ਪ੍ਰਯੋਗ ਵਿੱਚ ਮਨੁੱਖ: ਨੈਤਿਕਤਾ, ਗੋਪਨੀਯਤਾ, ਜ਼ਿੰਮੇਵਾਰੀ ਅਤੇ ਅੰਤ-ਤੋਂ-ਅੰਤ ਵਰਕਫਲੋ

ਲਾਭ:

• ਪ੍ਰਯੋਗ ਵਿੱਚ ਅੰਤ-ਤੋਂ-ਅੰਤ ਦੇ ਵਰਕਫਲੋ ਵਿੱਚ ਮਨੁੱਖੀ ਸਿਧਾਂਤ ਨੂੰ ਜੋੜਨਾ ਅਤੇ ਹਰ ਪੜਾਅ 'ਤੇ ਨਕਲੀ ਬੁੱਧੀ/ਮਨੁੱਖੀ ਭੂਮਿਕਾਵਾਂ ਨੂੰ ਵੱਖ ਕਰਨ ਦੇ ਯੋਗ ਹੋਣਾ
• ਆਮ ਨਕਲੀ ਬੁੱਧੀ ਨੂੰ ਗੁਪਤ ਬਣਤਰ ਅਤੇ ਡੇਟਾ ਦਿੱਤੇ ਬਿਨਾਂ ਆਮ ਪ੍ਰੌਕਸੀ ਉਦਾਹਰਣਾਂ ਨਾਲ ਕੰਮ ਕਰਨ ਦੀ ਯੋਗਤਾ
• ਨਾਜ਼ੁਕ ਬਿੰਦੂਆਂ 'ਤੇ ਮਨੁੱਖੀ ਪ੍ਰਵਾਨਗੀ ਦੇ ਗੇਟ ਲਗਾਉਣ ਦੀ ਸਮਰੱਥਾ ਅਤੇ ਪਾਰਦਰਸ਼ਤਾ ਅਤੇ ਟਰੇਸੇਬਿਲਟੀ ਦੇ ਨਾਲ ਅੰਤਮ ਜ਼ਿੰਮੇਵਾਰੀ ਲੈਣ ਦੀ ਸਮਰੱਥਾ

ਇਸ ਫਾਈਨਲ ਯੂਨਿਟ ਵਿੱਚ ਅਸੀਂ ਪੂਰੇ ਮੋਡੀਊਲ ਨੂੰ ਇੱਕ ਫਰੇਮਵਰਕ ਵਿੱਚ ਜੋੜਦੇ ਹਾਂ: ਮਨੁੱਖੀ-ਇਨ-ਦੀ-ਲੂਪ। ਇਹ ਸਿਧਾਂਤ ਕਹਿੰਦਾ ਹੈ ਕਿ ਏਆਈ ਭਾਵੇਂ ਕਿੰਨਾ ਵੀ ਸਮਰੱਥ ਹੋਵੇ, ਇੱਕ ਮਨੁੱਖ ਨੂੰ ਰਸਾਇਣਕ ਫੈਸਲੇ ਦੇ ਹਰ ਨਾਜ਼ੁਕ ਬਿੰਦੂ 'ਤੇ ਸਮਝਣਾ, ਨਿਯੰਤਰਣ ਕਰਨਾ ਅਤੇ ਮਨਜ਼ੂਰੀ ਦੇਣੀ ਚਾਹੀਦੀ ਹੈ। ਇਸ ਯੂਨਿਟ ਵਿੱਚ, ਅਸੀਂ ਪਹਿਲਾਂ ਨੈਤਿਕ ਅਤੇ ਗੁਪਤਤਾ ਦੇ ਪਹਿਲੂਆਂ ਨੂੰ ਸਪੱਸ਼ਟ ਕਰਾਂਗੇ, ਫਿਰ ਇੱਕ ਅੰਤ-ਤੋਂ-ਅੰਤ ਵਰਕਫਲੋ ਸਥਾਪਤ ਕਰਾਂਗੇ ਜੋ ਇੱਕ ਅਣੂ ਨੂੰ ਵਿਚਾਰ ਤੋਂ ਰਿਪੋਰਟ ਤੱਕ ਲੈ ਜਾਂਦਾ ਹੈ, ਅਤੇ ਇਹ ਦੇਖਾਂਗੇ ਕਿ ਕਿਵੇਂ AI ਅਤੇ ਮਨੁੱਖ ਹਰ ਪੜਾਅ 'ਤੇ ਕਿਰਤ ਨੂੰ ਵੰਡਦੇ ਹਨ। ਟੀਚਾ ਤੁਹਾਡੇ ਦੁਆਰਾ ਸਿੱਖੀ ਗਈ ਹਰ ਚੀਜ਼ ਨੂੰ ਇੱਕ ਅਜਿਹੀ ਪ੍ਰਣਾਲੀ ਵਿੱਚ ਬਦਲਣਾ ਹੈ ਜੋ ਰੋਜ਼ਾਨਾ ਕੰਮ ਵਿੱਚ ਫਿੱਟ ਹੋਵੇ।

ਗੋਪਨੀਯਤਾ: AI ਨੂੰ ਕੀ ਨਹੀਂ ਦੇਣਾ ਹੈ?

ਰਸਾਇਣ ਵਿਗਿਆਨ ਅਕਸਰ ਗੁਪਤ ਜਾਣਕਾਰੀ ਦੇ ਨਾਲ ਕੰਮ ਕਰਦਾ ਹੈ: ਅਣਪੱਤਰ ਵਾਲੇ ਅਣੂ, ਕੰਪਨੀ ਦੇ ਗੁਪਤ ਸੰਸਲੇਸ਼ਣ ਰੂਟ, ਅਣਪ੍ਰਕਾਸ਼ਿਤ ਡੇਟਾ, ਮਰੀਜ਼ ਦੇ ਨਮੂਨੇ। ਤੁਹਾਡੇ ਦੁਆਰਾ ਕਿਸੇ ਜਨਤਕ AI ਸੇਵਾ ਵਿੱਚ ਦਾਖਲ ਕੀਤੇ ਗਏ ਟੈਕਸਟ ਨੂੰ ਸੇਵਾ ਦੀ ਨੀਤੀ ਦੇ ਅਨੁਸਾਰ ਸਟੋਰ ਜਾਂ ਸੰਸਾਧਿਤ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ। ਇਸ ਲਈ:

• ਜਨਤਕ AI ਨੂੰ ਅਣਪ੍ਰਕਾਸ਼ਿਤ ਮੂਲ ਢਾਂਚਿਆਂ (ਪ੍ਰੀ-ਪੇਟੈਂਟ ਅਣੂ) ਨੂੰ ਜਾਰੀ ਕਰਨ ਤੋਂ ਪਹਿਲਾਂ ਆਪਣੀ ਸੰਸਥਾਗਤ ਨੀਤੀ ਦੀ ਜਾਂਚ ਕਰੋ।
• ਕਦੇ ਵੀ ਵਿਅਕਤੀਗਤ/ਮਰੀਜ਼ ਡੇਟਾ (ਕਲੀਨਿਕਲ ਨਮੂਨੇ) ਨੂੰ ਪਛਾਣਨ ਯੋਗ ਰੂਪ ਵਿੱਚ ਦਾਖਲ ਨਾ ਕਰੋ।
• ਵਪਾਰਕ ਗੁਪਤ ਸੰਸਲੇਸ਼ਣ ਮਾਰਗਾਂ ਨੂੰ ਸਾਂਝਾ ਕਰਨ ਤੋਂ ਪਹਿਲਾਂ ਗੁਪਤਤਾ ਸਮਝੌਤਿਆਂ ਦੀ ਸਮੀਖਿਆ ਕਰੋ।
• ਲੋੜ ਪੈਣ 'ਤੇ ਇਨ-ਹਾਊਸ/ਕਸਟਮ ਡਿਪਲਾਇਮੈਂਟ AI ਟੂਲਸ ਦੀ ਚੋਣ ਕਰੋ।

ਸਾਵਧਾਨ: ਇੱਕ ਆਮ AI ਨੂੰ ਅਣੂ ਬਾਰੇ ਪੁੱਛਣ ਦਾ ਮਤਲਬ ਉਸ ਅਣੂ ਦੀ ਬਣਤਰ ਨੂੰ ਪ੍ਰਗਟ ਕਰਨਾ ਹੋ ਸਕਦਾ ਹੈ। ਇੱਕ ਵਿਲੱਖਣ ਢਾਂਚੇ ਲਈ ਜਿਸਦਾ ਪੇਟੈਂਟ ਨਹੀਂ ਕੀਤਾ ਗਿਆ ਹੈ, ਇਹ ਤੁਹਾਡੀ ਤਰਜੀਹ (ਪੇਟੈਂਟ ਅਧਿਕਾਰ) ਨੂੰ ਖਤਰੇ ਵਿੱਚ ਪਾ ਸਕਦਾ ਹੈ। ਆਮ/ਸਰੋਗੇਟ ਉਦਾਹਰਨਾਂ ਦੇ ਨਾਲ ਲੁਕਵੇਂ ਢਾਂਚੇ ਲਈ ਪੁੱਛੋ।

ਨੈਤਿਕਤਾ: ਚਾਰ ਸਿਧਾਂਤ

1. ਪਾਰਦਰਸ਼ਤਾ: ਉਹ ਥਾਂ ਨਾ ਲੁਕਾਓ ਜਿੱਥੇ ਤੁਸੀਂ AI ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋ; ਪ੍ਰਕਾਸ਼ਨ ਅਤੇ ਸੰਸਥਾਗਤ ਨੀਤੀਆਂ ਦੀ ਪਾਲਣਾ ਕਰੋ।
2. ਜ਼ਿੰਮੇਵਾਰੀ: ਮਨੁੱਖ ਅੰਤਮ ਫੈਸਲੇ ਲਈ ਜ਼ਿੰਮੇਵਾਰ ਹੈ; "AI ਸੁਝਾਏ" ਸੁਰੱਖਿਆ ਜਾਂ ਅਖੰਡਤਾ ਦੀ ਉਲੰਘਣਾ ਦਾ ਬਹਾਨਾ ਨਹੀਂ ਕਰਦਾ।
3. ਗੈਰ-ਨੁਕਸਾਨ: ਖਤਰਨਾਕ/ਗੈਰ-ਕਾਨੂੰਨੀ ਸੰਸਲੇਸ਼ਣ, ਦੋਹਰੀ ਵਰਤੋਂ (ਹਥਿਆਰਾਂ ਦੀ ਸੰਭਾਵੀ) ਐਪਲੀਕੇਸ਼ਨਾਂ ਲਈ AI ਦੀ ਵਰਤੋਂ ਨਾ ਕਰੋ।
4. ਨਿਰਪੱਖਤਾ ਅਤੇ ਇਮਾਨਦਾਰੀ: ਡੇਟਾ ਨੂੰ ਵਿਗਾੜ ਨਾ ਕਰੋ, ਨਤੀਜਿਆਂ ਨੂੰ ਸ਼ਿੰਗਾਰ ਨਾ ਕਰੋ, ਵਿਸ਼ੇਸ਼ਤਾ ਨਾ ਬਣਾਓ।

ਐਂਡ-ਟੂ-ਐਂਡ ਵਰਕਫਲੋ: ਅਣੂ → ਰਿਪੋਰਟ

ਆਉ ਹੁਣ ਪੂਰੇ ਮੋਡੀਊਲ ਨੂੰ ਇੱਕ ਸਿੰਗਲ ਫਲੋ ਵਿੱਚ ਜੋੜਦੇ ਹਾਂ। ਹਰ ਪੜਾਅ 'ਤੇ, ਏਆਈ ਕੀ ਕਰਦਾ ਹੈ ਅਤੇ ਮਨੁੱਖ ਕੀ ਕਰਦਾ ਹੈ ਵਿਚਕਾਰ ਅੰਤਰ ਵੱਲ ਧਿਆਨ ਦਿਓ।

ਸਟੇਜ

ਏਆਈ ਦੀ ਭੂਮਿਕਾ

ਮਨੁੱਖਾਂ ਦੀ (ਨਾਜ਼ੁਕ) ਭੂਮਿਕਾ

1. ਵਿਚਾਰ/ਸਾਹਿਤ

ਸੰਕਲਪ ਸੰਖੇਪ, ਖੋਜ ਸ਼ਬਦ

ਅਸਲ ਸਰੋਤ ਲੱਭਣਾ, ਵਿਸ਼ੇਸ਼ਤਾ ਦੀ ਪੁਸ਼ਟੀ

2. ਬਣਤਰ ਦਾ ਵਰਣਨ

ਮੁਸਕਾਨ ਪੈਦਾ ਕਰ ਰਿਹਾ ਹੈ

RDKit, InChIKey ਨਾਲ ਪ੍ਰਮਾਣਿਕਤਾ

3. ਸੰਸਲੇਸ਼ਣ ਯੋਜਨਾ

Retrosynthesis, ਵਿਕਲਪ

ਸਾਹਿਤ ਦੀ ਪੁਸ਼ਟੀ, ਮਾਰਗ ਦੀ ਚੋਣ

4. ਸੁਰੱਖਿਆ

SDS ਸੰਖੇਪ, ਸ਼ੁਰੂਆਤੀ ਬੇਮੇਲ

SDS ਰੀਡਿੰਗ, ਪ੍ਰਵਾਨਗੀ, PPE ਦਾ ਫੈਸਲਾ

5. ਐਪਲੀਕੇਸ਼ਨ

(ਕੋਈ ਨਹੀਂ)

ਸਾਰੇ ਪ੍ਰਯੋਗਸ਼ਾਲਾ ਦੇ ਕੰਮ

6. ਵਿਸ਼ਲੇਸ਼ਣ

ਸਪੈਕਟ੍ਰਮ ਟਿੱਪਣੀ ਸਮਰਥਨ

ਅੰਤਮ ਬਣਤਰ ਅਸਾਈਨਮੈਂਟ

7. ਡਾਟਾ ਪ੍ਰੋਸੈਸਿੰਗ

ਕੋਡ ਲਿਖਣਾ

ਕੋਡ ਚਲਾਓ, ਨਤੀਜੇ ਦੀ ਪੁਸ਼ਟੀ ਕਰੋ

8. ਦਸਤਾਵੇਜ਼

ਫਾਰਮੈਟਿੰਗ, ਕੰਟਰੋਲ

ਨਿਰੀਖਣ, ਭਟਕਣਾ, ਹਸਤਾਖਰ

9. ਰਿਪੋਰਟਿੰਗ

ਡਰਾਫਟ ਟੈਕਸਟ

ਨੰਬਰ / ਹਵਾਲੇ ਦੀ ਪੁਸ਼ਟੀ, ਜਵਾਬਦੇਹੀ

ਇਹ ਸਾਰਣੀ ਦਰਸਾਉਂਦੀ ਹੈ ਕਿ ਕਿਵੇਂ ਮੋਡੀਊਲ ਦੀਆਂ 11 ਇਕਾਈਆਂ ਨੂੰ ਇੱਕ ਕੰਮ ਵਿੱਚ ਵਿਵਸਥਿਤ ਕੀਤਾ ਗਿਆ ਹੈ। ਏਆਈ ਤੇਜ਼ ਕਰਦਾ ਹੈ; ਲੋਕ ਪੁਸ਼ਟੀ ਕਰਦੇ ਹਨ ਅਤੇ ਮਾਲਕ ਹੁੰਦੇ ਹਨ।

ਕਦਮ ਦਰ ਕਦਮ: ਵਰਕਫਲੋ ਸਥਾਪਤ ਕਰਨਾ

1. ਭੂਮਿਕਾਵਾਂ ਨੂੰ ਸਪੱਸ਼ਟ ਕਰੋ: ਹਰੇਕ ਕੰਮ ਲਈ, "ਕੀ AI ਜਾਂ ਮਨੁੱਖ ਫੈਸਲਾ ਕਰਦਾ ਹੈ?" ਸ਼ੁਰੂ ਤੋਂ ਨਿਰਧਾਰਤ ਕਰੋ.
2. ਇੱਕ ਗੋਪਨੀਯਤਾ ਫਿਲਟਰ ਸੈਟ ਅਪ ਕਰੋ: AI ਨੂੰ ਕੁਝ ਦਿੱਤੇ ਬਿਨਾਂ ਤੁਸੀਂ ਪੁੱਛ ਸਕਦੇ ਹੋ "ਕੀ ਇਹ ਨਿੱਜੀ/ਪ੍ਰਾਈਵੇਟ ਹੈ?" ਪੁੱਛੋ
3. ਪੁਸ਼ਟੀਕਰਨ ਗੇਟ ਲਗਾਓ: ਹਰੇਕ ਪੜਾਅ ਦੇ ਅੰਤ ਵਿੱਚ ਇੱਕ ਪੁਸ਼ਟੀਕਰਨ ਪੜਾਅ (ਯੂਨਿਟ 10 ਵਿੱਚ ਸਾਰਣੀ)।
4. ਟਰੇਸੇਬਿਲਟੀ ਰੱਖੋ: AI ਤੋਂ ਕਿਹੜਾ ਆਉਟਪੁੱਟ ਆਇਆ, ਇਹ ਕਿਵੇਂ ਪ੍ਰਮਾਣਿਤ ਕੀਤਾ ਗਿਆ, ਕਿਸ ਨੇ ਇਸ ਨੂੰ ਮਨਜ਼ੂਰੀ ਦਿੱਤੀ।
5. ਮਨਜ਼ੂਰੀ ਬਿੰਦੂ ਸੈੱਟ ਕਰੋ: ਸੁਰੱਖਿਆ ਅਤੇ ਅੰਤਮ ਨਤੀਜੇ ਵਰਗੇ ਨਾਜ਼ੁਕ ਬਿੰਦੂਆਂ 'ਤੇ ਮਨੁੱਖੀ ਮਨਜ਼ੂਰੀ ਲਾਜ਼ਮੀ ਹੈ।
6. ਫੀਡਬੈਕ: ਫੜੀ ਗਈ ਹਰ ਗਲਤੀ ਨੂੰ ਰਿਕਾਰਡ ਕਰੋ ਅਤੇ ਵਰਕਫਲੋ ਵਿੱਚ ਸੁਧਾਰ ਕਰੋ।

ਚਾਰ ਕਾਪੀ ਕਰਨ ਯੋਗ ਟੈਂਪਲੇਟ

1) ਗੋਪਨੀਯਤਾ ਪ੍ਰੀ-ਫਿਲਟਰ:

ਕੋਈ ਸਵਾਲ ਪੁੱਛਣ ਤੋਂ ਪਹਿਲਾਂ, ਇਸ 'ਤੇ ਵਿਚਾਰ ਕਰੋ:ਸਮੱਗਰੀ: [ਮੈਂ ਕੀ ਪੁੱਛ ਰਿਹਾ ਹਾਂ]ਟਾਸਕ: ਕੀ ਇਸ ਸਮੱਗਰੀ ਵਿੱਚ ਅਣਪ੍ਰਕਾਸ਼ਿਤ ਅਸਲ ਕਲਾਕ੍ਰਿਤੀਆਂ, ਨਿੱਜੀ ਡੇਟਾ, ਜਾਂ ਵਪਾਰਕ ਭੇਦ ਸ਼ਾਮਲ ਹਨ? ਜੇਕਰ ਅਜਿਹਾ ਹੁੰਦਾ ਹੈ, ਤਾਂ ਸੁਝਾਅ ਦਿਓ ਕਿ ਮੈਂ ਇੱਕ ਆਮ/ਸਰੋਗੇਟ ਉਦਾਹਰਨ ਨਾਲ ਸਵਾਲ ਨੂੰ ਕਿਵੇਂ ਦੁਬਾਰਾ ਲਿਖ ਸਕਦਾ ਹਾਂ ਜੋ ਢਾਂਚੇ ਨੂੰ ਲੁਕਾ ਦੇਵੇਗਾ।

2) ਪੜਾਅ ਤਸਦੀਕ ਗੇਟ ਦਾ ਅੰਤ:

ਮੈਂ ਨਿਮਨਲਿਖਤ ਪੜਾਅ ਨੂੰ ਪੂਰਾ ਕਰ ਲਿਆ ਹੈ: [ਪੜਾਅ, ਜਿਵੇਂ ਕਿ ਸੰਸਲੇਸ਼ਣ ਯੋਜਨਾ]। ਟਾਸਕ: ਉਹਨਾਂ ਸਾਰੇ ਤੱਤਾਂ ਦੀ ਸੂਚੀ ਬਣਾਓ ਜੋ ਇਸ ਪੜਾਅ (ਨੰਬਰ, ਹਵਾਲਾ, ਬਣਤਰ, ਸੁਰੱਖਿਆ ਦਾਅਵਾ) ਤੋਂ ਬਾਹਰ ਆਉਂਦੇ ਹੋਏ ਤਸਦੀਕ ਕੀਤੇ ਜਾਣ ਦੀ ਲੋੜ ਹੈ। ਹਰੇਕ ਲਈ, ਪੁਸ਼ਟੀਕਰਨ ਵਿਧੀ ਲਿਖੋ ਅਤੇ ਕਿਸ ਨੂੰ ਇਸਦੀ ਪੁਸ਼ਟੀ ਕਰਨੀ ਚਾਹੀਦੀ ਹੈ। ਕਿਸੇ ਵੀ ਖੁੱਲੀ ਆਈਟਮ ਨੂੰ ਚਿੰਨ੍ਹਿਤ ਕਰੋ ਜਿਨ੍ਹਾਂ ਨੂੰ ਅਗਲੇ ਪੜਾਅ 'ਤੇ ਜਾਣ ਤੋਂ ਪਹਿਲਾਂ ਬੰਦ ਕਰਨ ਦੀ ਲੋੜ ਹੈ।

3) ਮਨੁੱਖੀ-ਏਆਈ ਭੂਮਿਕਾ ਵੰਡ ਯੋਜਨਾ:

ਮੇਰਾ ਪ੍ਰੋਜੈਕਟ: [SHORT DESCRIPTION]। ਟਾਸਕ: ਇਸ ਪ੍ਰੋਜੈਕਟ ਨੂੰ ਪੜਾਵਾਂ ਵਿੱਚ ਵੰਡੋ। ਹਰੇਕ ਪੜਾਅ ਲਈ, ਇਹਨਾਂ ਵਿੱਚ ਫਰਕ ਕਰੋ: - AI ਕੀ ਕਰ ਸਕਦਾ ਹੈ (ਖਰੜਾ, ਕੋਡ, ਸੰਖੇਪ) - ਮਨੁੱਖ ਨੂੰ ਕੀ ਫੈਸਲਾ ਕਰਨਾ ਚਾਹੀਦਾ ਹੈ (ਸੁਰੱਖਿਆ, ਨਤੀਜਾ, ਪ੍ਰਵਾਨਗੀ)। ਨਾਜ਼ੁਕ ਬਿੰਦੂਆਂ 'ਤੇ ਨਿਸ਼ਾਨ ਲਗਾਓ ਜਿੱਥੇ ਅੰਤਮ ਜ਼ਿੰਮੇਵਾਰੀ ਮਨੁੱਖ ਦੀ ਹੁੰਦੀ ਹੈ।

4) ਇਕਸਾਰਤਾ ਜਾਂਚ ਦੀ ਰਿਪੋਰਟ ਕਰੋ:

ਹੇਠਾਂ ਮੇਰਾ ਰਿਪੋਰਟ ਡਰਾਫਟ ਹੈ:[ਡਰਾਫਟ]ਟਾਸਕ: ਹੇਠਾਂ ਦਿੱਤੇ ਨੂੰ ਚੈੱਕ ਕਰੋ ਅਤੇ ਮਾਰਕ ਕਰੋ: 1) ਕੀ ਕੋਈ ਅਣ-ਪ੍ਰਮਾਣਿਤ ਨੰਬਰ/ਸਦਰਸ਼ਨ ਹਨ? 2) ਕੀ AI ਦੀ ਵਰਤੋਂ ਪਾਰਦਰਸ਼ੀ ਢੰਗ ਨਾਲ ਦੱਸੀ ਗਈ ਹੈ? 3) ਕੀ ਡੇਟਾ "ਸੁੰਦਰ" (ਬਾਹਰ ਲੁਕਿਆ ਹੋਇਆ) ਦਿਖਾਈ ਦਿੰਦਾ ਹੈ? 4) ਕੀ ਕੋਈ ਸੁਰੱਖਿਆ/ਨੈਤਿਕ ਖਾਮੀਆਂ ਹਨ? [ਚੈੱਕ] ਕਿੱਥੇ ਤੁਸੀਂ ਅਨਿਸ਼ਚਿਤ ਹੋ।

ਕਮਜ਼ੋਰ ਪ੍ਰੋਂਪਟ / ਮਜ਼ਬੂਤ ਪ੍ਰੋਂਪਟ

ਕਮਜ਼ੋਰ:

ਸਾਡੀ ਕੰਪਨੀ ਦੇ ਨਵੇਂ ਗੁਪਤ ਅਣੂ ਨੂੰ ਸੰਸਲੇਸ਼ਣ ਕਰਨ ਦਾ ਸਭ ਤੋਂ ਵਧੀਆ ਤਰੀਕਾ ਕੀ ਹੈ? [ਅਸਲ ਅਸਲੀ ਬਣਤਰ]

ਇਹ ਇੱਕ ਆਮ ਸੇਵਾ ਲਈ ਮੂਲ ਪ੍ਰੀ-ਪੇਟੈਂਟ ਢਾਂਚੇ ਨੂੰ ਉਜਾਗਰ ਕਰਦਾ ਹੈ; ਇਹ ਤਰਜੀਹ ਅਤੇ ਗੁਪਤਤਾ ਨੂੰ ਖਤਰੇ ਵਿੱਚ ਪਾਉਂਦਾ ਹੈ।

ਮਜ਼ਬੂਤ:

ਮੈਂ ਖੁਸ਼ਬੂਦਾਰ ਕੀਟੋਨਸ ਦੀ ਇੱਕ ਸ਼੍ਰੇਣੀ ਦੇ ਸਮਾਨ ਢਾਂਚੇ ਲਈ ਆਮ ਰੀਟਰੋਸਿੰਥੇਸਿਸ ਰਣਨੀਤੀ ਸਿੱਖਣਾ ਚਾਹਾਂਗਾ। ਠੋਸ, ਅਸਲੀ ਬਣਤਰ ਦਿੱਤੇ ਬਿਨਾਂ ਇੱਕ ਆਮ ਉਦਾਹਰਨ (ਐਸੀਟੋਫੇਨੋਨ ਡੈਰੀਵੇਟਿਵ) ਦੁਆਰਾ ਵਿਆਖਿਆ ਕਰੋ। ਮੈਂ ਆਪਣੇ ਖੁਦ ਦੇ ਅਣੂ ਦੇ ਅੰਦਰ-ਅੰਦਰ ਰਣਨੀਤੀ ਨੂੰ ਲਾਗੂ ਕਰਾਂਗਾ.

ਅੰਤਰ: ਗੁਪਤ ਢਾਂਚੇ ਨੂੰ ਪ੍ਰਗਟ ਕੀਤੇ ਬਿਨਾਂ, ਉਹੀ ਸਿੱਖਿਆ ਪ੍ਰਾਪਤ ਕੀਤੀ ਗਈ ਸੀ ਜਿਵੇਂ ਕਿ ਆਮ ਸਰੋਗੇਟ ਉਦਾਹਰਨ ਦੇ ਨਾਲ।

ਮਿੰਨੀ ਕੇਸ

ਕੇਸ 1 — ਮੂਲ ਬਣਤਰ ਦਾ ਖੁਲਾਸਾ ਕੀਤਾ ਗਿਆ। ਇੱਕ ਟੀਮ ਨੇ ਪੇਟੈਂਟ ਲਈ ਅਰਜ਼ੀ ਦੇਣ ਤੋਂ ਪਹਿਲਾਂ ਇੱਕ ਆਮ ਏਆਈ ਨੂੰ ਇੱਕ ਵਿਲੱਖਣ ਅਣੂ ਬਾਰੇ ਪੁੱਛਿਆ। ਕਾਨੂੰਨੀ ਇਕਾਈ ਨੇ ਕਿਹਾ ਕਿ ਇਸ ਨਾਲ ਪਹਿਲ ਸਵਾਲਾਂ ਦੇ ਘੇਰੇ ਵਿੱਚ ਆ ਸਕਦੀ ਹੈ; ਪ੍ਰਕਿਰਿਆ ਵਿੱਚ ਦੇਰੀ ਹੋਈ ਸੀ। ਪਾਠ: ਆਮ ਪ੍ਰੌਕਸੀ ਦੇ ਨਾਲ ਵਿਲੱਖਣ ਢਾਂਚੇ ਦੀ ਮੰਗ ਕਰੋ, ਗੋਪਨੀਯਤਾ ਨੀਤੀ ਦਾ ਆਦਰ ਕਰੋ।

ਕੇਸ 2 - ਮਨੁੱਖੀ ਸਹਿਮਤੀ ਨੇ ਦੁਰਘਟਨਾ ਨੂੰ ਰੋਕਿਆ। ਇੱਕ ਆਟੋਮੇਟਿਡ ਵਰਕਫਲੋ ਵਿੱਚ, AI ਨੇ ਇੱਕ ਡਰਾਫਟ ਪ੍ਰਕਿਰਿਆ ਤਿਆਰ ਕੀਤੀ ਅਤੇ ਇਸਨੂੰ ਸਿੱਧੇ ਤੌਰ 'ਤੇ ਲਾਗੂ ਕੀਤਾ ਜਾਣਾ ਸੀ; ਪਰ ਇੱਕ ਤਜਰਬੇਕਾਰ ਕੈਮਿਸਟ ਨੇ "ਸੁਰੱਖਿਆ ਕਲੀਅਰੈਂਸ" ਗੇਟ 'ਤੇ ਇੱਕ ਅਸੰਗਤ ਰੀਐਜੈਂਟਸ ਨੂੰ ਫੜ ਲਿਆ। ਸਬਕ: ਨਾਜ਼ੁਕ ਬਿੰਦੂਆਂ 'ਤੇ, ਮਨੁੱਖੀ ਪ੍ਰਵਾਨਗੀ ਦੇ ਦਰਵਾਜ਼ੇ ਜਾਨਾਂ ਬਚਾਉਂਦੇ ਹਨ।

ਕੇਸ 3 - ਅੰਤ ਤੋਂ ਅੰਤ ਤੱਕ ਅਨੁਸ਼ਾਸਨ। ਇੱਕ ਮਾਸਟਰ ਦੇ ਵਿਦਿਆਰਥੀ ਨੇ ਇੱਕ ਪ੍ਰੋਜੈਕਟ ਵਿੱਚ ਪੂਰੇ ਮੋਡੀਊਲ ਨੂੰ ਲਾਗੂ ਕੀਤਾ: ਸਾਹਿਤ ਸੰਖੇਪ + AI ਨਾਲ ਅਸਲ ਹਵਾਲਾ ਤਸਦੀਕ, RDKit ਨਾਲ ਢਾਂਚਾ ਤਸਦੀਕ, ਕੋਡ ਨਾਲ ਡਾਟਾ ਵਿਸ਼ਲੇਸ਼ਣ, SDS ਨਾਲ ਸੁਰੱਖਿਆ, ਇਮਾਨਦਾਰ ਦਸਤਾਵੇਜ਼, ਪਾਰਦਰਸ਼ੀ ਰਿਪੋਰਟਿੰਗ। ਨਤੀਜਾ ਦੋਨੋ ਤੇਜ਼ ਅਤੇ ਹੋਰ ਮਜ਼ਬੂਤ ​​ਸੀ; ਥੀਸਿਸ ਬਚਾਅ ਵਿੱਚ "ਤੁਸੀਂ AI ਦੀ ਪੁਸ਼ਟੀ ਕਿਵੇਂ ਕੀਤੀ?" ਉਸ ਨੇ ਸਵਾਲ ਦਾ ਸਪਸ਼ਟ ਜਵਾਬ ਦਿੱਤਾ। ਪਾਠ: AI + ਤਸਦੀਕ ਅਨੁਸ਼ਾਸਨ ਮਿਲ ਕੇ ਵਧੀਆ ਕੰਮ ਕਰਦਾ ਹੈ।

ਆਮ ਗਲਤੀਆਂ

• ਆਮ ਏ.ਆਈ. ਨੂੰ ਗੁਪਤ ਬਣਤਰ ਦੇਣਾ. ਇਹ ਪੇਟੈਂਟ ਤਰਜੀਹ ਅਤੇ ਵਪਾਰਕ ਰਾਜ਼ ਨਾਲ ਸਮਝੌਤਾ ਕਰਦਾ ਹੈ।
• ਪਛਾਣਯੋਗ ਨਿੱਜੀ/ਮਰੀਜ਼ ਡੇਟਾ ਦਾਖਲ ਕਰਨਾ। ਗੋਪਨੀਯਤਾ ਦੀ ਉਲੰਘਣਾ ਅਤੇ ਕਾਨੂੰਨੀ ਜੋਖਮ।
• ਪ੍ਰਵਾਨਗੀ ਗੇਟਾਂ ਨੂੰ ਬਾਈਪਾਸ ਕਰਨਾ। ਸੁਰੱਖਿਆ ਅਤੇ ਅੰਤ ਵਿੱਚ ਮਨੁੱਖੀ ਪ੍ਰਵਾਨਗੀ ਦੇ ਬਿਨਾਂ ਅੱਗੇ ਵਧਣਾ.
• AI ਨੂੰ ਜ਼ਿੰਮੇਵਾਰੀ ਸੌਂਪੀ ਜਾ ਰਹੀ ਹੈ। "AI ਸੁਝਾਏ" ਕਿਸੇ ਵੀ ਗਲਤੀ ਨੂੰ ਮੁਆਫ਼ ਨਹੀਂ ਕਰਦਾ।
• ਪਾਰਦਰਸ਼ਤਾ ਤੋਂ ਬਚਣਾ। AI ਦੀ ਵਰਤੋਂ ਨੂੰ ਛੁਪਾਉਣਾ ਇਕਸਾਰਤਾ ਨੂੰ ਕਮਜ਼ੋਰ ਕਰਦਾ ਹੈ।
• ਦੋਹਰੀ ਵਰਤੋਂ ਦੇ ਜੋਖਮ ਨੂੰ ਨਜ਼ਰਅੰਦਾਜ਼ ਕਰਨਾ. ਹਾਨੀਕਾਰਕ ਐਪਲੀਕੇਸ਼ਨਾਂ ਲਈ AI ਦੀ ਵਰਤੋਂ ਕਰਨਾ ਅਨੈਤਿਕ ਹੈ।

ਨੁਕਤਾ: ਆਪਣੇ ਵਰਕਫਲੋ ਨੂੰ "ਹਰ ਨਾਜ਼ੁਕ ਫੈਸਲੇ ਜੋ ਮਨੁੱਖ ਰੋਕਦਾ ਹੈ ਅਤੇ ਮਨਜ਼ੂਰ ਕਰਦਾ ਹੈ" ਨਾਲ ਡਿਜ਼ਾਈਨ ਕਰੋ। AI ਨੂੰ ਇੱਕ ਲਿੰਕ ਬਣਾਓ ਜੋ ਚੇਨ ਨੂੰ ਤੇਜ਼ ਕਰਦਾ ਹੈ, ਅਤੇ ਚੇਨ ਨੂੰ ਰੱਖਣ ਵਾਲਾ ਨੋਡ ਹਮੇਸ਼ਾ ਮਨੁੱਖੀ ਹੁੰਦਾ ਹੈ।

ਸੰਖੇਪ ਵਿੱਚ

• ਪ੍ਰਯੋਗ ਵਿੱਚ ਮਨੁੱਖੀ ਸਿਧਾਂਤ: ਹਰ ਨਾਜ਼ੁਕ ਰਸਾਇਣਕ ਫੈਸਲੇ ਵਿੱਚ, ਇੱਕ ਮਨੁੱਖ ਸਮਝਦਾ ਹੈ, ਨਿਗਰਾਨੀ ਕਰਦਾ ਹੈ ਅਤੇ ਪ੍ਰਵਾਨਗੀ ਦਿੰਦਾ ਹੈ।
• ਗੋਪਨੀਯਤਾ: ਜਨਤਕ AI ਨੂੰ ਵਿਲੱਖਣ ਕਲਾਤਮਕ ਚੀਜ਼ਾਂ, ਨਿੱਜੀ ਡੇਟਾ ਅਤੇ ਵਪਾਰਕ ਰਾਜ਼ ਪ੍ਰਦਾਨ ਨਾ ਕਰੋ; ਆਮ ਪ੍ਰੌਕਸੀ ਦੀ ਵਰਤੋਂ ਕਰੋ।
• ਨੈਤਿਕਤਾ: ਪਾਰਦਰਸ਼ਤਾ, ਜ਼ਿੰਮੇਵਾਰੀ, ਗੈਰ-ਕੁਦਰਤੀ, ਇਮਾਨਦਾਰੀ ਚਾਰ ਬੁਨਿਆਦੀ ਸਿਧਾਂਤ ਹਨ।
• ਇੱਕ ਅੰਤ-ਤੋਂ-ਅੰਤ ਵਰਕਫਲੋ ਵਿੱਚ, AI ਹਰ ਪੜਾਅ 'ਤੇ ਤੇਜ਼ ਹੁੰਦਾ ਹੈ; ਲੋਕ ਪੁਸ਼ਟੀ ਕਰਦੇ ਹਨ ਅਤੇ ਮਾਲਕ ਹੁੰਦੇ ਹਨ।
• ਮਨੁੱਖੀ ਮਨਜ਼ੂਰੀ ਗੇਟਾਂ ਨੂੰ ਨਾਜ਼ੁਕ ਬਿੰਦੂਆਂ (ਸੁਰੱਖਿਆ, ਅੰਤਮ ਨਤੀਜਾ) 'ਤੇ ਰੱਖੋ ਅਤੇ ਟਰੇਸੇਬਿਲਟੀ ਬਣਾਈ ਰੱਖੋ।

ਐਪਲੀਕੇਸ਼ਨ ਦਾ ਕੰਮ

ਆਪਣਾ ਖੁਦ ਦਾ ਇੱਕ ਪ੍ਰੋਜੈਕਟ ਚੁਣੋ (ਅਸਲ ਜਾਂ ਕਾਲਪਨਿਕ) ਅਤੇ ਸ਼ੁਰੂ ਤੋਂ ਅੰਤ ਤੱਕ ਇੱਕ AI-ਮਨੁੱਖੀ ਵਰਕਫਲੋ ਡਿਜ਼ਾਈਨ ਕਰੋ। ਉਪਰੋਕਤ 9-ਪੜਾਅ ਦੀ ਸਾਰਣੀ ਨੂੰ ਆਪਣੇ ਖੁਦ ਦੇ ਪ੍ਰੋਜੈਕਟ ਲਈ ਅਨੁਕੂਲ ਬਣਾਓ: ਹਰ ਪੜਾਅ 'ਤੇ AI ਕੀ ਕਰੇਗਾ, ਮਨੁੱਖ ਕੀ ਮਨਜ਼ੂਰ ਕਰੇਗਾ? ਗੋਪਨੀਯਤਾ ਪੂਰਵ-ਫਿਲਟਰ ਲਾਗੂ ਕਰੋ: ਤੁਸੀਂ AI ਨੂੰ ਕਿਹੜੀ ਜਾਣਕਾਰੀ ਨਹੀਂ ਦਿੰਦੇ ਹੋ, ਤੁਸੀਂ ਇਸ ਨੂੰ ਆਮ ਕਿਵੇਂ ਬਣਾਉਂਦੇ ਹੋ? ਘੱਟੋ-ਘੱਟ ਦੋ ਮਨੁੱਖੀ-ਪ੍ਰਵਾਨਗੀ ਗੇਟ ਅਤੇ ਇੱਕ ਟਰੇਸੇਬਿਲਟੀ ਵਿਧੀ ਨੂੰ ਪਰਿਭਾਸ਼ਿਤ ਕਰੋ। ਇੱਕ ਪੰਨੇ ਦਾ "ਵਰਕਫਲੋ ਅਤੇ ਪੁਸ਼ਟੀਕਰਨ ਯੋਜਨਾ" ਲਿਖੋ।

ਚੈੱਕਲਿਸਟ

• ਪ੍ਰਯੋਗ ਵਿੱਚ, ਮੈਂ ਮਨੁੱਖੀ ਸਿਧਾਂਤ ਨੂੰ ਸਮਝ ਲਿਆ ਅਤੇ ਇਹ ਕਿਉਂ ਜ਼ਰੂਰੀ ਸੀ।
• [ ] ਮੈਂ ਲੁਕਵੇਂ ਢਾਂਚੇ/ਡਾਟੇ ਨੂੰ ਆਮ AI ਨੂੰ ਦਿੱਤੇ ਬਿਨਾਂ ਜੈਨਰੀਕਾਈਜ਼ ਕਰਦਾ ਹਾਂ।
• [] ਮੈਂ ਪਾਰਦਰਸ਼ਤਾ, ਜ਼ਿੰਮੇਵਾਰੀ, ਗੈਰ-ਕੁਦਰਤੀ ਅਤੇ ਇਮਾਨਦਾਰੀ ਦੇ ਸਿਧਾਂਤਾਂ ਦੀ ਪਾਲਣਾ ਕਰਦਾ ਹਾਂ।
• [ ] ਮੈਂ ਐਂਡ-ਟੂ-ਐਂਡ ਵਰਕਫਲੋ ਵਿੱਚ AI/ਮਨੁੱਖੀ ਭੂਮਿਕਾਵਾਂ ਨੂੰ ਵੱਖ ਕੀਤਾ।
• [ ] ਮੈਂ ਮਨੁੱਖੀ ਪ੍ਰਵਾਨਗੀ ਗੇਟਾਂ ਨੂੰ ਨਾਜ਼ੁਕ ਬਿੰਦੂਆਂ 'ਤੇ ਪਾਉਂਦਾ ਹਾਂ।
• [ ] ਮੈਂ ਟ੍ਰੈਕ ਕਰਦਾ ਹਾਂ ਕਿ AI ਤੋਂ ਕੀ ਆਉਟਪੁੱਟ ਆਉਂਦਾ ਹੈ ਅਤੇ ਇਹ ਕਿਵੇਂ ਪ੍ਰਮਾਣਿਤ ਹੁੰਦਾ ਹੈ।

ਮੋਡੀਊਲ ਪ੍ਰੀਖਿਆ

1. ਰਸਾਇਣ ਵਿਗਿਆਨ ਵਿੱਚ ਨਕਲੀ ਬੁੱਧੀ ਲਈ ਹੇਠ ਲਿਖੀਆਂ ਵਿੱਚੋਂ ਕਿਹੜੀ ਸਥਿਤੀ ਸਭ ਤੋਂ ਸਹੀ ਹੈ?

• ਏ) ਨਕਲੀ ਬੁੱਧੀ ਇੱਕ ਕੋਡ, ਡਰਾਫਟ ਅਤੇ ਸੰਪਾਦਨ ਸਹਾਇਕ ਹੈ; ਬਣਤਰ, ਸੰਖਿਆ, ਸਰੋਤ, ਸੁਰੱਖਿਆ ਅਤੇ ਨੈਤਿਕ ਫੈਸਲਿਆਂ ਦੀ ਜ਼ਿੰਮੇਵਾਰੀ ਮਨੁੱਖਾਂ 'ਤੇ ਨਿਰਭਰ ਕਰਦੀ ਹੈ ✔
• ਅ) ਨਕਲੀ ਬੁੱਧੀ ਇੱਕ ਰਸਾਇਣ ਇੰਜਣ ਹੈ ਅਤੇ ਇਹ ਜੋ ਅਣੂ ਵਜ਼ਨ ਦਿੰਦਾ ਹੈ ਉਹ ਹਮੇਸ਼ਾ ਸਹੀ ਹੁੰਦਾ ਹੈ।
• C) ਨਕਲੀ ਬੁੱਧੀ ਸਿਰਫ ਸਾਹਿਤ ਸਮੀਖਿਆ ਵਿੱਚ ਕੰਮ ਕਰਦੀ ਹੈ, ਇਸਦਾ ਵਿਸ਼ਲੇਸ਼ਣ ਅਤੇ ਸੁਰੱਖਿਆ ਨਾਲ ਕੋਈ ਲੈਣਾ-ਦੇਣਾ ਨਹੀਂ ਹੈ
• ਡੀ) ਕਿਉਂਕਿ ਨਕਲੀ ਬੁੱਧੀ ਮਨੁੱਖਾਂ ਨਾਲੋਂ ਵਧੇਰੇ ਨਿਰਪੱਖ ਹੈ, ਸੁਰੱਖਿਆ ਫੈਸਲੇ ਇਸ 'ਤੇ ਛੱਡ ਦਿੱਤੇ ਜਾਣੇ ਚਾਹੀਦੇ ਹਨ

ਵਰਣਨ: ਨਕਲੀ ਬੁੱਧੀ; ਇਹ ਇੱਕ ਸਹਾਇਕ ਹੈ ਜੋ ਕੋਡ ਲਿਖਦਾ ਹੈ, ਡਰਾਫਟ ਤਿਆਰ ਕਰਦਾ ਹੈ, ਇੱਕ ਰੀਟਰੋਸਿੰਥੇਸਿਸ ਪਿੰਜਰ ਬਣਾਉਂਦਾ ਹੈ, ਸਪੈਕਟ੍ਰਮ ਵਿਆਖਿਆ ਦੀ ਮਦਦ ਕਰਦਾ ਹੈ ਅਤੇ ਸੰਗਠਿਤ ਕਰਦਾ ਹੈ। ਹਾਲਾਂਕਿ, ਅਣੂ ਭਾਰ ਅਤੇ ਸਟੋਈਚਿਓਮੈਟਰੀ ਦੀ ਨਿਰਣਾਇਕ ਗਣਨਾ, RDKit ਨਾਲ ਢਾਂਚੇ ਦੀ ਪੁਸ਼ਟੀ, ਡੇਟਾਬੇਸ ਵਿੱਚ ਹਵਾਲੇ ਦੀ ਪੁਸ਼ਟੀ, SDS/GHS ਨਾਲ ਸੁਰੱਖਿਆ ਦਾ ਫੈਸਲਾ ਅਤੇ ਅੰਤਿਮ ਜ਼ਿੰਮੇਵਾਰੀ ਸਮਰੱਥ ਕੈਮਿਸਟ ਦੀ ਹੈ। ਵੱਡੀ ਭਾਸ਼ਾ ਮਾਡਲ ਇੱਕ ਕੈਲਕੁਲੇਟਰ ਜਾਂ ਇੱਕ ਰਸਾਇਣ ਇੰਜਣ ਨਹੀਂ ਹੈ; ਇਹ ਇੱਕ ਟੈਕਸਟ ਜਨਰੇਟਰ ਹੈ ਜੋ 'ਅਗਲਾ ਸਭ ਤੋਂ ਵੱਧ ਸੰਭਾਵਿਤ ਸ਼ਬਦ' ਪੈਦਾ ਕਰਦਾ ਹੈ ਅਤੇ ਇਸਦਾ ਅਣ-ਪ੍ਰਮਾਣਿਤ ਆਉਟਪੁੱਟ ਇੱਕ ਗਲਤ ਬਣਤਰ, ਸੰਖਿਆ ਜਾਂ ਖ਼ਤਰਾ ਪੈਦਾ ਕਰ ਸਕਦਾ ਹੈ।

2. ਨਕਲੀ ਬੁੱਧੀ ਲਈ ਅਣੂ ਦਾ ਵਰਣਨ ਕਰਨ ਦਾ ਸਭ ਤੋਂ ਭਰੋਸੇਮੰਦ ਤਰੀਕਾ ਕੀ ਹੈ?

• ਏ) ਸਿਰਫ਼ ਆਮ ਤੁਰਕੀ ਨਾਮ ਲਿਖਣਾ
• B) SMILES ਵਰਗੀ ਬਣਤਰ ਦੀ ਪ੍ਰਤੀਨਿਧਤਾ ਦੇਣਾ ਅਤੇ InChIKey ਨਾਲ ਪਛਾਣ ਦੀ ਪੁਸ਼ਟੀ ਕਰਨਾ ✔
• C) ਸਿਰਫ਼ ਅਣੂ ਦਾ ਭਾਰ ਦੱਸ ਰਿਹਾ ਹੈ
• ਡੀ) ਟ੍ਰੇਡਮਾਰਕ ਲਿਖਣ ਲਈ ਇਹ ਕਾਫੀ ਹੈ

ਵਿਆਖਿਆ: ਨਾਮ (ਖਾਸ ਕਰਕੇ ਵਪਾਰ ਅਤੇ ਸਮਾਨਾਰਥੀ ਨਾਮ) ਅਸਪਸ਼ਟ ਹਨ ਅਤੇ ਗਲਤ ਅਣੂ ਵੱਲ ਲੈ ਜਾ ਸਕਦੇ ਹਨ। ਅਣੂ ਨੂੰ ਇੱਕ ਬਣਤਰ ਸੰਕੇਤ ਦੇਣਾ ਜਿਵੇਂ ਕਿ SMILES ਸ਼ੁੱਧਤਾ ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ; InChIKey ਦੇ ਡੇਟਾਬੇਸ ਵਿੱਚ ਉਸਦੀ ਪਛਾਣ ਦੀ ਪੁਸ਼ਟੀ ਕੀਤੀ ਗਈ ਹੈ। ਇਸ ਤੋਂ ਇਲਾਵਾ, ਆਰਟੀਫੀਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ ਦੁਆਰਾ ਦਿੱਤੇ ਗਏ ਮੁਸਕਾਨਾਂ ਨੂੰ RDKit ਨਾਲ ਪਾਰਸ ਕੀਤਾ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ ਅਤੇ ਪ੍ਰਮਾਣਿਕਤਾ ਦੁਆਰਾ ਪ੍ਰਮਾਣਿਤ ਕੀਤਾ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ।

3. ਤੁਹਾਨੂੰ ਨਕਲੀ ਬੁੱਧੀ ਦੁਆਰਾ ਦਿੱਤੇ ਅਣੂ ਭਾਰ ਦੀ ਵਰਤੋਂ ਕਿਵੇਂ ਕਰਨੀ ਚਾਹੀਦੀ ਹੈ?

• A) ਇਸਦੀ ਵਰਤੋਂ ਸਿੱਧੇ ਤੌਰ 'ਤੇ ਕਰਨਾ, ਕਿਉਂਕਿ AI ਸੰਖਿਆਵਾਂ ਵਿੱਚ ਭਰੋਸੇਯੋਗ ਹੈ
• ਅ) ਫਾਰਮੂਲੇ ਤੋਂ ਹੱਥੀਂ ਜਾਂ RDKit ਨਾਲ ਸੁਤੰਤਰ ਤੌਰ 'ਤੇ ਗਣਨਾ ਕਰੋ ਅਤੇ ਪੁਸ਼ਟੀ ਕਰੋ ✔
• C) ਕਿਸੇ ਹੋਰ ਨਕਲੀ ਬੁੱਧੀ ਨੂੰ ਪੁੱਛਣਾ ਅਤੇ ਤੁਲਨਾ ਕਰਨਾ ਕਾਫ਼ੀ ਹੈ
• ਡੀ) ਅਣੂ ਦਾ ਭਾਰ ਮਹੱਤਵਪੂਰਨ ਨਹੀਂ ਹੈ, ਤਸਦੀਕ ਦੀ ਕੋਈ ਲੋੜ ਨਹੀਂ ਹੈ

ਵਿਆਖਿਆ: ਅਣੂ ਭਾਰ ਇੱਕ ਮਾਤਰਾ ਹੈ ਜੋ ਅਣੂ ਫਾਰਮੂਲੇ ਤੋਂ ਨਿਰਧਾਰਿਤ ਤੌਰ 'ਤੇ ਗਿਣਿਆ ਜਾਂਦਾ ਹੈ। ਇਸ ਲਈ ਭਾਸ਼ਾ ਮਾਡਲ ਨੂੰ ਪੁੱਛਣਾ ਸਭ ਤੋਂ ਕਮਜ਼ੋਰ ਤਰੀਕਾ ਹੈ; ਇਸ ਦੀ ਸੁਤੰਤਰ ਤੌਰ 'ਤੇ RDKit ਵਰਗੇ ਟੂਲ ਨਾਲ ਜਾਂ ਕਿਸੇ ਫਾਰਮੂਲੇ ਤੋਂ ਹੱਥੀਂ ਗਣਨਾ ਕਰਕੇ ਪੁਸ਼ਟੀ ਕੀਤੀ ਜਾਣੀ ਚਾਹੀਦੀ ਹੈ। ਭਾਸ਼ਾ ਮਾਡਲ ਅਜਿਹੇ ਸੰਖਿਆਵਾਂ ਨੂੰ 'ਸੰਭਾਵਿਤ ਦਿੱਖ' ਮੁੱਲ ਦੇ ਨਾਲ ਫਿੱਟ ਕਰ ਸਕਦਾ ਹੈ।

4. ਨਕਲੀ ਬੁੱਧੀ ਦੁਆਰਾ ਵਾਪਸ ਕੀਤੇ ਗਏ ਸਾਹਿਤ ਦੇ ਹਵਾਲੇ (ਲੇਖ/DOI) ਦੀ ਵਰਤੋਂ ਕਰਨ ਤੋਂ ਪਹਿਲਾਂ ਕੀ ਕੀਤਾ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ?

• ਏ) ਕੁਝ ਨਹੀਂ; ਜੇ ਨਕਲੀ ਬੁੱਧੀ ਇੱਕ ਹਵਾਲਾ ਦਿੰਦੀ ਹੈ, ਤਾਂ ਇਹ ਅਸਲ ਹੈ
• ਅ) ਸਿਰਫ਼ ਸਿਰਲੇਖ ਨੂੰ ਯਕੀਨਨ ਬਣਾਉਣ ਲਈ ਇਸ ਨੂੰ ਵੇਖਣਾ ਕਾਫ਼ੀ ਹੈ।
• C) ਹਰੇਕ ਹਵਾਲੇ ਅਤੇ DOI ਨੂੰ ਇੱਕ ਡੇਟਾਬੇਸ (doi.org, Crossref) ਵਿੱਚ ਡੀਕੋਡ ਕਰਕੇ ਪੁਸ਼ਟੀ ਕਰਨਾ ✔
• D) ਲੰਬਾ DOI ਨੰਬਰ ਸਾਬਤ ਕਰਦਾ ਹੈ ਕਿ ਇਹ ਅਸਲੀ ਹੈ।

ਵਰਣਨ: ਭਾਸ਼ਾ ਮਾਡਲ ਲੇਖ, ਲੇਖਕ, ਅਤੇ DOI ਤਿਆਰ ਕਰ ਸਕਦਾ ਹੈ ਜੋ ਯਥਾਰਥਵਾਦੀ ਦਿਖਦੇ ਹਨ ਪਰ ਮੌਜੂਦ ਨਹੀਂ ਹਨ (ਜਾਅਲੀ ਹਵਾਲੇ)। ਸਿਰਫ਼ ਕਿਉਂਕਿ ਇਹ ਇੱਕ DOI ਦਿੰਦਾ ਹੈ ਇਸਦਾ ਮਤਲਬ ਇਹ ਨਹੀਂ ਹੈ ਕਿ ਇਹ ਵੈਧ ਹੈ। ਹਰੇਕ ਹਵਾਲੇ ਨੂੰ ਇੱਕ ਡੇਟਾਬੇਸ ਵਿੱਚ ਰੈਜ਼ੋਲੂਸ਼ਨ ਦੁਆਰਾ ਪ੍ਰਮਾਣਿਤ ਕੀਤਾ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ ਜਿਵੇਂ ਕਿ doi.org, Crossref, ਜਾਂ ਪ੍ਰਕਾਸ਼ਕ ਦੀ ਸਾਈਟ; ਸਭ ਤੋਂ ਸੁਰੱਖਿਅਤ ਪ੍ਰਵਾਹ ਮਨੁੱਖ ਲਈ ਅਸਲ ਲੇਖ ਨੂੰ ਲੱਭਣ ਅਤੇ ਟੈਕਸਟ ਨੂੰ ਨਕਲੀ ਬੁੱਧੀ ਦੁਆਰਾ ਸੰਖੇਪ ਕਰਨ ਲਈ ਹੈ।

5. ਕਿਸ ਖੇਤਰ ਵਿੱਚ ਨਕਲੀ ਬੁੱਧੀ ਸਭ ਤੋਂ ਕਮਜ਼ੋਰ ਹੈ ਅਤੇ ਪ੍ਰਤੀਕ੍ਰਿਆ ਯੋਜਨਾਬੰਦੀ ਵਿੱਚ ਪੁਸ਼ਟੀ ਦੀ ਲੋੜ ਹੈ?

• A) ਇਹ ਪਛਾਣਨ ਵਿੱਚ ਕਿ ਪ੍ਰਤੀਕ੍ਰਿਆ ਕਿਸ ਆਮ ਸ਼੍ਰੇਣੀ ਨਾਲ ਸਬੰਧਤ ਹੈ
• ਅ) ਸਹੀ ਸਥਿਤੀ ਨੰਬਰ, ਉਪਜ ਮੁੱਲ ਅਤੇ ਰੀਐਜੈਂਟ/ਉਤਪ੍ਰੇਰਕ ਨਾਮ ✔
• C) ਸਾਦੀ ਭਾਸ਼ਾ ਵਿੱਚ ਇੱਕ ਵਿਧੀ ਦੀ ਵਿਆਖਿਆ ਕਰਨਾ
• ਡੀ) ਵਿਕਲਪਕ ਰੂਟਾਂ ਲਈ ਵਿਚਾਰ-ਵਟਾਂਦਰਾ ਕਰਨਾ

ਵਿਆਖਿਆ: AI ਆਮ ਤੌਰ 'ਤੇ ਪ੍ਰਤੀਕ੍ਰਿਆ ਦੀ ਕਿਸਮ ਅਤੇ ਚੰਗੀ ਤਰ੍ਹਾਂ ਦਸਤਾਵੇਜ਼ੀ ਪ੍ਰਤੀਕ੍ਰਿਆਵਾਂ ਦੇ ਮੁੱਖ ਉਤਪਾਦ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰਦਾ ਹੈ। ਹਾਲਾਂਕਿ, ਸਹੀ ਸਥਿਤੀ ਸੰਖਿਆਵਾਂ (ਤਾਪਮਾਨ, ਸਮਾਂ, ਬਰਾਬਰ), ਉਪਜ ਮੁੱਲ, ਦੁਰਲੱਭ ਪ੍ਰਤੀਕ੍ਰਿਆਵਾਂ, ਅਤੇ ਰੀਐਜੈਂਟ/ਉਤਪ੍ਰੇਰਕ ਨਾਮ ਸਭ ਤੋਂ ਕਮਜ਼ੋਰ ਅਤੇ ਫੈਬਰੀਕੇਸ਼ਨ ਲਈ ਸਭ ਤੋਂ ਵੱਧ ਸੰਭਾਵਿਤ ਹਨ; ਇਹਨਾਂ ਦੀ ਪੁਸ਼ਟੀ ਸਾਹਿਤ ਅਤੇ ਕੈਟਾਲਾਗ ਨਾਲ ਕੀਤੀ ਜਾਣੀ ਚਾਹੀਦੀ ਹੈ।

6. ਸਪੈਕਟ੍ਰਮ ਵਿਆਖਿਆ ਵਿੱਚ ਨਕਲੀ ਬੁੱਧੀ ਦੀ ਵਰਤੋਂ ਕਰਨ ਦਾ ਸਭ ਤੋਂ ਭਰੋਸੇਮੰਦ ਤਰੀਕਾ ਕੀ ਹੈ?

• A) ਬਸ ਕੁਝ ਸਿਖਰਾਂ ਦਿਓ ਅਤੇ ਪੁੱਛੋ 'ਇਹ ਕਿਹੜਾ ਸਪੈਕਟ੍ਰਮ ਹੈ?' ਪੁੱਛਣ ਲਈ
• ਅ) ਸੰਭਾਵਿਤ ਢਾਂਚਾ ਅਤੇ ਪੂਰਾ ਕੱਚਾ ਡੇਟਾ ਦੇਣਾ ਅਤੇ ਇਕਸਾਰਤਾ ਜਾਂਚ (ਕਲਪਨਾ ਟੈਸਟਿੰਗ) ✔
• C) ਏਕੀਕਰਣ ਅਤੇ ਵੰਡ ਕੀਤੇ ਬਿਨਾਂ ਸਿਰਫ ਸ਼ਿਫਟ ਮੁੱਲਾਂ ਨੂੰ ਲਿਖਣਾ
• D) ਇੱਕ ਸਿੰਗਲ ਤਕਨੀਕ (ਸਿਰਫ਼ IR) ਨਾਲ ਨਿਸ਼ਚਿਤ ਢਾਂਚਾ ਅਸਾਈਨਮੈਂਟ ਹੋਣਾ

ਵਰਣਨ: AI ਨੂੰ ਪੁੱਛੋ 'ਇਹ ਸਪੈਕਟ੍ਰਮ ਕਿਹੜਾ ਮਿਸ਼ਰਣ ਹੈ?' ਸਕ੍ਰੈਚ ਤੋਂ ਪੁੱਛਣਾ ਗਲਤੀ ਦਰ ਨੂੰ ਵਧਾਉਂਦਾ ਹੈ। ਸਭ ਤੋਂ ਭਰੋਸੇਮੰਦ ਤਰੀਕਾ ਇਹ ਹੈ ਕਿ ਸੰਭਾਵਿਤ ਢਾਂਚੇ (SMILES) ਅਤੇ ਕੱਚੇ ਡੇਟਾ (ਏਕੀਕਰਣ, ਵੰਡਣ, ਹੱਲ ਕਰਨ ਵਾਲੇ, ਪੀਕ ਲਿਸਟ) ਨੂੰ ਇਕੱਠੇ ਦੇਣਾ ਅਤੇ 'ਕੀ ਇਹ ਡੇਟਾ ਇਸ ਢਾਂਚੇ ਨਾਲ ਇਕਸਾਰ ਹੈ?' ਪੁੱਛਣਾ ਹੈ; ਭਾਵ, ਇੱਕ ਪਰਿਕਲਪਨਾ ਟੈਸਟਰ ਵਜੋਂ ਨਕਲੀ ਬੁੱਧੀ ਦੀ ਵਰਤੋਂ ਕਰਨਾ। ਅੰਤਮ ਅਸਾਈਨਮੈਂਟ ਪ੍ਰਯੋਗਾਤਮਕ ਸਪੈਕਟ੍ਰਮ ਦੀ ਜਾਂਚ ਕਰਨ ਵਾਲੇ ਕੈਮਿਸਟ ਲਈ ਹੈ।

7. ਰਸਾਇਣਕ ਗਣਨਾ (ਉਦਾਹਰਨ ਲਈ ਪ੍ਰਤੀਸ਼ਤ ਉਪਜ) ਦਾ ਨਤੀਜਾ ਪ੍ਰਾਪਤ ਕਰਨ ਦਾ ਸਭ ਤੋਂ ਭਰੋਸੇਮੰਦ ਤਰੀਕਾ ਕੀ ਹੈ?

• A) ਮੌਖਿਕ ਤੌਰ 'ਤੇ ਨਕਲੀ ਬੁੱਧੀ ਤੋਂ ਸਿੱਧੇ ਨਤੀਜੇ ਦੀ ਬੇਨਤੀ ਕਰਨਾ
• ਅ) ਖਾਤੇ ਦੇ ਪਾਈਥਨ ਕੋਡ ਨੂੰ ਪ੍ਰਿੰਟ ਕਰੋ ਅਤੇ ਚਲਾਓ ਅਤੇ ਇੱਕ ਜਾਣੀ-ਪਛਾਣੀ ਉਦਾਹਰਣ ਨਾਲ ਇਸ ਦੀ ਜਾਂਚ ਕਰੋ ✔
• C) ਇੱਕੋ ਸਵਾਲ ਨੂੰ ਕਈ ਵਾਰ ਪੁੱਛੋ ਅਤੇ ਉਹ ਨੰਬਰ ਪ੍ਰਾਪਤ ਕਰੋ ਜੋ ਅਕਸਰ ਆਉਂਦਾ ਹੈ
• ਡੀ) ਯੂਨਿਟ ਨੂੰ ਨਿਰਧਾਰਤ ਕੀਤੇ ਬਿਨਾਂ ਤੇਜ਼ੀ ਨਾਲ ਅਨੁਮਾਨ ਲਗਾਉਣਾ

ਵਿਆਖਿਆ: ਭਾਸ਼ਾ ਮਾਡਲ 'ਸੰਭਾਵਿਤ ਨਤੀਜੇ ਦੀ ਭਵਿੱਖਬਾਣੀ' ਦੁਆਰਾ ਅੰਕ ਗਣਿਤ ਕਰਦਾ ਹੈ ਅਤੇ ਬਹੁਤ ਹੀ ਸਧਾਰਨ ਗੁਣਾ ਦੇ ਨਾਲ ਵੀ ਗਲਤ ਹੋ ਸਕਦਾ ਹੈ। ਸਭ ਤੋਂ ਭਰੋਸੇਮੰਦ ਤਰੀਕਾ ਇਹ ਹੈ ਕਿ ਏਆਈ ਨੂੰ ਆਪਣਾ ਕੋਡ (ਜਿਵੇਂ ਕਿ ਪਾਈਥਨ) ਲਿਖੋ, ਨਾ ਕਿ ਖੁਦ ਖਾਤੇ, ਅਤੇ ਉਸ ਕੋਡ ਨੂੰ ਚਲਾਓ; ਕੋਡ ਨਿਰਣਾਇਕ ਅਤੇ ਆਡਿਟਯੋਗ ਹੈ। ਕੋਡ ਨੂੰ ਇੱਕ ਛੋਟੇ ਨਮੂਨੇ ਨਾਲ ਵੀ ਟੈਸਟ ਕੀਤਾ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ ਜਿਸਦਾ ਜਵਾਬ ਜਾਣਿਆ ਜਾਂਦਾ ਹੈ.

8. ਅਣੂ ਸੰਪੱਤੀ ਦੀ ਭਵਿੱਖਬਾਣੀ ਵਿੱਚ 'ਲਾਗੂ ਹੋਣ ਦੇ ਡੋਮੇਨ' ਦੀ ਧਾਰਨਾ ਦਾ ਕੀ ਅਰਥ ਹੈ?

• ਏ) ਕੰਪਿਊਟਰ ਦੀ ਪ੍ਰੋਸੈਸਿੰਗ ਪਾਵਰ ਜਿਸ 'ਤੇ ਮਾਡਲ ਚੱਲਦਾ ਹੈ
• ਅ) ਸਿਖਲਾਈ ਡੇਟਾ ਦੇ ਸਮਾਨ ਅਣੂ ਖੇਤਰ, ਜਿੱਥੇ ਮਾਡਲ ਭਰੋਸੇਯੋਗ ਭਵਿੱਖਬਾਣੀਆਂ ਦਿੰਦਾ ਹੈ ✔
• C) ਭਰੋਸਾ ਖੇਤਰ ਜਿੱਥੇ ਮਾਡਲ ਦੁਆਰਾ ਦਿੱਤਾ ਗਿਆ ਨੰਬਰ ਹਮੇਸ਼ਾ ਸਟੀਕ ਹੁੰਦਾ ਹੈ
• D) ਤਾਪਮਾਨ ਸੀਮਾ ਜਿਸ ਵਿੱਚ ਅਣੂ ਨੂੰ ਪ੍ਰਯੋਗਸ਼ਾਲਾ ਵਿੱਚ ਸੰਸ਼ਲੇਸ਼ਣ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ

ਵਿਆਖਿਆ: ਇੱਕ QSAR/ਪੂਰਵ-ਅਨੁਮਾਨ ਮਾਡਲ ਅਣੂਆਂ 'ਤੇ ਚੰਗੀ ਤਰ੍ਹਾਂ ਕੰਮ ਕਰਦਾ ਹੈ ਜੋ ਉਹਨਾਂ ਅਣੂਆਂ ਦੇ ਸਮਾਨ ਹਨ ਜਿਨ੍ਹਾਂ 'ਤੇ ਇਸਨੂੰ ਸਿਖਲਾਈ ਦਿੱਤੀ ਗਈ ਸੀ। ਇੱਕ ਅਣੂ ਦਿੱਤੇ ਗਏ ਜੋ ਸਿਖਲਾਈ ਡੇਟਾ ਤੋਂ ਬਹੁਤ ਵੱਖਰਾ ਹੈ, ਮਾਡਲ ਅਜੇ ਵੀ ਇੱਕ ਸੰਖਿਆ ਪੈਦਾ ਕਰਦਾ ਹੈ, ਪਰ ਇਹ ਭਰੋਸੇਯੋਗ ਨਹੀਂ ਹੈ; ਇਸ ਨੂੰ 'ਲਾਗੂ ਹੋਣ ਦੇ ਦਾਇਰੇ ਤੋਂ ਬਾਹਰ ਹੋਣਾ' ਕਿਹਾ ਜਾਂਦਾ ਹੈ। ਮਾਡਲ ਹਮੇਸ਼ਾ ਇੱਕ ਜਵਾਬ ਦਿੰਦਾ ਹੈ; ਇਹ ਮੁਲਾਂਕਣ ਕਰਨਾ ਮਨੁੱਖ ਉੱਤੇ ਨਿਰਭਰ ਕਰਦਾ ਹੈ ਕਿ ਜਵਾਬ ਭਰੋਸੇਯੋਗ ਹੈ ਜਾਂ ਨਹੀਂ।

9. ਪ੍ਰਯੋਗ ਦਸਤਾਵੇਜ਼ਾਂ ਵਿੱਚ ਨਿਰੀਖਣਾਂ ਨਾਲ ਨਜਿੱਠਣ ਲਈ ਸਹੀ ਪਹੁੰਚ ਕੀ ਹੈ?

• ਏ) ਸਮੇਂ ਦੀ ਬਚਤ ਕਰਨ ਲਈ ਨਕਲੀ ਬੁੱਧੀ ਨੂੰ ਨਿਰੀਖਣ ਲਿਖਣਾ
• ਅ) ਪ੍ਰਯੋਗ ਕਰਨ ਵਾਲਾ ਵਿਅਕਤੀ ਨਿਰੀਖਣਾਂ ਨੂੰ ਲਿਖਦਾ ਹੈ; AI ਸਿਰਫ਼ ਫਾਰਮੈਟ ਅਤੇ ਜਾਂਚਾਂ ✔
• C) ਨਿਰੀਖਣਾਂ ਨੂੰ ਰਿਕਾਰਡ ਨਾ ਕਰਨਾ ਕਾਫ਼ੀ ਹੈ, ਸਿਰਫ਼ ਅੰਤਮ ਉਪਜ ਲਿਖੋ
• ਡੀ) ਰਿਪੋਰਟ ਨੂੰ ਵਧੀਆ ਦਿਖਣ ਲਈ ਯੋਜਨਾ ਤੋਂ ਭਟਕਣਾ ਨੂੰ ਲੁਕਾਉਣਾ

ਵਿਆਖਿਆ: ਨਕਲੀ ਬੁੱਧੀ ਨਹੀਂ ਜਾਣਦੀ ਕਿ ਇਹ ਕੀ ਹੈ; ਨਿਰੀਖਣ (ਰੰਗ ਪਰਿਵਰਤਨ, ਗੈਸ ਰੀਲੀਜ਼, ਆਦਿ) ਨੂੰ ਇਸ ਵਿੱਚ ਫਿੱਟ ਕਰਨ ਨਾਲ ਅਜਿਹੇ ਰਿਕਾਰਡ ਪੈਦਾ ਹੁੰਦੇ ਹਨ ਜੋ ਮੰਨਣਯੋਗ ਜਾਪਦੇ ਹਨ ਪਰ ਅਜਿਹਾ ਨਹੀਂ ਹੋਇਆ, ਅਤੇ ਇਹ ਵਿਗਿਆਨਕ ਧੋਖਾਧੜੀ ਹੈ। AI ਰਿਕਾਰਡਿੰਗ ਨੂੰ ਫਾਰਮੈਟ ਕਰਦਾ ਹੈ, ਗੁੰਮ ਹੋਏ ਖੇਤਰਾਂ ਨੂੰ ਯਾਦ ਕਰਦਾ ਹੈ, ਅਤੇ ਦੁਹਰਾਉਣਯੋਗਤਾ ਲਈ ਜਾਂਚ ਕਰਦਾ ਹੈ; ਪਰ ਮਨੁੱਖੀ ਪ੍ਰਯੋਗਕਰਤਾ ਨੂੰ ਨਿਰੀਖਣ ਅਤੇ ਤੱਥ ਪ੍ਰਦਾਨ ਕਰਨੇ ਚਾਹੀਦੇ ਹਨ। ਯੋਜਨਾ ਤੋਂ ਭਟਕਣਾ ਨੂੰ ਵੀ ਰਿਕਾਰਡ ਕੀਤਾ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ।

10. ਪ੍ਰਯੋਗਸ਼ਾਲਾ ਦੀ ਸੁਰੱਖਿਆ ਅਤੇ ਸੱਚਾਈ ਦੇ ਸਰੋਤ ਵਿੱਚ ਨਕਲੀ ਬੁੱਧੀ ਦੀ ਕੀ ਭੂਮਿਕਾ ਹੈ?

• A) ਜੇਕਰ ਨਕਲੀ ਬੁੱਧੀ 'ਸੁਰੱਖਿਅਤ' ਕਹਿੰਦੀ ਹੈ, ਤਾਂ ਕਿਸੇ ਹੋਰ ਸਰੋਤ ਦੀ ਲੋੜ ਨਹੀਂ ਹੈ
• ਅ) ਸੱਚਾਈ ਦਾ ਸਰੋਤ SDS ਅਤੇ GHS ਹੈ; AI ਮਦਦਗਾਰ ਹੈ ਪਰ ਅੰਤਿਮ ਕਹਿਣਾ ਨਹੀਂ ਹੋ ਸਕਦਾ ✔
• C) ਸੁਰੱਖਿਆ ਫੈਸਲੇ ਪੂਰੀ ਤਰ੍ਹਾਂ ਨਕਲੀ ਬੁੱਧੀ ਨੂੰ ਸੌਂਪੇ ਜਾ ਸਕਦੇ ਹਨ
• D) SDS ਬੇਲੋੜੀ ਹੈ; ਇੰਟਰਨੈੱਟ ਫੋਰਮ ਕਾਫ਼ੀ ਜਾਣਕਾਰੀ ਪ੍ਰਦਾਨ ਕਰਦੇ ਹਨ।

ਵਰਣਨ: ਕੈਮਿਸਟਰੀ ਵਿੱਚ ਸੁਰੱਖਿਆ ਸਭ ਤੋਂ ਵੱਧ ਤਰਜੀਹ ਹੈ, ਅਤੇ ਨਕਲੀ ਬੁੱਧੀ ਇੱਥੇ ਕਦੇ ਵੀ ਆਖਰੀ ਸ਼ਬਦ ਨਹੀਂ ਹੋ ਸਕਦੀ। ਅਸਲ ਸੁਰੱਖਿਆ ਜਾਣਕਾਰੀ ਦਾ ਸਰੋਤ ਨਿਰਮਾਤਾ ਦੁਆਰਾ ਪ੍ਰਦਾਨ ਕੀਤਾ ਗਿਆ SDS (ਸੇਫਟੀ ਡੇਟਾ ਸ਼ੀਟ) ਅਤੇ GHS ਵਰਗੀਕਰਨ ਹੈ। AI SDS ਟੈਕਸਟ ਦਾ ਸਾਰ ਕਰ ਸਕਦਾ ਹੈ, ਫਾਰਮ ਡਰਾਫਟ ਤਿਆਰ ਕਰ ਸਕਦਾ ਹੈ ਅਤੇ ਸ਼ੁਰੂਆਤੀ ਗੈਰ-ਅਨੁਪਾਲਨ ਸਕ੍ਰੀਨਿੰਗ ਕਰ ਸਕਦਾ ਹੈ; ਹਾਲਾਂਕਿ, ਸਾਰੇ ਦਾਅਵਿਆਂ ਦੀ ਪੁਸ਼ਟੀ SDS ਨਾਲ ਹੋਣੀ ਚਾਹੀਦੀ ਹੈ ਅਤੇ ਪ੍ਰਕਿਰਿਆ ਨੂੰ ਇੱਕ ਤਜਰਬੇਕਾਰ ਵਿਅਕਤੀ/ਸੁਰੱਖਿਆ ਅਧਿਕਾਰੀ ਦੁਆਰਾ ਮਨਜ਼ੂਰ ਕੀਤਾ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ।

11. ਰੀਐਜੈਂਟਸ ਦੇ ਹੇਠਾਂ ਦਿੱਤੇ ਸੰਜੋਗਾਂ ਵਿੱਚੋਂ ਕਿਹੜਾ ਇੱਕ ਜਾਣਿਆ ਖਤਰਨਾਕ (ਅਸੰਗਤ) ਮੇਲ ਹੈ?

• ਏ) ਪਾਣੀ ਅਤੇ ਟੇਬਲ ਲੂਣ ਨੂੰ ਮਿਲਾਉਣਾ
• ਅ) ਹਾਈਪੋਕਲੋਰਾਈਟ (ਕਲੋਰੀਨ ਗੈਸ ਦਾ ਖਤਰਾ) ਵਾਲੇ ਘੋਲ ਨਾਲ ਤੇਜ਼ਾਬ ਵਾਲੇ ਘੋਲ ਨੂੰ ਮਿਲਾਉਣਾ ✔
• C) ਈਥਾਨੌਲ ਅਤੇ ਪਾਣੀ ਨੂੰ ਮਿਲਾਉਣਾ
• ਡੀ) ਖੰਡ ਅਤੇ ਪਾਣੀ ਨੂੰ ਘੁਲਣਾ

ਵਿਆਖਿਆ: ਹਾਲਾਂਕਿ ਕੁਝ ਰਸਾਇਣ ਇਕੱਲੇ ਮੁਕਾਬਲਤਨ ਸੁਰੱਖਿਅਤ ਹੁੰਦੇ ਹਨ, ਪਰ ਉਹ ਇਕੱਠੇ ਖਤਰਨਾਕ ਹੁੰਦੇ ਹਨ। ਐਸਿਡ ਅਤੇ ਹਾਈਪੋਕਲੋਰਾਈਟ ਨੂੰ ਮਿਲਾਉਣ ਨਾਲ ਕਲੋਰੀਨ ਗੈਸ ਨਿਕਲਦੀ ਹੈ; ਆਕਸੀਡਾਈਜ਼ਰ + ਜੈਵਿਕ ਅੱਗ/ਵਿਸਫੋਟ, ਪਾਣੀ + ਪ੍ਰਤੀਕਿਰਿਆਸ਼ੀਲ ਧਾਤ ਦੀ ਗਰਮੀ/ਹਾਈਡ੍ਰੋਜਨ ਦਾ ਖਤਰਾ ਪੈਦਾ ਕਰਦਾ ਹੈ। ਹਾਲਾਂਕਿ AI ਇਹਨਾਂ ਵਿੱਚੋਂ ਜ਼ਿਆਦਾਤਰ ਸੰਜੋਗਾਂ ਨੂੰ ਜਾਣਦਾ ਹੈ, ਇਹ ਉਹਨਾਂ ਸਾਰਿਆਂ ਦੀ ਗਾਰੰਟੀ ਨਹੀਂ ਦਿੰਦਾ ਹੈ ਅਤੇ ਕਈ ਵਾਰ ਮਾਸੂਮ ਭਾਸ਼ਾ ਵਿੱਚ ਇੱਕ ਖਤਰਨਾਕ ਸੁਝਾਅ ਪੇਸ਼ ਕਰ ਸਕਦਾ ਹੈ; SDS ਦੀ ਪਾਲਣਾ ਨਾ ਕਰਨ ਲਈ ਹਰੇਕ ਪ੍ਰਕਿਰਿਆ ਦੀ ਜਾਂਚ ਕੀਤੀ ਜਾਣੀ ਚਾਹੀਦੀ ਹੈ।

12. 'ਭਰਮ' (ਮਨਘੜਤ ਜਾਣਕਾਰੀ ਪੈਦਾ ਕਰਨ ਵਾਲੀ ਨਕਲੀ ਬੁੱਧੀ) ਲਈ ਸਭ ਤੋਂ ਸਹੀ ਸਮੀਕਰਨ ਕੀ ਹੈ?

• ਏ) ਇਹ ਇੱਕ ਦੁਰਲੱਭ ਸੌਫਟਵੇਅਰ ਗਲਤੀ ਹੈ ਅਤੇ ਇੱਕ ਅਪਡੇਟ ਨਾਲ ਪੂਰੀ ਤਰ੍ਹਾਂ ਖਤਮ ਹੋ ਜਾਂਦੀ ਹੈ।
• ਅ) ਇਹ ਭਾਸ਼ਾ ਮਾਡਲ ਵਿੱਚ ਇੱਕ ਵਿਵਹਾਰ ਹੈ; ਹੱਲ ਹੈ ਸੁਤੰਤਰ ਤੌਰ 'ਤੇ ਹਰੇਕ ਆਉਟਪੁੱਟ ਦੀ ਪੁਸ਼ਟੀ ਕਰਨਾ ✔
• C) ਇਹ ਸਿਰਫ ਗਲਤ ਲਿਖਤੀ ਪ੍ਰੋਂਪਟਾਂ ਵਿੱਚ ਦਿਖਾਈ ਦਿੰਦਾ ਹੈ, ਕਦੇ ਵੀ ਸਹੀ ਪ੍ਰੋਂਪਟ ਵਿੱਚ ਨਹੀਂ।
• ਡੀ) ਜੇਕਰ ਨਕਲੀ ਬੁੱਧੀ ਇੱਕ ਸੁਰੱਖਿਅਤ ਭਾਸ਼ਾ ਵਿੱਚ ਗੱਲ ਕਰਦੀ ਹੈ, ਤਾਂ ਇਹ ਇੱਕ ਭਰਮ ਨਹੀਂ ਹੈ

ਵਿਆਖਿਆ: ਭਰਮ ਇੱਕ ਖਰਾਬੀ ਨਹੀਂ ਹੈ ਪਰ ਭਾਸ਼ਾ ਮਾਡਲ ਦੀ ਪ੍ਰਕਿਰਤੀ ਦਾ ਨਤੀਜਾ ਹੈ ਜੋ 'ਅਗਲਾ ਸਭ ਤੋਂ ਸੰਭਾਵੀ ਸ਼ਬਦ' ਪੈਦਾ ਕਰਦਾ ਹੈ; ਮਾਡਲ ਦਾ ਉਦੇਸ਼ ਸੰਭਵ ਹੈ, ਸੱਚ ਨਹੀਂ। ਸਭ ਤੋਂ ਧੋਖੇਬਾਜ਼ ਹਿੱਸਾ ਇਹ ਹੈ ਕਿ ਇਹ ਝੂਠੀ ਜਾਣਕਾਰੀ ਨੂੰ ਉਸੇ ਭਰੋਸੇਮੰਦ ਭਾਸ਼ਾ ਵਿੱਚ ਪੇਸ਼ ਕਰਦਾ ਹੈ ਜਿਵੇਂ ਕਿ ਸੱਚ। ਹੱਲ ਮਾਡਲ ਨੂੰ ਠੀਕ ਕਰਨ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰਨਾ ਨਹੀਂ ਹੈ, ਪਰ ਹਰੇਕ ਆਉਟਪੁੱਟ ਦੇ ਦੁਆਲੇ ਇੱਕ ਕਿਸਮ-ਉਚਿਤ ਪ੍ਰਮਾਣਿਕਤਾ ਸ਼ੈੱਲ ਬਣਾਉਣਾ ਹੈ; ਰਵਾਨਗੀ ਕਦੇ ਵੀ ਸ਼ੁੱਧਤਾ ਦਾ ਸਬੂਤ ਨਹੀਂ ਹੈ।

13. 'ਤਿਕੋਣ' ਦਾ ਕੀ ਅਰਥ ਹੈ ਕਿ ਕਿਸੇ ਨਾਜ਼ੁਕ ਮੁੱਲ (ਜਿਵੇਂ ਕਿ ਅਣੂ ਭਾਰ) ਨੂੰ ਪ੍ਰਮਾਣਿਤ ਕਰਨਾ?

• ਏ) ਇੱਕੋ ਆਰਟੀਫਿਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ ਨੂੰ ਤਿੰਨ ਵਾਰ ਇੱਕੋ ਸਵਾਲ ਪੁੱਛਣਾ
• ਅ) ਇੱਕ ਤੋਂ ਵੱਧ ਸੁਤੰਤਰ ਤਰੀਕੇ ਨਾਲ ਤੁਲਨਾ ਕਰਨਾ ਅਤੇ ਇੱਕੋ ਸਿੱਟੇ 'ਤੇ ਪਹੁੰਚਣਾ ✔
• C) ਇੱਕੋ ਸਮੇਂ ਤਿੰਨ ਵੱਖ-ਵੱਖ ਅਣੂਆਂ ਦੇ ਭਾਰ ਦੀ ਗਣਨਾ ਕਰਨਾ
• D) ਨਤੀਜੇ ਨੂੰ ਤਿੰਨ ਦਸ਼ਮਲਵ ਸਥਾਨਾਂ 'ਤੇ ਗੋਲ ਕਰਨਾ

ਵਿਆਖਿਆ: ਤਿਕੋਣ ਕਈ ਸੁਤੰਤਰ ਮਾਰਗਾਂ ਰਾਹੀਂ ਇੱਕੋ ਸਿੱਟੇ 'ਤੇ ਪਹੁੰਚ ਰਿਹਾ ਹੈ; ਉਦਾਹਰਨ ਲਈ, ਨਕਲੀ ਬੁੱਧੀ, RDKit ਕੈਲਕੂਲੇਸ਼ਨ ਅਤੇ ਮੈਨੂਅਲ ਕੈਲਕੂਲੇਸ਼ਨ ਦੇ ਅਨੁਸਾਰ ਅਣੂ ਦੇ ਭਾਰ ਦੀ ਤੁਲਨਾ ਕਰਨਾ। ਜੇ ਦੋ ਸੁਤੰਤਰ ਮਾਰਗ ਓਵਰਲੈਪ ਹੁੰਦੇ ਹਨ, ਤਾਂ ਭਰੋਸਾ ਉੱਚਾ ਹੁੰਦਾ ਹੈ; ਜੇਕਰ ਕੋਈ ਭਟਕ ਜਾਂਦਾ ਹੈ, ਤਾਂ ਉਸ ਨੂੰ ਰੋਕ ਕੇ ਜਾਂਚ ਕੀਤੀ ਜਾਂਦੀ ਹੈ। ਇੱਕ ਸਰੋਤ 'ਤੇ ਭਰੋਸਾ ਕਰਨ ਦੀ ਬਜਾਏ, ਘੱਟੋ-ਘੱਟ ਦੋ ਸੁਤੰਤਰ ਢੰਗਾਂ ਦੀ ਮੰਗ ਕੀਤੀ ਜਾਣੀ ਚਾਹੀਦੀ ਹੈ।

14. ਇੱਕ ਆਮ AI ਸੇਵਾ ਨੂੰ ਇੱਕ ਵਿਲੱਖਣ ਅਣੂ ਬਾਰੇ ਪੁੱਛਣ ਦਾ ਸਹੀ ਤਰੀਕਾ ਕੀ ਹੈ ਜਿਸਦਾ ਪੇਟੈਂਟ ਨਹੀਂ ਕੀਤਾ ਗਿਆ ਹੈ?

• ਏ) ਮੂਲ ਬਣਤਰ ਨੂੰ ਸਿੱਧਾ ਦੇਣਾ, ਕਿਉਂਕਿ ਗਤੀ ਮਹੱਤਵਪੂਰਨ ਹੈ
• ਅ) ਮੂਲ ਬਣਤਰ ਨੂੰ ਪ੍ਰਗਟ ਕੀਤੇ ਬਿਨਾਂ ਇੱਕ ਆਮ/ਸਰੋਗੇਟ ਉਦਾਹਰਨ ਰਾਹੀਂ ਰਣਨੀਤੀ ਸਿੱਖਣਾ ✔
• C) ਢਾਂਚਾ ਦੇਣਾ ਕੋਈ ਸਮੱਸਿਆ ਨਹੀਂ ਹੈ, AI ਕਦੇ ਵੀ ਜਾਣਕਾਰੀ ਨੂੰ ਲੁਕਾਉਂਦਾ ਨਹੀਂ ਹੈ
• ਡੀ) ਅਣੂ ਦਾ ਨਾਮ ਨਾ ਦੇਣਾ ਪਰ ਸਿਰਫ ਇਸਦੇ ਪੂਰੇ ਮੁਸਕਰਾਹਟ ਨੂੰ ਸਾਂਝਾ ਕਰਨਾ ਕਾਫ਼ੀ ਸੁਰੱਖਿਆ ਹੈ।

ਵਰਣਨ: ਇੱਕ ਆਮ ਨਕਲੀ ਖੁਫੀਆ ਸੇਵਾ ਵਿੱਚ ਦਾਖਲ ਕੀਤੀ ਸਮੱਗਰੀ ਨੂੰ ਸੇਵਾ ਨੀਤੀ ਦੇ ਅਨੁਸਾਰ ਸਟੋਰ ਜਾਂ ਸੰਸਾਧਿਤ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ; ਇੱਕ ਅਸਲੀ ਢਾਂਚਾ ਦੇਣ ਨਾਲ ਗੁਪਤਤਾ ਅਤੇ ਪੇਟੈਂਟ ਤਰਜੀਹ ਨੂੰ ਜੋਖਮ ਹੁੰਦਾ ਹੈ। ਸਹੀ ਪਹੁੰਚ ਇਹ ਹੈ ਕਿ ਇੱਕ ਆਮ/ਸਰੋਗੇਟ ਉਦਾਹਰਨ (ਢਾਂਚਿਆਂ ਦੀ ਇੱਕ ਸਮਾਨ ਸ਼੍ਰੇਣੀ) ਤੋਂ ਰਣਨੀਤੀ ਨੂੰ ਸਿੱਖਣਾ ਅਤੇ ਮੂਲ ਬਣਤਰ ਨੂੰ ਪ੍ਰਗਟ ਕੀਤੇ ਬਿਨਾਂ ਇਸ ਨੂੰ ਆਪਣੇ ਘਰ ਦੇ ਅਣੂ ਵਿੱਚ ਲਾਗੂ ਕਰਨਾ ਹੈ। ਵਿਅਕਤੀਗਤ/ਮਰੀਜ਼ ਡੇਟਾ ਨੂੰ ਵੀ ਪਛਾਣ ਯੋਗ ਰੂਪ ਵਿੱਚ ਦਾਖਲ ਨਹੀਂ ਕੀਤਾ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ।