Etika, biologická bezpečnosť, dôvernosť a vedecká integrita

zisky:

• Schopnosť chrániť citlivé ľudské/genetické údaje v súlade s KVKK, GDPR a pravidlami etickej komisie a vyhnúť sa ich poskytovaniu otvorenému modelu
• Schopnosť spochybniť platnosť výsledkov hodnotením rizík biologickej bezpečnosti/dvojakého použitia a populačnej zaujatosti
• Pochopenie, že etickú zodpovednosť nemožno delegovať na vozidlo a že je potrebný zmysluplný človek v slučke

Silné používanie umelej inteligencie v biológii je doplnené o jej zodpovedné používanie. Biológia je citlivá oblasť, ktorá sa dotýka ľudského zdravia, genetického súkromia, životného prostredia a dokonca aj biologickej bezpečnosti. V tejto časti si rozoberieme etické, právne a bezpečnostné povinnosti, ktorým budete čeliť pri používaní umelej inteligencie v biologických štúdiách. Táto jednotka je rámec postavený na princípoch overovania a čestnosti vo všetkých predchádzajúcich jednotkách.

Základný princíp: AI je nástroj; Etická zodpovednosť je vždy na ľuďoch. „Navrhovaný model“ nie je ospravedlnením.

Štyri oblasti zodpovednosti

1. Ochrana osobných údajov a ľudské údaje

Genetické, klinické alebo zdravotné údaje od ľudských účastníkov sú mimoriadne citlivé. Sekvencia DNA osoby môže odhaliť riziko a identitu choroby u nej a jej príbuzných; Dokonca aj genomické údaje, o ktorých sa predpokladá, že sú anonymizované, možno znovu identifikovať. Vloženie týchto údajov do verejne dostupného modelu umelej inteligencie môže porušiť zákony na ochranu údajov (KVKK v Turecku, GDPR v Európe) a schválenia etickej rady (IRB/etická komisia).

• Neposkytujte osobné/klinické údaje otvorenému modelu.
• Vyhnite sa používaniu nad rámec súhlasu; S čím účastník súhlasil?
• Rozhodnite sa pre podnikové/miestne (on-premise) alebo zmluvné nástroje na spracovanie údajov.

2. Biologická bezpečnosť a dvojaké použitie

Niektoré biologické informácie sú „dvojakého použitia“: môžu byť užitočné aj škodlivé; napríklad patogénne (chorobu spôsobujúce) sekvencie, produkcia toxínov. Žiadať od AI informácie o zvyšovaní počtu nebezpečných patogénov alebo navrhovaní škodlivých biologických činiteľov je na väčšine miest neetické a nezákonné.

• Nepodávajte nebezpečné žiadosti o dvojaké použitie.
• Postupujte podľa pokynov rady pre biologickú bezpečnosť vašej inštitúcie (IBC).

3. Vedecká integrita

Všetko, čo sme videli v predchádzajúcich jednotkách, sa tu spája: žiadne falošné pripisovanie, žiadne skrášľovanie údajov, žiadne p-hackovanie, žiadne selektívne vykazovanie. Umelá inteligencia to môže uľahčiť alebo sťažiť; Rozdiel je vo vašej úprimnosti.

• Nahláste všetky výsledky (vrátane negatívnych).
• Deklarovať používanie umelej inteligencie.
• Podporte reprodukovateľnosť zdieľaním nespracovaných údajov a kódu (ak je to možné).

4. Zaujatosť a spravodlivosť

Modely AI nesú skreslenie údajov, na základe ktorých sú trénované. Genomické databázy pochádzajú prevažne z populácií európskeho pôvodu; to vedie k horším predpovediam v iných populáciách. Obrazový model môže fungovať zle v podmienkach, ktoré sú nedostatočne zastúpené v trénovacích údajoch.

• Opýtajte sa, na akej populácii/údajoch bol model trénovaný.
• Vyhodnoťte, či výsledky platia vo všetkých skupinách.

Tip: Opýtajte sa sami seba: „Ak tieto údaje poskytnem modelu, komu patria a dala táto osoba povolenie?“ Ak je odpoveď nejasná, nedávajte ju. Porušenie dôvernosti je nezvratné.

Krok za krokom: zodpovedné ovládanie AI

1. Klasifikujte zdroj údajov: Osobný/citlivý alebo verejný?
2. Skontrolujte súhlas a povolenia: Je toto použitie pokryté?
3. Vyberte si správny nástroj: Bezpečné/natívne prostredie pre citlivé údaje.
4. Zvážte riziko dvojitého použitia.
5. Skreslenie otázok: Platí výsledok vo všetkých skupinách?
6. Zdokumentujte a deklarujte použitie.

Kopírovateľné šablóny výziev

Skontrolujte môj plán analýzy nižšie z etického hľadiska: uveďte upozornenia týkajúce sa dôvernosti údajov, súhlasu účastníkov, potenciálnej zaujatosti a rizika dvojitého použitia. Plán: [text] (Poznámka: NEZDIEĽAM skutočné údaje o pacientoch, iba plán.)

Aké otázky týkajúce sa súkromia a súhlasu by som mal zodpovedať pred použitím tohto súboru genomických údajov? Je vypracovaný kontrolný zoznam v zmysle KVKK/GDPR a etickej komisie.

Ako mám transparentne deklarovať nástroj umelej inteligencie, ktorý používam, v časti metódy môjho článku? Napíšte príklad oznamovacej vety; aké informácie (nástroj, verzia, rozsah použitia) má obsahovať?

Ako vyhodnotím, či výsledky tohto modelu majú populačnú zaujatosť? Uveďte otázky, ktoré by som sa mal spýtať ohľadom tréningových údajov a kontrolných krokov.

Slabá výzva / Silná výzva

Slabé: "Analyzujte nasledujúce genetické údaje pacienta: [skutočné údaje]."

Güçlü: "Nastavujem plán analýzy, ktorý pracuje s klinickými genomickými údajmi, ale nezdieľam skutočné údaje o pacientoch. Iba z metodologického hľadiska: aké opatrenia na zachovanie dôvernosti by som mal prijať, v akom prostredí by som mal údaje spracovať, aké podmienky schválenia a etického výboru by som mal splniť? Tok môžete ukázať pomocou fiktívnych/vzorových údajov."

Rozdiel: Vo výkonnej výzve sa nezdieľajú žiadne skutočné citlivé údaje; Pýta sa len metóda. Súkromie je zachované, model stále pomáha.

tri mini prípady

Prípad 1 – Porušenie súkromia: Výskumník vložil to, čo považoval za anonymné údaje o exóme pacienta, do otvoreného modelu, aby ich mohol analyzovať. Keď sa to etická komisia dozvedela, štúdia bola pozastavená; Neexistovala žiadna dohoda o spracovaní údajov. Poučenie: citlivé údaje nikdy nevstupujú do otvoreného modelu.

Prípad 2 – Zaujatosť populácie: Nástroj na hodnotenie polygénneho rizika bol vyškolený na údajoch európskeho pôvodu; V inej populácii boli odhady rizika výrazne nepresné. Keď model navrhol spochybniť zloženie tréningových údajov, tím sa rozhodol tento nástroj v tejto populácii nepoužívať. Poučenie: zaujatosť zachraňuje alebo poškodzuje životy.

Prípad 3 – Zverejnenie a transparentnosť: Tím napísal kód na čistenie údajov pomocou AI a jasne to uviedol v časti metódy; Zdieľal aj kód. Recenzenti to uvítali, pretože opakovateľnosť bola silná. Poučenie: transparentnosť plodí dôveru.

porovnávacia tabuľka

oblasť

bezpečné správanie

rizikové správanie

údaje o pacientovi

Lokálne/bezpečné prostredie

Prilepením otvorte model

súhlas

Použitie v rámci rozsahu

Neprekračujte rozsah

Biologická bezpečnosť

Vyhýbanie sa dvojitému použitiu

nebezpečný dopyt

bezúhonnosť

Nahláste všetky výsledky

selektívne vykazovanie

zaujatosť

Opýtajte sa populácie

Aplikujte naslepo

transparentnosť

Deklarujte použitie

skrývanie

Časté chyby

• Poskytnutie citlivých údajov otvorenému modelu: Nezvratné porušenie súkromia.
• Prekročenie rozsahu súhlasu: Použitie neautorizované účastníkom.
• Ignorovanie zaujatosti: Zovšeobecnenie výsledkov na všetky skupiny.
• Skrytie použitia: Nedeklarovanie príspevku AI.
• Obrana „navrhnutý model“: Pripísanie zodpovednosti vozidlu.

Upozornenie: Pri biologickej práci s vysokými následkami (klinické rozhodnutie, biologická bezpečnosť, údaje o ľuďoch) výstup AI nenahrádza kompetentné odborné overenie a etický dohľad; len to urýchľuje. Konečná zodpovednosť je vždy na ľudskej bytosti spolu s etickými a vedeckými dôsledkami rozhodnutia.

Životné prostredie, ekológia a tradičné poznatky

Etická zodpovednosť sa neobmedzuje len na ľudské údaje. Opatrnosť je potrebná aj pri využívaní umelej inteligencie v ekológii a ochranárskej biológii. Napríklad presné údaje o polohe (súradnice kamerovej pasce) ohrozeného druhu sú citlivé z dôvodu rizika pytliactva; Uverejnenie týchto údajov otvorenému modelu alebo verejnosti by mohlo poškodiť tento druh. Podobne vznikajú etické a právne problémy (ako je Nagojský protokol), keď sa tradičné biologické znalosti miestnych komunít (napr. používanie rastliny) používajú bez povolenia. Pred použitím údajov "komu tieto informácie patria a kto by bol poškodený ich zverejnením?" Vždy položte otázku.

Ľudský nadhľad a konečné rozhodnutie

Podstata celého tohto modulu sa scvrkáva na jeden princíp: zmysluplný ľudský dohľad. AI vytvorí návrh, napíše návrh, ukáže vzor; Biologické, klinické alebo etické rozhodnutie však nikdy nie je založené priamo na výstupe modelu. Najmä v rizikových oblastiach (diagnostika, liečba, rozhodnutie o ochrane druhov, vypustenie) nie je úlohou modelky rozhodovať, ale urýchliť rozhodnutie odborníka. Prístup „human-in-the-loop“ nie je slogan, ale nevyhnutnosť.

Aby tento dohľad fungoval, musí byť nadriadený kompetentný. Slepý súhlas („model povedal, akceptácia“) nie je prehliadnutím. Skutočný dohľad si vyžaduje odborné znalosti, ktoré dokážu spochybniť výstup, zachytiť jeho chybu a v prípade potreby ho odmietnuť. Umelá inteligencia preto nenahrádza odborníka; To robí odborníka ešte nepostrádateľnejším. Vozidlo najlepšie používa ten, kto ho vie najlepšie ovládať.

V súhrne

Zodpovedné používanie umelej inteligencie v biológii pokrýva štyri oblasti: súkromie údajov (ochrana citlivých ľudských údajov), biologická bezpečnosť (zabránenie dvojitému použitiu), vedecká integrita (čestné a úplné podávanie správ) a informovanosť o zaujatosti (platnosť výsledkov vo všetkých skupinách). Neposkytujte citlivé údaje otvorenému modelu, transparentne deklarujte používanie, spochybňujte zaujatosť populácie. Etická zodpovednosť nemôže byť nikdy delegovaná na agenta; Je to vždy v ľuďoch.

Aplikačná úloha

Zvážte scenár z vášho vlastného pracovného priestoru (napr. pomocou množiny ľudských údajov alebo obrazového modelu). Nechajte AI prísť s etickým kontrolným zoznamom tohto scenára (dôvernosť, súhlas, zaujatosť, dvojité použitie, transparentnosť) bez zdieľania skutočných údajov. Pre každú položku ju označte ako „vhodnú/rizikovú/neistú“ vo vašej situácii a napíšte akčný plán pre tie, ktoré sú rizikové/neisté. Nechajte si pre svoj článok pripraviť aj vyhlásenie o používaní AI.

kontrolný zoznam

• [ ] Do otvoreného modelu som neposkytol citlivé/osobné údaje.
• [ ] Skontroloval som rozsah súhlasu a etickú komisiu.
• [ ] Posúdil som riziko dvojitého použitia/biologickej bezpečnosti.
• [ ] Všetky výsledky som nahlásil čestne.
• [ ] Spochybnil som skreslenie populácie/údajov.
• [ ] Transparentne som deklaroval používanie umelej inteligencie a prevzal som zodpovednosť.

Modulová skúška

1. Študent sa opýtal jazykového modelu 'koľko reťazcov je v tomto súbore FASTA?' pýta sa a modelka odpovedá „48“. Ktorý prístup je najsprávnejší?

• A) Priamo pomocou čísla 48 daného modelu; Model je spoľahlivý, pretože vidí súbor
• B) Opýtaj sa číslo ešte raz a ak sú dve odpovede rovnaké, prijmi ho ako správne
• C) Čítanie súboru pomocou Biopythonu, počítanie počtu sekvencií s kódom a použitie výstupu ✔
• D) Ručné otvorenie súboru a počítanie podľa rozhodnutia oka

Vysvetlenie: Deterministické úlohy, ako je počítanie a meranie, by ste mali ponechať na kód, ktorý spustíte, nie na jazykový model. Model si „nepamätá“ číslo, vytvára pravdepodobnostnú hodnotu a môže sa pomýliť; Počítanie pomocou nástroja ako Biopython poskytuje presné a reprodukovateľné výsledky.

2. Chcete spočítať bunky na mikroskopickom obrázku a zmerať plochu každého z nich. Aký je najvhodnejší prístup k tejto úlohe?

• A) Použitie expertného segmentačného nástroja ako Cellpose/StarDist a manuálne overenie výsledku ✔
• B) Vložte obrázok do všeobecného jazykového modelu a opýtajte sa „koľko buniek je tam“
• C) Opíšte modelke obrázok a požiadajte o odhadované číslo
• D) Akceptovanie počtu pixelov ako počtu buniek bez akejkoľvek kalibrácie

Vysvetlenie: Segmentácia a meranie buniek nie je doménou všeobecného jazykového modelu, ale špecializovaných obrazových modelov (Cellpose, StarDist) špeciálne vyškolených na túto úlohu. Jazykový model píše kód, ktorý volá tieto nástroje; Odborný model vykoná meranie a biológ overí výsledok.

3. Postgraduálny študent pridá do úvodu svojej práce 8 zdrojov vytvorených jazykovým modelom. Poradca zistí, že 3 z nich vôbec neexistujú. Ako by sa dalo tejto situácii zabrániť?

• A) Požiadaním modelu, aby ešte raz produkoval zdroje
• B) Výberom iba citácií s DOI (ak existuje DOI, je skutočné)
• C) Vyžiadanie zoznamu zadaním pokynu modelu, aby „sedel“
• D) Nezávisle overovať každú citáciu na PubMed/doi.org a citovať iba články, ktoré čítal ✔

Vysvetlenie: Všeobecné jazykové modely nie sú databázou literatúry; Namiesto hľadania skutočných záznamov „generuje“ realisticky znejúce prisudzovanie (vymyslené prisudzovanie). Každý vedľajší riadok a DOI by sa nemali používať bez nezávislého overenia v zdrojoch, ako je PubMed/doi.org, a len s citovaním článkov, ktoré boli skutočne prečítané.

4. Aký je najúčinnejší spôsob, ako zabezpečiť presnosť kódu na čistenie dát napísaného umelou inteligenciou?

• A) Ak kód funguje bez chýb, akceptujte ho ako správny.
• B) Otestovanie výsledku na malej známej vzorke a overenie očakávaní s potvrdením ✔
• C) Opýtajte sa modelu „je kód správny?“ pýtať sa a dôverovať odpovedi „áno“
• D) Spustite kód niekoľkokrát a zakaždým získate rovnaký výstup

Poznámka: To, že kód funguje bez chýb, neznamená, že je správny; „nesprávny kód fungujúci bez chýb“ je najnebezpečnejšia situácia v biológii. Testovanie s malou vzorkou, ktorej výsledok poznáte vopred, a začlenenie očakávaní do kódu s potvrdením je najsilnejším štítom proti tichým nesprávnym výsledkom.

5. Pri analýze RNA-seq sa testuje 20 000 génov a zistilo sa, že 3 800 génov je „významných“ s p<0,05 bez korekcie. Aký je hlavný problém tohto záveru?

• A) Počet vzoriek je príliš vysoký, mal by sa znížiť
• B) Prahová hodnota p je príliš vysoká, mala sa použiť hodnota 0,10
• C) viacnásobná porovnávacia korekcia (FDR) nebola vykonaná; Existuje veľa falošných poplachov ✔
• D) Namiesto génov mali byť testované vzorky

Vysvetlenie: Keď testujete tisíce génov súčasne, mnohé gény sa náhodou javia ako „významné“, aj keď medzi nimi nie je žiadny skutočný rozdiel; Toto sa nazýva problém viacnásobného porovnania. Riešením je použiť korekciu FDR (false discovery rate) metódou ako je Benjamini-Hochberg; Po korekcii sa zoznam zvyčajne zredukuje na desiatky až niekoľko stoviek génov.

6. Najlepšia zhoda vo výsledku BLAST má E-hodnotu 2,0. čo to znamená?

• A) Zhoda je s najväčšou pravdepodobnosťou náhodná; ✔ nie je to spoľahlivá zhoda
• B) Spojka je veľmi pevná; Čím väčšia e-hodnota, tým lepšie
• C) Sekvencia sa zhodovala s mierou 2 %
• D) Medzi týmito dvoma sekvenciami je rozdiel 2 báz

Vysvetlenie: E-hodnota označuje očakávanie, že zhoda bude náhodná; Je lepšie byť malý. E-hodnota väčšia ako 1 znamená, že zhoda je s najväčšou pravdepodobnosťou náhodná. Pre spoľahlivé zhody sa vo všeobecnosti hľadajú veľmi malé prahové hodnoty, ako napríklad e < 1e-5.

7. V modeli AlphaFold vykazuje koncová oblasť proteínu nízke skóre pLDDT (<50). Ako by sa mal tento región interpretovať?

• A) AlphaFold urobil v tejto oblasti chybu, oblasť by sa mala z analýzy odstrániť
• B) Táto oblasť je určite alfa špirála
• C) Model je úplne nespoľahlivý, konštrukcia by sa nemala používať
• D) Oblasť je pravdepodobne nepravidelná/elastická; by sa mali interpretovať ako „nejasné“ a nie ako „nepravdivé“ ✔

Opis: pLDDT je skóre lokálnej spoľahlivosti pre každú aminokyselinu; Hodnoty pod 50 často odrážajú skutočne nepravidelné (flexibilné, nepevné) oblasti. Je nesprávne automaticky vymazať tieto regióny ako „nesprávne odhady“; Nízke skóre by sa malo považovať za „neisté/flexibilné“ a mal by sa vyhodnotiť jeho biologický význam.

8. Výskumník uvádza oblasti buniek iba v pixeloch a výsledky nie sú v súlade s literatúrou. Aký je chýbajúci krok?

• A) Malo byť spočítaných viac buniek
• B) Kalibrácia mierky (prevod pixelov na mikrometer) nebola vykonaná, výsledky neboli prevedené na fyzikálne jednotky ✔
• C) Segmentačný nástroj bol zvolený nesprávne
• D) Rozlíšenie obrázka je príliš vysoké

Vysvetlenie: Kalibrácia mierky (koľko mikrometrov na pixel) je nevyhnutná na extrahovanie fyzickej veľkosti z obrázka. Ak tento krok preskočíte, hodnoty zostanú neporovnateľné v závislosti od nastavenia mikroskopu. Plochy musia byť prevedené na fyzické jednotky, ako sú štvorcové mikrometre.

9. Študent odoberie 10 vzoriek tkaniva jednej myši a v štatistike použije 'n=10'. Prečo je to nesprávne?

• A) 10 vzoriek je príliš málo na štatistiku, je potrebných aspoň 30
• B) Vzorky tkaniva sa museli odobrať z rôznych orgánov
• C) Týchto 10 príkladov sú technické opakovania; biologické n je stále 1, ide o takzvané opakovanie ✔
• D) Vzorky sú neplatné, pretože boli odobraté v ten istý deň

Vysvetlenie: Opakované merania od toho istého jednotlivca sú technickým opakovaním; kde štatistické n je počet biologických jednotiek (tu myši). Považovať technické opakovanie za biologické (pseudoreplikácia) má falošný význam. Správny dizajn znamená prácu s viacerými jednotlivcami.

10. Jedna analýza zistila p=0,03. Aký je správny výklad tejto hodnoty?

• A) Existuje 3% šanca, že uvidíte tento alebo extrémnejší výsledok, keď v skutočnosti nie je žiadny rozdiel ✔
• B) Pravdepodobnosť, že účinok bude skutočný, je 97%
• C) Pravdepodobnosť pravdivosti nulovej hypotézy je 3 %
• D) Výsledok je na 97 % opakovateľný

Vysvetlenie: p-hodnota nie je „pravdepodobnosť, že hypotéza je pravdivá“ alebo „pravdepodobnosť, že účinok je pravdivý“. P-hodnota je pravdepodobnosť, že rozdiel bude taký extrémny alebo extrémnejší ako ten, ktorý sa pozoroval, keď v skutočnosti žiadny rozdiel neexistuje. Preto p=0,03 neznamená „účinok je skutočný na 97 %“; výsledky by sa mali hodnotiť aj podľa veľkosti účinku a intervalu spoľahlivosti.

11. V prezentácii je 3% rozdiel medzi dvoma skupinami zobrazený ako obrovský pri stlačení osi y na rozsah 95-100. Čoho je to príklad?

• A) Dobrá vizualizačná technika; zvýrazňuje rozdiel
• B) Problém s paletou priateľskou pre farboslepých
• C) Prijateľný výber štýlu
• D) Zavádzajúci a nečestný graf, ktorý zveličuje rozdiel oproti skrátenej osi ✔

Vysvetlenie: Neinicializácia osi od nuly (skrátená os) zavádza diváka tým, že vizuálne zveličuje malý rozdiel. Ide o porušenie princípu čestnosti; Najmä v stĺpcových grafoch by os mala začínať od nuly a rozdiel by mal byť zobrazený s jej skutočnou veľkosťou.

12. Výskumník vloží to, čo považuje za anonymné údaje o exóme pacienta do verejného jazykového modelu, aby ich mohol analyzovať. Prečo je toto správanie problematické?

• A) Nie je problém; údaje môžu byť zdieľané, ak sú anonymné
• B) Poskytovanie citlivých údajov pacienta otvorenému modelu je porušením súkromia a etického/právneho (KVKK/GDPR) a nemožno ho vrátiť späť ✔
• C) Je to problematické len preto, že analýza bude pomalá
• D) Model je problematický, pretože nerozumie údajom

Popis: Genetické/klinické údaje pacienta sú mimoriadne citlivé; Dokonca aj genomické údaje, ktoré sa považujú za anonymné, sa dajú znova identifikovať. Poskytnutie týchto údajov verejnému modelu porušuje súhlasy KVKK/GDPR a etického výboru (IRB) a je nezvratným porušením súkromia. Citlivé údaje by sa mali spracovávať v lokálnom/bezpečnom zmluvnom prostredí.

13. V jednej štúdii bol rozdiel, ktorý považovali za „pacient verzus kontrola“, v skutočnosti spôsobený tým, že vzorky boli spracovávané v dvoch rôznych dňoch. Ako sa táto situácia nazýva a ako sa rieši?

• A) Ide o vonkajší efekt; bodky by sa mali vymazať
• B) Je to nedostatok normalizácie; stačí len korekcia mierky
• C) Je to dávkový efekt; mali by byť v dizajne vyvážené a pridané do modelu ako premenná šarže ✔
• D) p-hacking; test by sa mal zmeniť

Vysvetlenie: Technický rozdiel spôsobený šaržou odberu vzoriek/dňom spracovania sa nazýva efekt šarže a možno ho zameniť s biologickým rozdielom. Správny prístup je vyvážiť šarže v návrhu a pridať premennú šarže do štatistického modelu (napr. „~dávka + podmienka“), čím sa oddelí technický signál od biologického signálu.

14. Chcete vypočítať pomer GC sekvencie DNA. Aký je správny a opakovateľný prístup?

• A) Vytlačte kód, ktorý vypočítava rýchlosť GC pomocou Biopythonu, spustite ho a použite výstup ✔
• B) Dajte modelu postupnosť a požiadajte ho, aby verbálne povedal rýchlosť GC
• C) Potvrdenie pomeru daného modelom iným modelom
• D) Pozrite sa na prvých 100 písmen série a hádajte očami

Vysvetlenie: Rýchlosť GC je deterministický výpočet; by mal byť založený na kóde, ktorý spracováva pole, nie na hodnote, ktorú si jazykový model „pamätá“. Namiesto toho, aby to model vypočítal, vytlačenie výpočtového kódu pomocou nástroja ako Biopython a jeho spustenie sami poskytne presný výstup, ktorý poskytne rovnaký výsledok pri každom spustení.