Projekti nga fundi në fund: Rrjedha e punës bioinxhinierike e asistuar nga AI dhe vërtetimi me Python — Inteligjenca Artificiale në Bioinxhinieri

Fitimet:

Aftësia për të hartuar një rrjedhë pune me shtatë hapa nga pyetja në rezultatin e verifikuar duke vendosur një portë verifikimi në çdo hap
Aftësia për të verifikuar kodin Python të shkruar nga inteligjenca artificiale me të dhëna të njohura të testit dhe për të dalluar ndryshimin midis 'kodit të punës' dhe 'kodit të saktë'
Bëjeni analizën të riprodhueshme (version, medium, farë, dokument) dhe raportoni me verifikim të lagësht, transparencë dhe miratim eksperti

Mësuam pjesët në nëntë njësitë e mëparshme: analiza e sekuencës, omika, modelimi i proteinave, dizajni eksperimental, të dhënat laboratorike, biopërpunimi, literatura dhe etika. Në këtë njësi përfundimtare, ne do t'i bashkojmë pjesët dhe do të ndërtojmë një rrjedhë pune nga fundi në fund - një zinxhir nga një pyetje kërkimore në një përfundim të vërtetuar, ku AI ndihmon në çdo hap, por njeriu merr çdo vendim dhe verifikim kritik. Ne do të mbulojmë gjithashtu Python, i cili është shtylla kurrizore e këtij zinxhiri, dhe disiplinën e riprodhueshmërisë - aftësinë për të përsëritur një analizë nga dikush tjetër, me të njëjtat të dhëna, për të dhënë të njëjtin rezultat.

Qëllimi nuk është të jepni mjete individuale, por një mentalitet të përgjegjshëm të rrjedhës së punës: ju do të dini se ku të vendosni AI, ku të vendosni një portë verifikimi dhe si ta bëni të gjithë procesin të gjurmueshëm.

Pse Python?

Lingua franca e bioinformatikës dhe biologjisë llogaritëse është Python (dhe R). Sepse ju mund të automatizoni dhe bëni pothuajse çdo hap të përsëritshëm me bibliotekat me burim të hapur (Biopython për analizën e sekuencave, pandat për tabelat e të dhënave, scikit-learn për mësimin e makinerive, matplotlib për vizualizimin). AI është shumë i fuqishëm në shkrimin e kodit Python; Por pranimi i kodit që prodhon pa ekzekutuar dhe verifikimi i tij është i rrezikshëm - kodi mund të kthejë në heshtje rezultatin e gabuar (një gabim njësie, një kolonë e gabuar, një filtër i humbur).

Kujdes: Edhe nëse kodi i shkruar nga AI funksionon, mund të mos jetë i saktë. "Funksionoi pa gabime" dhe "i dha rezultatin e duhur" janë dy gjëra të ndryshme. Provoni çdo kod me një të dhënë të vogël testimi të njohur: a është hyrja-dalja ashtu siç prisni? Kjo është mënyra e vetme për të kapur gabimet e heshtura.

Anatomia e rrjedhës së punës

Një rrjedhë e përgjegjshme e punës bioinxhinierike e aktivizuar nga AI ndjek këtë kuadër:

Pyetje dhe hipotezë. Një pyetje e qartë, e testueshme. (AI mund të frymëzojë; ju sqaroni.)
Mbledhja e të dhënave dhe kontrolli i privatësisë. Nga janë të dhënat, media personale apo e miratuar? (njësia 9.)
Përpunimi paraprak dhe kontrolli i cilësisë. Pastrim, normalizim, kontroll grupi. (Njësia 2-3.)
Analiza. Statistikat, modelimi, parashikimi. (Porta e verifikimit në çdo hap.)
Koment. Goditja e mendjes biologjike, dallimi korrelacion-shkak.
Verifikimi laboratorik i lagësht. Hipoteza kritike testohet në mënyrë eksperimentale. (Njësia 1, 4, 5.)
Raportimi dhe transparenca. Kodi i riprodhueshëm, deklarata e AI, miratimi i ekspertit. (Njësia 8-9.)

Çdo hap ka një pikë kontrolli - pika në të cilën dalja verifikohet përpara se të kalohet në hapin tjetër. Inteligjenca artificiale përshpejton një hap, nuk mund të kaloni në hapin tjetër pa kaluar derën.

Këshillë: Ruani rrjedhën tuaj të punës si një skenar dhe një fletore; Le të dokumentohen të dhënat, outputet dhe vendimet e secilit hap. Të jesh në gjendje t'i përgjigjesh pyetjes "si e kam marrë këtë rezultat" brenda pak minutash pas muajsh vlen si për shkencën ashtu edhe për auditimin.

Riprodhueshmëria: sigurimi i rezultatit

Një rezultat është i besueshëm vetëm nëse mund të përsëritet nga dikush tjetër. Katër shtyllat e riprodhueshmërisë janë: (1) kodi është në kontrollin e versionit (me git), (2) mjedisi është i fiksuar (versionet e bibliotekës janë regjistruar, p.sh. kërkesat.txt ose mjedisi conda), (3) të dhënat dhe fara e rastësishme janë regjistruar, (4) çdo hap është i dokumentuar. Inteligjenca artificiale ndihmon në ndërtimin e kësaj infrastrukture, por ju takon juve të zbatoni disiplinën.

tre mini kuti

Rasti 1 - U kap gabimi i kodit të heshtur. Një ekip përdori një skenar normalizimi që shkroi AI; Kodi funksiononte pa gabime. Kur e provuan me të dhënat e njohura të testit, ata gjetën se prodhimi u zhvendos me një faktor prej 1000 – skripti po bënte një konvertim të gabuar të njësisë. Të dhënat e vogla të testit zbuluan një gabim që do të prishte të gjithë analizën.

Rasti 2 - Riprodhueshmëria e ruajtur. Pas një transmetimi, arbitri kërkoi një përsëritje të një rezultati. Ekipi e riprodhoi analizën fjalë për fjalë në 20 minuta, sepse ata kishin kod të versionuar në Git dhe një mjedis të gozhduar. Një grup rival që nuk regjistroi mjedisin nuk ishte në gjendje të përmbushte të njëjtën kërkesë për javë të tëra.

Rasti 3 — Verifikimi nga fundi në fund. Në një projekt enzimë, rrjedha e punës funksionoi kështu: AI propozoi një hipotezë nga literatura (e vërtetuar), modeli i proteinave renditi mutacionet kandidate (testuar nga eksperimenti), DoE zvogëloi numrin e eksperimenteve, një nga tre mutacione rriti aktivitetin me 1.9-fish. AI i përshpejtuar në çdo hap, njeriu i verifikuar në çdo derë; Rezultati ishte i shpejtë dhe i mbrojtur.

Katër shabllone të kopjueshëm

1) Krijimi i një skeleti të rrjedhës së punës:

Roli juaj: konsulent i projektit të biologjisë kompjuterike. Hartoni një rrjedhë pune nga fundi në fund për t'iu përgjigjur pyetjes së mëposhtme: [pyetje]. Për çdo hap, (1) çfarë duhet bërë, (2) ku ndihmon AI, (3) cili duhet të jetë kuadri i vlefshmërisë, (4) çfarë mjeti duhet përdorur. Përfshi vlerësimin e laboratorit të lagësht dhe hapin e transparencës.

2) Kodi Python + kërkesë testimi:

Roli juaj: zhvillues i bioinformatikës. Shkruani një funksion Python që kryen punën e mëposhtme: [punë]. Biblioteka: [panda/Biopython]. Shtoni GJITHASHTU një shembull vërtetimi me të dhëna testimi pak të njohura: cili është inputi, cili është dalja e pritur. Do të ekzekutoj kodin dhe do ta kontrolloj me të dhënat e provës. Përshtatje joekzistente e funksionit/parametrit.

3) Inspektimi i riprodhueshmërisë:

Dua ta bëj analizën time të riprodhueshme. Më jep një listë kontrolli: kontrolli i versionit, fiksimi i mjedisit (kërkesat/konda), fara e rastësishme, regjistrimi i burimit të të dhënave, dokumentacioni i hapave. Jepni një mënyrë praktike aplikimi për çdo artikull.

4) Kontrolli i vlefshmërisë së rezultatit:

Unë dua të bëj një kontroll përfundimtar të vërtetimit përpara se të vendos një rezultat analize në një raport. Më jep një listë kontrolli të këtyre pyetjeve: a është rezultati i besueshëm biologjikisht, a janë statistikat të sakta (testimi i shumëfishtë, mostra), a është konfirmuar me mjete të pavarura, a varet nga burimi, a kërkohet një test i lagësht, a është bërë një deklaratë AI?

Prompt i dobët / Prompt i fortë

Njoftim i dobët:

Më shkruaj një kod Python që analizon këto të dhëna.

Mision i paqartë, pa testim, pa verifikim; i prirur për gabime të heshtura.

Njoftim i fuqishëm:

Roli juaj: zhvillues i bioinformatikës. Për një CSV (kolonat: gjen, kontroll_mesatar, trajtim_mesatar, pvalue) me panda: (1) shtoni kolonën e ndryshimit të palosjes log2, (2) llogaritni vlerën p të korrigjuar të BH, (3) filtroni padj<0,05 dhe |log2FC|>1. Trego GJITHASHTU rezultatin e pritur me 5 rreshta të të dhënave të mostrës që të mund të verifikoj. Mos përdorni emër të gabuar të kolonës ose funksion jo-ekzistent.

Dallimi: mision i qartë, statistika të qarta, vërtetim me të dhëna testimi dhe ndalim i fabrikimit.

Portat e verifikimit të rrjedhës së punës nga fundi në fund

hap

Kontributi i AI

porta e verifikimit

hipoteza

frymëzim, letërsi

A është i testueshëm apo i salduar?

Të dhënat/privatësia

listë kontrolli

De-identifikimi, mjedis i miratuar

parapërpunimit

skenar

Batch/QC kontroll

Analiza

kodi, modeli

Të dhënat e provës, automjet i pavarur

Koment

draft

Mendje biologjike, korrelacion-shkak

verifikimi i lagësht

Plani i eksperimentit

Rezultati i vërtetë i eksperimentit

Raportoni

draft

Riprodhueshmëria, transparenca, miratimi i ekspertëve

Gabimet e zakonshme

Duke menduar se kodi i punës është i saktë. “Punuar pa gabime” ≠ “rezultat i saktë”; duhet të provohet me të dhënat e testit.
Duke anashkaluar portat e verifikimit. Kalimi i një dere për hir të shpejtësisë vë në rrezik të gjithë hapat e mëpasshëm.
Neglizhimi i riprodhueshmërisë. Pa regjistrimin e mjedisit/versionit rezultati nuk është i riprodhueshëm.
Vonesa/kapërcimi i verifikimit të lagësht. Një vendim nuk mund të merret derisa parashikimi kompjuterik të konfirmohet me eksperiment.
Duke harruar transparencën dhe miratimin e ekspertëve. Nënshkrimi përfundimtar dhe deklarata e AI janë pjesë e rrjedhës së punës.

Në përmbledhje

Bioinxhinieria e përgjegjshme përdor AI jo si mjete individuale, por si pjesë e një fluksi pune nga fundi në fund, i pajisur me porta vërtetimi. Python dhe riprodhueshmëria janë shtylla kurrizore e kësaj rrjedhe; AI shkruan kodin por ju e verifikoni me të dhënat e testit, sepse kodi i punës nuk është kod i saktë. AI përshpejtohet në çdo hap, njeriu verifikon në çdo derë; Hipotezat kritike testohen në laborator të lagësht dhe rezultatet raportohen në mënyrë transparente dhe me miratimin e ekspertëve. Thelbi i këtij moduli është në një fjali: Merrni shpejtësinë e AI, mbajeni vendimin dhe përgjegjësinë tek njeriu.

Detyra e aplikimit

Hartoni një rrjedhë pune nga fillimi në fund për një pyetje kërkimore tuajën. Bëjini AI të hartojë një plan me shtatë hapa me shabllonin e "skeletit të rrjedhës së punës" dhe shtoni portën tuaj të verifikimit në çdo hap. Pastaj printoni një skript me shabllonin "Kodi Python + kërkesë testimi" për një nga hapat e analizës, ekzekutoni atë me një të dhënë të vogël testimi dhe provoni që dalja është e saktë. Së fundi, përgatitni një listë "kontrolli të vërtetimit të rezultateve" dhe përgatiteni këtë rrjedhë pune për raportim. Regjistroni të gjithë procesin në një format të riprodhueshëm (kod + media + dokument).

listë kontrolli

[ ] Kam projektuar rrjedhën e punës me shtatë hapa dhe një portë verifikimi në çdo hap.
[ ] Kam verifikuar kodin e shkruar nga AI me të dhëna të njohura të testit.
[ ] Analizën e bëra të riprodhueshme (versioni, mjedisi, fara, dokumenti).
[ ] I atribuova hipotezën kritike vërtetimit të laboratorit të lagësht.
[ ] Unë kam ndërtuar kontrolle të privatësisë së të dhënave dhe biosigurisë në rrjedhën e punës.
[ ] Kam kompletuar raportin me deklaratë transparente të UA dhe miratimin e ekspertit.

Provimi i Modulit

1. Cili nga sa vijon është pozicionimi më i saktë për inteligjencën artificiale në bioinxhinieri?

A) UA është një mjet kontrolli dhe hartimi; Përgjegjësia për vendimet që përcaktojnë kuptimin biologjik dhe sigurinë i takon njerëzve ✔
B) Inteligjenca artificiale mund të vendosë molekulat kandidate drejtpërdrejt në prodhim pa miratimin e njeriut
C) Meqenëse inteligjenca artificiale është gjithmonë më objektive se njerëzit, interpretimi biologjik duhet t'i lihet asaj.
D) Inteligjenca artificiale është e dobishme vetëm për përmbledhjen e tekstit, nuk ka të bëjë fare me të dhënat laboratorike

Përshkrimi: Inteligjenca artificiale; Është një asistent që skanon të dhëna voluminoze dhe të zhurmshme, shënon modele dhe prodhon skica. Është eksperti kompetent ai që merr kuptimin biologjik, sigurinë dhe vendimin përfundimtar; një printim i paverifikuar mund të rrezikojë një pacient, një grup prodhimi ose një publikim. Në fushat kritike për sigurinë, prodhimi i AI nuk është një zëvendësim për miratimin e ekspertëve.

2. Cili është qëllimi i hapit të 'lidhjes së burimit' kur vërteton një dalje të AI?

A) Eliminimi i konkluzioneve të sajuara (halucinante) duke lidhur çdo pretendim me të dhëna konkrete ose burimin origjinal ✔
B) Bërja e daljes më fluide dhe të lexueshme
C) Anashkalimi i vlefshmërisë për të përfunduar analizën më shpejt
D) Pranimi i referencave të dhëna nga inteligjenca artificiale ashtu siç janë

Përshkrimi: AI flet rrjedhshëm, por herë pas here prodhon halucinacione; mund të paraqesë një gjen, rrugë ose referencë joekzistente si reale. Lidhja e çdo pretendimi me të dhënat e forta ose burimin origjinal parandalon një përfundim të sajuar që të gjejë rrugën e tij në raport ose publikim.

3. Gjatë interpretimit të një rezultati BLAST ose rreshtimi të sekuencës, cili kërkohet për të vlerësuar një përputhje 'të sigurt'?

A) Vetëm duke parë gjatësinë e vargut
B) Duke u mbështetur drejtpërdrejt në emrin e tipit të dhënë nga inteligjenca artificiale
C) Vlerësimi i matjeve të shtrirjes, si identiteti i përqindjes, mbulimi dhe vlera elektronike së bashku ✔
D) Vetëm duke numëruar sa rreshta është dalja

Përshkrimi: Metrikat si identiteti i përqindjes, mbulimi dhe vlera elektronike kërkohen për të vërtetuar një interpretim të serisë. Një vlerë e vogël elektronike tregon se ngjashmëria nuk është e rastësishme. Pa këto metrikë, interpretimi 'kjo proteinë është ajo' nuk mund të verifikohet dhe mund të jetë një halucinacion.

4. Pse përdoret 'p-vlera e rregulluar' (padj) kur testohen 20,000 gjene njëkohësisht në analizën e shprehjes diferenciale të ARN-seq?

A) Për të rritur ndryshimin e dyshemesë
B) Për të kontrolluar rezultatet false për shkak të testimit të shumëfishtë dhe për të kufizuar shkallën e zbulimit të rremë ✔
C) Për të zvogëluar madhësinë e kampionit
D) Për të përshpejtuar analizën

Shpjegim: Kur mijëra gjene testohen në të njëjtën kohë, qindra gjene mund të rezultojnë të jenë 'të rëndësishëm' edhe rastësisht. Korrigjimi i shumëfishtë i testimit si Benjamini-Hochberg kufizon shkallën e zbulimit të rremë. Me vlerën e papërpunuar p, lista fryhet në mënyrë mashtruese; Përdorimi i padj është thelbësor për mbrojtjen shkencore.

5. Cili është kurthi që ndodh në analizën omike kur dy grupe trajtimi përpunohen në ditë të ndryshme, duke çuar në gabimin e ndryshimit teknik me një ndryshim biologjik?

A) Gabim ndryshimi i dyshemesë
B) Optimizimi i kodonit
C) Efekti i grupit ✔
D) Efekti i skajit

Shpjegim: Efekti i grupit është ndryshimi teknik që lind nga përpunimi i mostrave nga ditë, pajisje ose njerëz të ndryshëm dhe është burimi më i madh i gabimit në analizën omike. Para fillimit të analizës, është e nevojshme të vizatoni një tabelë PCA dhe të kontrolloni nëse mostrat janë të grumbulluara sipas gjendjes biologjike ose grupit.

6. Çfarë do të thotë rezultati pLDDT për një parashikim të strukturës së proteinave të prodhuar me AlphaFold dhe si duhet përdorur?

A) Tregon nivelin e besimit të modelit për çdo rajon; Pretendimet e bazuara në zona me besim të ulët duhet të shmangen ✔
B) Mat sa shpejt paloset proteina dhe mund të injorohet
C) Vërteton se proteina ka një strukturë precize që është zgjidhur eksperimentalisht.
D) Jep afinitet docking drejtpërdrejt

Përshkrimi: pLDDT është një pikë besimi që tregon se sa i sigurt është modeli për çdo aminoacid. Vlerat e larta (>90) janë përgjithësisht të besueshme; vlerat më të ulëta (<50) shpesh tregojnë rajone të parregullta ose të paqarta. Pretendimi i mekanizmave të bazuar në rajone me besim të ulët është mashtrues; strukturat kritike duhet të verifikohen eksperimentalisht.

7. Si duhet të interpretohen rezultatet e lidhjes molekulare në dizajnin e barit/enzimës?

A) Duhet të konsiderohet si afinitet absolut detyrues.
B) Siguron që një molekulë nuk do të lidhet kurrë
C) Është një mjet relativ për renditjen e molekulave përpara eksperimentimit; Vendimi përfundimtar merret nga matja eksperimentale e afinitetit ✔
D) Mjafton vetëm për miratimin klinik

Koment: Rezultatet e lidhjes janë relative dhe nuk parashikojnë afinitetin aktual të lidhjes; Norma false pozitive është e lartë. Përdorimi i saktë është të renditni mijëra molekula përpara eksperimentit dhe të nënvizoni ato më premtueset. Vendimi përfundimtar merret nga matja eksperimentale e afinitetit si SPR ose ITC.

8. Cili është defekti kryesor i metodës 'një variabël në një kohë' (OFAT) për një inxhinier bioprocesi që kërkon të optimizojë pesë parametra?

A) Mungon ndërveprimet ndërmjet parametrave ✔
B) Kërkon gjithmonë pak eksperiment
C) Rrit fuqinë statistikore
D) Eliminon automatikisht efektin e grupit

Shpjegim: Metoda OFAT humbet ndërveprimet ndërmjet parametrave; ndoshta temperatura e lartë është e mirë vetëm në pH të ulët. Dizajni i eksperimenteve (DoE) kap ndërveprimet dhe zvogëlon numrin e eksperimenteve me modele faktoriale që ndryshojnë parametrat së bashku dhe në mënyrë të ekuilibruar.

9. Cila është qasja e saktë kur një model optimizimi rekomandon një temperaturë që do të vrasë kulturën në laborator?

A) Zbatimi i sugjerimit ashtu siç është sepse modeli është më i zgjuar
B) Dhënia e kufijve të sigurisë dhe fiziologjike si kufizime për modelin dhe kontrollimi i çdo sugjerimi me njohuri laboratorike ✔
C) Braktisja e optimizimit fare
D) Provoni të injoroni kufirin e temperaturës

Shpjegim: Modeli nuk njeh limite fiziologjike dhe sigurie; optimumi matematik mund të jetë i rrezikshëm ose i pamundur. Qasja e saktë është t'i jepet modelit kufizime sigurie dhe fiziologjike si kufizime dhe të kontrollohet çdo sugjerim me njohuri laboratorike. Kufiri fizik tejkalon optimumin matematik.

10. Cili është i detyrueshëm kur vlerësohet rezultati i një numërimi të automatizuar të qelizave ose renditja me fluoreshencë?

A) Pranimi i rezultatit drejtpërdrejt, sepse modeli është më i shpejtë se njeriu
B) Raportimi vetëm i numrit të imazheve
C) Duke parë vetëm imazhin me sinjalin më të lartë
D) Verifikoni manualisht rezultatin në një mostër dhe vërtetoni me kontrollet e duhura (përfshirë negative, të panjollosura) ✔

Përshkrimi: Dalja automatike duhet të verifikohet manualisht në një kampion dhe çdo matje duhet të vërtetohet me kontrollet e duhura (pozitive, negative, bosh, e panjollosur). Për shembull, nëse ka një sinjal në kontrollin e panjollosur, ky mund të jetë autofluoreshencë; Pa kontrolle, analiza automatike nuk mund të dallojë sinjalin e vërtetë nga objekti.

11. Çfarë duhet bërë nëse një propozim optimizimi në një bioproces rrit rendimentin, por nxjerr një atribut të cilësisë kritike (CQA) jashtë specifikimit?

A) Meqenëse efikasiteti është i rëndësishëm, preferohet opsioni me efikasitet të lartë
B) Efikasiteti mbahet duke relaksuar kufirin CQA
C) Vendimi i lihet inteligjencës artificiale
D) Cilësia ka përparësi ndaj efikasitetit; Preferohet opsioni cilësor që bie në hapësirën e projektimit ✔

Përshkrimi: Në biopërpunim, atutë cilësore japin; Kufijtë e CQA (pastërtia, glikozilimi, aktiviteti) duhet të ruhen që produkti të jetë i sigurt dhe efektiv. Nëse pika që maksimizon efikasitetin dëmton cilësinë, preferohet opsioni i cilësisë që mbetet brenda hapësirës së projektimit.

12. Cili është rreziku kryesor kur një modeli gjuhësor i thuhet 'të gjejë 10 artikuj mbi këtë temë dhe t'i përmbledhë ato'?

A) Modeli funksionon shumë ngadalë
B) Modeli mund të gjenerojë referenca realiste, por jo-ekzistente (të fabrikuara) pa kryer një kërkim të vërtetë ✔
C) Modeli gjen gjithmonë shumë artikuj
D) Modeli kthen vetëm artikuj të vjetër

Shpjegim: Veglat e thjeshta të bisedës shpesh nuk kryejnë kërkime aktuale; gjeneron përgjigje statistikisht 'në dukje të mundshme' nga kujtesa. Kjo do të thotë referenca realiste, por të rreme (autor i krijuar, ditar, DOI). Çdo referencë duhet të verifikohet në bazë të bazës së të dhënave aktuale (PubMed, DOI) dhe, nëse është e mundur, duhet të përdoren mjete të bazuara në RAG të lidhura me dokumentet aktuale.

13. Cila është sjellja e saktë kur një përdorues kërkon nga AI për mutacione që do të rrisin efektivitetin e një toksine bakteriale?

A) Përgjigjja e detajuar e kërkesës sepse është shkencore
B) Reduktimi i rrezikut duke ofruar vetëm informacion të pjesshëm
C) Refuzoni kërkesën, shpjegoni se është nën DURC dhe raportoni atë në kanalin institucional të biosigurisë ✔
D) Injoroni kërkesën dhe kaloni në një temë tjetër

Shpjegim: Kjo kërkesë është një kërkesë e dëmshme nën përdorim të dyfishtë (DURC). UA duhet të refuzojë kërkesa të tilla, të shpjegojë pse paraqet rrezik për përdorim të dyfishtë dhe të raportojë situatën në kanalin e biosigurisë/etikës së korporatës. Nuk duhet dhënë asnjë këshillë teknike që do të rrisë mundësinë e dëmtimit.

14. Cili përfundim është i saktë kur një skenar i analizës Python i shkruar nga inteligjenca artificiale funksionon pa gabime?

A) Rezultati është absolutisht i saktë sepse kodi funksionon
B) Nuk ka nevojë të testohet kodi sepse AI e ka shkruar atë
C) Mungesa e gabimeve garanton gjithashtu riprodhueshmëri.
D) Kodi i ekzekutimit mund të mos jetë i saktë; Prodhimi i pritshëm duhet të verifikohet kundrejt të dhënave të njohura të testit ✔

Shpjegim: 'Funksionoi pa gabime' dhe 'ka dhënë rezultatin e saktë' janë dy gjëra të ndryshme. Kodi mund të kthejë në heshtje rezultatin e gabuar për shkak të një gabimi të njësisë, kolonës së gabuar ose filtrit të humbur. Çdo kod duhet të testohet me një të dhënë të vogël testimi, hyrja dhe dalja e të cilave janë të njohura; Megjithatë, duhet të konsiderohet i besueshëm kur jep rezultatin e pritur.