekening

9. Rapportage

concepttekst

Nummer-/citaatverificatie, verantwoording

Deze tabel laat zien hoe de 11 eenheden van de module in één taak zijn gerangschikt. AI versnelt; mensen verifiëren en bezitten.

Stap voor stap: het inrichten van de workflow

1. Rollen verduidelijken: Voor elke taak: “Beslist de AI of de mens?” vanaf het begin bepalen.
2. Stel een privacyfilter in: Zonder iets aan de AI te geven, kun je vragen "is dit privé/privé?" vragen.
3. Plaats verificatiepoorten: een verificatiestap aan het einde van elke fase (tabel in unit 10).
4. Traceerbaarheid behouden: welke output kwam van de AI, hoe werd deze geverifieerd, wie heeft deze goedgekeurd.
5. Stel goedkeuringspunten in: Menselijke goedkeuring is verplicht op kritieke punten zoals beveiliging en eindresultaat.
6. Feedback: registreer elke geconstateerde fout en verbeter de workflow.

Vier kopieerbare sjablonen

1) Privacy-voorfilter:

Voordat u een vraag stelt, moet u het volgende overwegen: Inhoud: [WAT IK VRAAG] Taak: Bevat deze inhoud ongepubliceerde originele artefacten, persoonlijke gegevens of bedrijfsgeheimen? Als dat zo is, stel dan voor hoe ik de vraag kan herschrijven met een algemeen/surrogaatvoorbeeld dat de structuur verbergt.

2) Einde fase verificatiepoort:

Ik heb de volgende fase afgerond: [FASE, b.v. syntheseplan].Taak: Maak een lijst van alle elementen die moeten worden geverifieerd als ze uit deze fase komen (nummer, citatie, structuur, beveiligingsclaim). Schrijf voor elk de verificatiemethode op en wie deze moet bevestigen. Markeer alle openstaande items die moeten worden gesloten voordat u doorgaat naar de volgende stap.

3) Rolverdelingsplan voor mens en AI:

Mijn project: [KORTE BESCHRIJVING]. Taak: Verdeel dit project in fasen. Maak per fase onderscheid tussen: - Wat de AI kan doen (concept, code, samenvatting) - Wat de mens moet beslissen (veiligheid, gevolg, goedkeuring). Markeer de kritieke punten waarop de uiteindelijke verantwoordelijkheid bij de mens ligt.

4) Rapport integriteitscontrole:

Hieronder vindt u het concept van mijn rapport: [DRAFT] Taak: Vink het volgende aan en markeer het: 1) Zijn er niet-geverifieerde cijfers/citaties? 2) Wordt het gebruik van AI op transparante wijze vermeld? 3) Zien de gegevens er "verfraaid" uit (uitschieters verbergen)? 4) Zijn er beveiligings-/ethische tekortkomingen? [CHECK] als u het niet zeker weet.

Zwakke prompt/sterke prompt

Zwak:

Wat is de beste manier om het nieuwe geheime molecuul van ons bedrijf te synthetiseren? [werkelijke oorspronkelijke structuur]

Dit stelt de oorspronkelijke structuur van vóór het patent bloot aan een algemene dienstverlening; Het brengt de prioriteit en de vertrouwelijkheid in gevaar.

Sterk:

Ik zou graag de algemene retrosynthesestrategie willen leren voor een vergelijkbare structuur van een klasse aromatische ketonen. Leg uit aan de hand van een algemeen voorbeeld (acetofenonderivaat) zonder de concrete, oorspronkelijke structuur te geven. Ik ga de strategie intern op mijn eigen molecuul toepassen.

Verschil: zonder de latente structuur bloot te leggen, werd hetzelfde leerproces bereikt als met het generieke surrogaatvoorbeeld.

mini-gevallen

Geval 1 — Originele structuur onthuld. Een team vroeg een algemene AI naar een uniek molecuul voordat ze patent aanvroegen. De juridische eenheid stelde dat dit de prioriteit in twijfel zou kunnen trekken; Het proces liep vertraging op. Les: vraag om unieke structuren met generieke proxy, respecteer het privacybeleid.

Geval 2 — Menselijke toestemming heeft het ongeval voorkomen. In een geautomatiseerde workflow produceerde de AI een conceptprocedure en moest deze direct worden geïmplementeerd; Maar een ervaren scheikundige ving een onverenigbaar paar reagentia op bij de doorstroompoort. Les: op kritieke punten redden menselijke goedkeuringspoorten levens.

Geval 3 — End-to-end-discipline. Een masterstudent implementeerde de hele module in één project: literatuuroverzicht + daadwerkelijke citatieverificatie met AI, structuurverificatie met RDKit, data-analyse met code, beveiliging met SDS, eerlijke documentatie, transparante rapportage. Het resultaat was zowel sneller als robuuster; in de scriptieverdediging "Hoe heb je AI geverifieerd?" Hij beantwoordde de vraag duidelijk. Les: AI + verificatiediscipline werken het beste samen.

Veel voorkomende fouten

• De latente structuur geven aan de algemene AI. Het brengt de prioriteit van patenten en bedrijfsgeheimen in gevaar.
• Identificeerbare persoonlijke/patiëntgegevens invoeren. Privacyschending en juridisch risico.
• Het omzeilen van goedkeuringspoortjes. Veiligheid en uiteindelijk vooruitgang zonder menselijke goedkeuring.
• Verantwoordelijkheid overdragen aan AI. “AI suggereerde” is geen excuus voor eventuele fouten.
• Transparantie vermijden. Het verhullen van het gebruik van AI ondermijnt de integriteit.
• Het negeren van het risico van dubbel gebruik. Het is onethisch om AI te gebruiken voor schadelijke toepassingen.

Tip: Ontwerp uw workflow met “elke cruciale beslissing die een mens tegenhoudt en goedkeurt.” Maak van AI een schakel die de keten versnelt, en het knooppunt dat de keten vasthoudt, is altijd menselijk.

Samengevat

• Menselijk principe bij experimenten: bij elke kritische chemische beslissing begrijpt, controleert en keurt een mens het goed.
• Privacy: verstrek geen unieke artefacten, persoonlijke gegevens en bedrijfsgeheimen aan publieke AI; Gebruik generieke proxy.
• Ethiek: transparantie, verantwoordelijkheid, niet-kwaadwilligheid, eerlijkheid zijn de vier basisprincipes.
• In een end-to-end workflow versnelt AI in elke fase; mensen verifiëren en bezitten.
• Plaats menselijke goedkeuringspoorten op kritieke punten (veiligheid, eindresultaat) en zorg voor traceerbaarheid.

Applicatie taak

Kies een eigen project (reëel of hypothetisch) en ontwerp van begin tot eind een AI-menselijke workflow. Pas bovenstaande 9-fasentabel aan je eigen project aan: wat gaat de AI in elke fase doen, wat zal de mens goedkeuren? Pas een privacyvoorfilter toe: welke informatie geef je niet aan de AI, hoe generieker je deze? Definieer ten minste twee goedkeuringspoorten voor mensen en één traceerbaarheidsmethode. Schrijf een ‘workflow- en verificatieplan’ van één pagina.

controlelijst

• [ ] In het experiment begreep ik het menselijke principe en waarom het nodig was.
• [ ] Ik generieker de verborgen structuur/gegevens zonder deze aan de algemene AI te geven.
• [ ] Ik houd mij aan de principes van transparantie, verantwoordelijkheid, niet-kwaadwilligheid en eerlijkheid.
• [ ] Ik heb de AI/menselijke rollen gescheiden in de end-to-end workflow.
• [ ] Ik heb op kritieke punten menselijke goedkeuringspoortjes geplaatst.
• [ ] Ik houd bij welke output er uit de AI komt en hoe deze wordt geverifieerd.

Module-examen

1. Welke van de volgende is de meest nauwkeurige positionering voor kunstmatige intelligentie in de chemie?

• A) Kunstmatige intelligentie is een code-, concept- en bewerkingsassistent; De verantwoordelijkheid voor structuur, aantal, middelen, veiligheid en ethische beslissingen ligt bij de mens ✔
• B) Kunstmatige intelligentie is een scheikundige motor en de molecuulgewichten die het oplevert zijn altijd exact.
• C) Kunstmatige intelligentie werkt alleen bij literatuuronderzoek, het heeft niets te maken met analyse en beveiliging
• D) Omdat kunstmatige intelligentie onpartijdiger is dan mensen, moeten veiligheidsbeslissingen aan hen worden overgelaten

Omschrijving: Kunstmatige intelligentie; Het is een assistent die code schrijft, concepten maakt, een retrosynthese-skelet bouwt, spectruminterpretatie helpt en organiseert. De deterministische berekening van het molecuulgewicht en de stoichiometrie, de verificatie van de structuur met RDKit, de bevestiging van citaten in de database, de beslissing over de veiligheid met SDS/GHS en de eindverantwoordelijkheid liggen echter bij de bevoegde chemicus. Het grote taalmodel is geen rekenmachine of scheikundige machine; Het is een tekstgenerator die het 'volgende meest waarschijnlijke woord' produceert en de niet-geverifieerde uitvoer ervan kan leiden tot een onjuiste structuur, getal of gevaar.

2. Wat is de meest betrouwbare manier om een ​​molecuul te beschrijven voor kunstmatige intelligentie?

• A) Alleen de gewone Turkse naam schrijven
• B) Een structuurweergave zoals SMILES geven en de identiteit bevestigen met InChIKey ✔
• C) Gewoon het molecuulgewicht vertellen
• D) Het is voldoende om het handelsmerk te schrijven

Uitleg: Namen (vooral handels- en synoniemennamen) zijn dubbelzinnig en kunnen tot het verkeerde molecuul leiden. Door het molecuul een structuurnotatie te geven, zoals SMILES, wordt precisie verkregen; Zijn identiteit wordt bevestigd in de database met InChIKey. Bovendien moeten de SMILES die door kunstmatige intelligentie worden gegeven, worden geparseerd met RDKit en worden geverifieerd door canonicalisatie.

3. Hoe moet je een molecuulgewicht gebruiken dat door kunstmatige intelligentie wordt gegeven?

• A) Direct gebruiken, omdat AI betrouwbaar is in cijfers
• B) Bereken en verifieer onafhankelijk van de formule handmatig of met RDKit ✔
• C) Het volstaat om het aan een andere kunstmatige intelligentie te vragen en te vergelijken
• D) Het molecuulgewicht is onbelangrijk, verificatie is niet nodig

Uitleg: Het molecuulgewicht is een hoeveelheid die deterministisch wordt berekend op basis van de molecuulformule. Het stellen van het taalmodel is dus de zwakste manier; Het moet onafhankelijk worden geverifieerd met een tool als RDKit of door het handmatig te berekenen op basis van een formule. Het taalmodel kan dergelijke getallen met een 'waarschijnlijk ogende' waarde weergeven.

4. Wat moet er worden gedaan voordat een literatuurverwijzing (artikel/DOI) wordt gebruikt die door kunstmatige intelligentie wordt geretourneerd?

• A) Niets; Als kunstmatige intelligentie een referentie geeft, is het echt
• B) Alleen al naar de titel kijken om deze overtuigend te laten lijken, is voldoende.
• C) Bevestiging van elke citatie en DOI door ze te decoderen in een database (doi.org, Crossref) ✔
• D) Het lange DOI-nummer bewijst dat het echt is.

Beschrijving: Het taalmodel kan artikelen, auteurs en DOI's genereren die er realistisch uitzien maar niet bestaan ​​(valse citatie). Het feit dat het een DOI oplevert, betekent niet dat het geldig is. Elke citatie moet worden geverifieerd door resolutie in een database zoals doi.org, Crossref of de site van de uitgever; De veiligste manier is dat een mens het echte artikel vindt en de tekst laat samenvatten door kunstmatige intelligentie.

5. Op welk gebied is kunstmatige intelligentie het zwakst en vereist dit bevestiging in de reactieplanning?

• A) Bij het herkennen tot welke algemene klasse de reactie behoort
• B) Exacte toestandsnummers, opbrengstwaarden en namen van reagentia/katalysatoren ✔
• C) Een mechanisme in gewone taal uitleggen
• D) Brainstormen over alternatieve routes

Uitleg: AI voorspelt over het algemeen het type reactie en het belangrijkste product van goed gedocumenteerde reacties goed. De exacte toestandsgetallen (temperatuur, tijd, equivalent), vloeigrens, zeldzame reacties en namen van reagentia/katalysatoren zijn echter het zwakst en het meest vatbaar voor fabricage; deze moeten worden bevestigd met literatuur en catalogi.

6. Wat is de meest betrouwbare manier om kunstmatige intelligentie te gebruiken bij spectruminterpretatie?

• A) Geef gewoon een paar pieken en vraag 'welk spectrum is dit?' vragen
• B) Het geven van de verwachte structuur en volledige ruwe data en het laten controleren van de consistentie (hypothesetesten) ✔
• C) Alleen de verschuivingswaarden schrijven zonder integratie en deling uit te voeren
• D) De definitieve structuuropdracht laten uitvoeren met één enkele techniek (alleen IR)

Beschrijving: Vraag AI 'welke verbinding is dit spectrum?' Door vanuit het niets te vragen, wordt het foutenpercentage verhoogd. De meest betrouwbare manier is om de verwachte structuur (SMILES) en de ruwe gegevens (integratie, splitsing, oplosser, pieklijst) samen te geven en te vragen 'zijn deze gegevens consistent met deze structuur?' is vragen; dat wil zeggen, het gebruik van kunstmatige intelligentie als hypothesetester. De eindopdracht is voor de scheikundige die het experimentele spectrum onderzoekt.

7. Wat is de meest betrouwbare manier om het resultaat van een chemische berekening te verkrijgen (bijvoorbeeld percentage opbrengst)?

• A) Het resultaat rechtstreeks mondeling opvragen bij kunstmatige intelligentie
• B) Druk de Python-code van het account af, voer deze uit en test deze met een bekend voorbeeld ✔
• C) Stel dezelfde vraag meerdere keren en zoek het nummer dat het vaakst voorkomt
• D) Snel schatten zonder de eenheid te specificeren

Uitleg: Het taalmodel rekent af door 'de waarschijnlijke uitkomst te voorspellen' en kan zelfs bij zeer eenvoudige vermenigvuldigingen fout zitten. De meest betrouwbare manier is om de AI zijn CODE (bijvoorbeeld Python) te laten schrijven, niet het account zelf, en die code uit te voeren; de code is deterministisch en controleerbaar. De code moet ook worden getest met een kleine steekproef waarvan het antwoord bekend is.

8. Wat betekent het concept van 'toepasbaarheidsdomein' bij het voorspellen van moleculaire eigenschappen?

• A) Verwerkingskracht van de computer waarop het model draait
• B) Moleculair gebied vergelijkbaar met de trainingsgegevens, waarbij het model betrouwbare voorspellingen geeft ✔
• C) Verzekeringsgebied waar het door het model opgegeven nummer altijd exact is
• D) Temperatuurbereik waarin het molecuul in het laboratorium kan worden gesynthetiseerd

Uitleg: Een QSAR/voorspellingsmodel werkt goed op moleculen die vergelijkbaar zijn met de moleculen waarop het is getraind. Gegeven een molecuul dat heel anders is dan de trainingsgegevens, levert het model nog steeds een getal op, maar dit is onbetrouwbaar; dit heet 'buiten het toepassingsgebied vallen'. Het model geeft altijd een antwoord; Het is aan de mens om te beoordelen of het antwoord betrouwbaar is of niet.

9. Wat is de juiste aanpak voor het omgaan met observaties in experimentdocumentatie?

• A) Waarnemingen schrijven naar kunstmatige intelligentie om tijd te besparen
• B) De persoon die het experiment uitvoert, schrijft de observaties op; AI formatteert en controleert alleen ✔
• C) Het is voldoende om de waarnemingen niet te registreren, maar alleen de uiteindelijke opbrengst op te schrijven
• D) Afwijkingen van het plan verbergen om het rapport er mooi uit te laten zien

Uitleg: Kunstmatige intelligentie weet niet wat het is; Door waarnemingen (kleurverandering, gasuitstoot, enz.) daarin te laten passen, ontstaan ​​gegevens die plausibel lijken maar niet zijn gebeurd, en dit is wetenschappelijke fraude. AI formatteert de opname, roept ontbrekende velden op en controleert op herhaalbaarheid; maar de menselijke experimentator moet de observaties en feiten leveren. Ook afwijkingen van het plan moeten worden vastgelegd.

10. Wat is de rol van kunstmatige intelligentie in de laboratoriumveiligheid en de bron van de waarheid?

• A) Als kunstmatige intelligentie 'veilig' zegt, is er geen behoefte aan een andere bron
• B) De bron van de waarheid is SDS en GHS; AI is behulpzaam, maar kan niet het laatste woord hebben ✔
• C) Beveiligingsbeslissingen kunnen volledig worden gedelegeerd aan kunstmatige intelligentie
• D) SDS is niet nodig; Internetfora bieden voldoende informatie.

Beschrijving: Veiligheid heeft de hoogste prioriteit in de chemie, en kunstmatige intelligentie kan hier nooit het laatste woord hebben. De bron van feitelijke veiligheidsinformatie is het SDS (veiligheidsinformatieblad) en de GHS-classificatie die door de fabrikant worden verstrekt. AI kan SDS-teksten samenvatten, formulierconcepten genereren en een voorlopige screening op niet-naleving uitvoeren; Alle claims moeten echter worden geverifieerd met SDS en de procedure moet worden goedgekeurd door een ervaren persoon/beveiligingsfunctionaris.

11. Welke van de volgende combinaties van reagentia is een bekende gevaarlijke (incompatibele) match?

• A) Water en keukenzout mengen
• B) Het mengen van een zure oplossing met een oplossing die hypochloriet bevat (risico op chloorgas) ✔
• C) Het mengen van ethanol en water
• D) Suiker en water oplossen

Uitleg: Hoewel sommige chemicaliën op zichzelf relatief veilig zijn, zijn ze samen gevaarlijk. Bij het mengen van zuur en hypochloriet komt chloorgas vrij; Oxidatiemiddel + organisch brengt risico op brand/explosie met zich mee, water + reactieve metaalwarmte/waterstof. Hoewel AI de meeste van deze combinaties kent, garandeert het ze niet allemaal en kan het soms een gevaarlijke suggestie doen in onschuldige taal; elke procedure moet worden gescreend op niet-naleving van het veiligheidsinformatieblad.

12. Wat is de meest nauwkeurige uitdrukking voor 'hallucinatie' (kunstmatige intelligentie die verzonnen informatie produceert)?

• A) Het is een zeldzame softwarefout en wordt volledig geëlimineerd met een update.
• B) Het is een gedrag dat inherent is aan het taalmodel; De oplossing is om elke output onafhankelijk te verifiëren ✔
• C) Het verschijnt alleen in onjuist geschreven aanwijzingen, nooit in correcte aanwijzingen.
• D) Als kunstmatige intelligentie in een veilige taal spreekt, is er geen sprake van een hallucinatie

Uitleg: De hallucinatie is geen storing maar het gevolg van de aard van het taalmodel dat het 'volgende meest waarschijnlijke woord' voortbrengt; Het model richt zich op het mogelijke, niet op het ware. Het meest verraderlijke is dat het valse informatie presenteert in dezelfde zelfverzekerde taal als de waarheid. De oplossing is niet om te proberen het model te repareren, maar om een ​​type-geschikte validatieshell rond elke uitvoer te bouwen; vloeiendheid is nooit een bewijs van nauwkeurigheid.

13. Wat betekent 'triangulatie' om een ​​kritische waarde (bijvoorbeeld molecuulgewicht) te verifiëren?

• A) Drie keer dezelfde vraag stellen aan dezelfde kunstmatige intelligentie
• B) Vergelijken en op meer dan één onafhankelijke manier tot dezelfde conclusie komen ✔
• C) Het gewicht van drie verschillende moleculen tegelijkertijd berekenen
• D) Het resultaat afronden op drie decimalen

Uitleg: Bij triangulatie komt men tot dezelfde conclusie via meerdere onafhankelijke paden; Bijvoorbeeld het vergelijken van het molecuulgewicht volgens kunstmatige intelligentie, RDKit-berekening en handmatige berekening. Als twee onafhankelijke paden elkaar overlappen, is het vertrouwen groot; Als iemand afwijkt, wordt dat tegengehouden en onderzocht. In plaats van te vertrouwen op één enkele bron, moet worden gezocht naar ten minste twee onafhankelijke methoden.

14. Wat is de juiste manier om een ​​algemene AI-dienst te vragen naar een uniek molecuul dat niet gepatenteerd is?

• A) Direct de originele structuur geven, want snelheid is belangrijk
• B) Een strategie leren via een generiek/surrogaatvoorbeeld zonder de oorspronkelijke structuur te onthullen ✔
• C) Structuur geven is geen probleem, AI verbergt nooit informatie
• D) Het niet vermelden van de naam van het molecuul, maar alleen het delen van de volledige SMILES is voldoende bescherming.

Beschrijving: Inhoud die wordt ingevoerd in een algemene kunstmatige-intelligentiedienst kan worden opgeslagen of verwerkt in overeenstemming met het servicebeleid; Het geven van een originele structuur brengt vertrouwelijkheid en octrooiprioriteit met zich mee. De juiste aanpak is om de strategie te leren van een generiek/surrogaatvoorbeeld (een vergelijkbare klasse van structuren) en deze intern op zijn eigen molecuul toe te passen, zonder de oorspronkelijke structuur te onthullen. Persoons-/patiëntgegevens mogen ook niet in een identificeerbare vorm worden ingevoerd.