Mradi wa Mwisho-hadi-Mwisho: Mtiririko wa Kazi wa Uhandisi wa Uhandisi wa AI na Uthibitishaji na Python

Faida:

• Uwezo wa kubuni mtiririko wa hatua saba kutoka kwa swali hadi matokeo yaliyothibitishwa kwa kuweka lango la uthibitishaji katika kila hatua.
• Uwezo wa kuthibitisha nambari ya Python iliyoandikwa na akili ya bandia na data inayojulikana ya jaribio na kutofautisha tofauti kati ya 'nambari ya kufanya kazi' na 'nambari sahihi'
• Fanya uchanganuzi uweze kuzaliana (toleo, kati, mbegu, hati) na uripoti kwa uthibitisho wa mvua, uwazi na idhini ya mtaalam.

Tulijifunza vipande katika vitengo tisa vilivyotangulia: uchanganuzi wa mfuatano, omics, uundaji wa protini, muundo wa majaribio, data ya maabara, usindikaji wa viumbe, fasihi na maadili. Katika kitengo hiki cha mwisho, tutaweka vipande pamoja na kujenga mtiririko wa kazi wa mwisho hadi mwisho - msururu kutoka kwa swali la utafiti hadi hitimisho lililothibitishwa, ambapo AI husaidia katika kila hatua lakini mwanadamu hufanya kila uamuzi muhimu na uthibitishaji. Pia tutashughulikia Python, ambayo ni uti wa mgongo wa mnyororo huu, na nidhamu ya kuzaliana - uwezo wa kurudia uchanganuzi wa mtu mwingine, aliye na data sawa, kutoa matokeo sawa.

Kusudi sio kutoa zana za kibinafsi, lakini mtazamo wa mtiririko wa kazi unaowajibika: utajua mahali pa kuweka AI, mahali pa kuweka lango la uthibitishaji, na jinsi ya kufanya mchakato mzima ufuatiliwe.

Kwa nini Python?

Lingua franka ya bioinformatics na biolojia ya komputa ni Python (na R). Kwa sababu unaweza kufanya otomatiki na kufanya karibu kila hatua iweze kurudiwa kwa kutumia maktaba huria (Biopython kwa uchanganuzi wa mfuatano, panda za jedwali la data, scikit-learn kwa kujifunza kwa mashine, matplotlib kwa taswira). AI ina nguvu sana katika kuandika msimbo wa Python; Lakini kukubali nambari inayozalisha bila kuiendesha na kuithibitisha ni hatari - msimbo unaweza kurudisha matokeo yasiyo sahihi kimyakimya (hitilafu ya kitengo, safu wima isiyo sahihi, kichujio kilichokosa).

Makini: Hata kama nambari iliyoandikwa na AI inafanya kazi, inaweza kuwa sio sahihi. "Ilifanya kazi bila makosa" na "ilitoa matokeo sahihi" ni vitu viwili tofauti. Jaribu kila nambari iliyo na data ndogo ya jaribio inayojulikana: je, matokeo ni kama unavyotarajia? Hii ndio njia pekee ya kupata makosa ya kimya.

Anatomy ya mtiririko wa kazi

Mtiririko wa kazi wa bioengineering uliowezeshwa na AI unafuata mfumo huu:

1. Swali na hypothesis. Swali la wazi, linaloweza kujaribiwa. (AI inaweza kuhamasisha; unafafanua.)
2. Mkusanyiko wa data na udhibiti wa faragha. Data iko wapi, media ya kibinafsi au iliyoidhinishwa? (Kitengo cha 9)
3. Usindikaji wa awali na udhibiti wa ubora. Kusafisha, kuhalalisha, udhibiti wa kundi. (Kitengo cha 2-3.)
4. Uchambuzi. Takwimu, modeli, utabiri. (Lango la uthibitishaji katika kila hatua.)
5. Maoni. Kugonga akili ya kibaolojia, tofauti ya sababu ya uunganisho.
6. Uthibitishaji wa maabara ya mvua. Dhana muhimu inajaribiwa kwa majaribio. (Kitengo cha 1, 4, 5.)
7. Kuripoti na uwazi. Nambari inayoweza kuzaliana, taarifa ya AI, idhini ya mtaalam. (Kitengo cha 8-9.)

Kila hatua ina sehemu ya ukaguzi - mahali ambapo matokeo yanathibitishwa kabla ya kuendelea na hatua inayofuata. AI huharakisha hatua moja, huwezi kuendelea hadi hatua inayofuata bila kupitisha mlango.

Kidokezo: Hifadhi mtiririko wako wa kazi kama hati na daftari; Acha pembejeo, pato na uamuzi wa kila hatua ziandikwe. Kuweza kujibu swali "nilipataje matokeo haya" ndani ya dakika baada ya miezi ni thamani ya dhahabu kwa sayansi na ukaguzi.

Reproducibility: bima ya matokeo

Matokeo ni ya kuaminika tu ikiwa yanaweza kurudiwa na mtu mwingine. Nguzo nne za uzalishaji tena ni: (1) msimbo uko katika udhibiti wa toleo (pamoja na git), (2) mazingira yamewekwa (matoleo ya maktaba yamesajiliwa, k.m. mazingira ya mahitaji.txt au conda), (3) data na mbegu nasibu husajiliwa, (4) kila hatua imerekodiwa. AI husaidia kujenga miundombinu hii, lakini ni juu yako kutekeleza nidhamu.

kesi tatu ndogo

Kesi ya 1 - Hitilafu ya msimbo wa kimya imenaswa. Timu moja ilitumia hati ya kuhalalisha ambayo AI iliandika; Msimbo ulikuwa ukifanya kazi bila hitilafu. Walipoijaribu na data ya jaribio inayojulikana, walipata matokeo yamebadilishwa kwa sababu ya 1,000 - hati ilikuwa ikifanya ubadilishaji usio sahihi wa kitengo. Data ndogo ya jaribio ilipata hitilafu ambayo inaweza kutatiza uchanganuzi wote.

Kesi ya 2 - Uzalishaji umehifadhiwa. Baada ya matangazo, mwamuzi aliomba kurudiwa kwa matokeo. Timu ilichanganua upya neno neno kwa dakika 20 kwa sababu walikuwa na toleo la msimbo katika Git na mazingira yaliyobandikwa. Kundi pinzani ambalo halikurekodi mazingira halikuweza kutimiza ombi sawa kwa wiki.

Kesi ya 3 - Uthibitishaji wa mwisho hadi mwisho. Katika mradi wa kimeng'enya, mtiririko wa kazi ulifanya kazi kama hii: AI ilipendekeza dhahania kutoka kwa fasihi (iliyothibitishwa), modeli ya protini iliorodhesha mabadiliko ya mgombea (yaliyojaribiwa na majaribio), DoE ilipunguza idadi ya majaribio, moja kati ya mabadiliko matatu iliongeza shughuli kwa mara 1.9. AI iliongeza kasi kwa kila hatua, binadamu kuthibitishwa katika kila mlango; Matokeo yake yalikuwa ya haraka na ya kujitetea.

Violezo vinne vinavyoweza kunakiliwa

1) Kuanzisha kiunzi cha mtiririko wa kazi:

Jukumu lako: mshauri wa mradi wa biolojia ya hesabu. Tengeneza mtiririko wa kazi kutoka mwisho hadi mwisho ili kujibu swali lifuatalo: [swali]. Kwa kila hatua, (1) nini cha kufanya, (2) ambapo AI husaidia, (3) mfumo wa uthibitishaji unapaswa kuwa upi, (4) ni zana gani ya kutumia. Jumuisha uthibitishaji wa maabara ya mvua na hatua ya uwazi.

2) Nambari ya Python + ombi la mtihani:

Jukumu lako: msanidi wa bioinformatics. Andika kazi ya Python ambayo hufanya kazi ifuatayo: [kazi]. Maktaba: [pandas/Biopython]. PIA ongeza mfano wa uthibitishaji na data ya jaribio inayojulikana kidogo: ingizo ni nini, ni matokeo gani yanayotarajiwa. Nitaendesha nambari na kuiangalia na data ya jaribio. Kitendakazi kisichokuwepo/uwekaji wa kigezo.

3) Ukaguzi wa uzazi:

Ninataka kufanya uchambuzi wangu uweze kuzaliana tena. Nipe orodha hakiki: udhibiti wa toleo, ubandikaji wa mazingira (masharti/conda), mbegu nasibu, usajili wa chanzo cha data, uwekaji hati za hatua. Toa njia ya matumizi ya vitendo kwa kila kitu.

4) Ukaguzi wa uthibitishaji wa matokeo:

Ninataka kufanya ukaguzi wa mwisho wa uthibitisho kabla ya kuweka matokeo ya uchambuzi kwenye ripoti. Nipe orodha ya maswali haya: je, matokeo yanakubalika kibayolojia, takwimu ni sahihi (majaribio mengi, sampuli), imethibitishwa kwa njia huru, inategemea chanzo, mtihani wa mvua unahitajika, taarifa ya AI imetolewa?

Mwongozo dhaifu / Mwongozo thabiti

Agizo dhaifu:

Niandikie msimbo wa Python ambao huchambua data hii.

Ujumbe usio wazi, hakuna majaribio, hakuna uthibitishaji; kukabiliwa na makosa ya kimya.

Agizo lenye nguvu:

Jukumu lako: msanidi wa bioinformatics. Kwa CSV (safu: jeni, control_mean, treatment_mean, pvalue) yenye panda: (1) ongeza safu wima ya mabadiliko ya log2, (2) hesabu thamani ya p iliyosahihishwa ya BH, (3) chuja padj<0.05 na |log2FC|>1. PIA onyesha matokeo yanayotarajiwa na safu 5 za data ya sampuli ili niweze kuthibitisha. Usitumie jina la safu wima lisilo sahihi au chaguo za kukokotoa ambazo hazipo.

Tofauti: dhamira wazi, takwimu wazi, uthibitishaji na data ya majaribio na kupiga marufuku uundaji.

Lango la uthibitishaji wa mtiririko wa kazi wa mwisho-hadi-mwisho

hatua

Mchango wa AI

lango la uthibitishaji

hypothesis

msukumo, fasihi

Je, inaweza kujaribiwa au kulehemu?

Data/faragha

orodha ya ukaguzi

Kutotambuliwa, mazingira yaliyoidhinishwa

usindikaji wa awali

hati

Udhibiti wa kundi/QC

Uchambuzi

kanuni, mfano

Data ya mtihani, gari la kujitegemea

Maoni

rasimu

Akili ya kibaolojia, uwiano-sababu

uthibitishaji wa mvua

Mpango wa majaribio

Matokeo ya majaribio ya kweli

Ripoti

rasimu

Uzalishaji tena, uwazi, idhini ya mtaalam

Makosa ya kawaida

• Kufikiri kwamba kanuni ya kazi ni sahihi. "Ilifanya kazi bila makosa" ≠ "matokeo sahihi"; inapaswa kujaribiwa na data ya mtihani.
• Kukwepa milango ya uthibitishaji. Kupitisha mlango kwa ajili ya kasi kunaweka hatua zote zinazofuata katika hatari.
• Kupuuza kuzaliana. Bila usajili wa mazingira/toleo matokeo hayawezi kuzalishwa tena.
• Kuchelewesha/kuruka uthibitishaji wa mvua. Uamuzi hauwezi kufanywa hadi utabiri wa kompyuta uthibitishwe na majaribio.
• Kusahau uwazi na idhini ya mtaalam. Sahihi ya mwisho na tamko la AI ni sehemu ya mtiririko wa kazi.

Kwa muhtasari

Uhandisi wa kibayolojia unaowajibika hutumia AI si kama zana za kibinafsi, lakini kama sehemu ya mtiririko wa kazi wa mwisho hadi mwisho ulio na milango ya uthibitishaji. Chatu na kuzaliana ni uti wa mgongo wa mtiririko huu; AI huandika msimbo lakini unaithibitisha kwa data ya majaribio, kwa sababu msimbo wa kufanya kazi sio msimbo sahihi. AI huongeza kasi kwa kila hatua, binadamu huthibitisha katika kila mlango; Dhana muhimu hupimwa katika maabara ya mvua, na matokeo yanaripotiwa kwa uwazi na kwa idhini ya mtaalamu. Kiini cha moduli hii iko katika sentensi moja: Chukua kasi ya AI, weka uamuzi na jukumu kwa mwanadamu.

Jukumu la maombi

Tengeneza mtiririko wa kuanzia hadi kumaliza kwa swali lako la utafiti. Acha AI ije na mpango wa hatua saba na kiolezo cha "mifupa ya mtiririko wa kazi" na uongeze lango lako la uthibitishaji kwa kila hatua. Kisha uchapishe hati na kiolezo cha "Python code + ombi la mtihani" kwa moja ya hatua za uchambuzi, iendeshe na data ndogo ya mtihani na uthibitishe kuwa matokeo ni sahihi. Hatimaye, tayarisha orodha ya "angalia uthibitishaji wa matokeo" na uwe na mtiririko huu tayari kwa kuripoti. Rekodi mchakato mzima katika umbizo linaloweza kuzalishwa tena (msimbo + media + hati).

orodha ya ukaguzi

• [ ] Nilitengeneza mtiririko wa kazi kwa hatua saba na lango la uthibitishaji katika kila hatua.
• [ ] Nilithibitisha msimbo ulioandikwa na AI na data ya majaribio inayojulikana.
• [ ] Nilifanya uchanganuzi uweze kuzaliana (toleo, mazingira, mbegu, hati).
• [ ] Nilihusisha nadharia tete na uthibitishaji mvua wa maabara.
• [ ] Nimeunda vidhibiti vya faragha na usalama wa data kwenye utendakazi.
• [ ] Nilikamilisha ripoti kwa taarifa ya uwazi ya AI na idhini ya mtaalamu.

Mtihani wa Moduli

1. Ni ipi kati ya zifuatazo ni nafasi sahihi zaidi ya akili bandia katika uhandisi wa viumbe?

• A) AI ni chombo cha uchunguzi na uandishi; Wajibu wa maamuzi yanayobainisha maana na usalama wa kibiolojia ni wa wanadamu ✔
• B) Akili Bandia inaweza kuweka molekuli za mgombea moja kwa moja kwenye uzalishaji bila idhini ya mwanadamu
• C) Kwa kuwa akili ya bandia huwa na lengo zaidi kuliko wanadamu, tafsiri ya kibayolojia inapaswa kuachwa ndani yake.
• D) Akili ya Bandia ni muhimu tu kwa muhtasari wa maandishi, haina uhusiano wowote na data ya maabara.

Maelezo: Akili ya bandia; Ni msaidizi anayechanganua data nyingi na yenye kelele, kuashiria ruwaza na kutoa michoro. Ni mtaalam mwenye uwezo ambaye hufanya maana ya kibiolojia, usalama na uamuzi wa mwisho; uchapishaji ambao haujathibitishwa unaweza kumweka mgonjwa, kundi la uzalishaji au uchapishaji hatarini. Katika maeneo muhimu kwa usalama, matokeo ya AI si mbadala wa idhini ya mtaalamu.

2. Nini madhumuni ya hatua ya 'kuunganisha chanzo' wakati wa kuhalalisha pato la AI?

• A) Kuondoa hitimisho la kubuniwa (hallucinatory) kwa kuunganisha kila dai kwa data halisi au chanzo asili ✔
• B) Kufanya pato kuwa maji zaidi na kusomeka
• C) Kuruka uthibitishaji ili kumaliza uchanganuzi haraka
• D) Kukubali marejeleo yaliyotolewa na akili ya bandia jinsi yalivyo

Maelezo: AI ni fasaha lakini mara kwa mara hutoa maonyesho; inaweza kuwasilisha jeni, njia, au marejeleo ambayo hayapo kuwa halisi. Kuunganisha kila dai na data ngumu au chanzo asili huzuia hitimisho la uzushi kupata njia yake katika ripoti au uchapishaji.

3. Unapotafsiri matokeo ya BLAST au mpangilio wa mfuatano, ambayo inahitajika ili kutathmini ulinganifu wa 'ujasiri'?

• A) Kuangalia tu urefu wa kamba
• B) Kutegemea moja kwa moja aina ya jina lililopewa na akili ya bandia
• C) Kutathmini vipimo vya upatanishi kama vile asilimia ya utambulisho, chanjo, na thamani ya kielektroniki pamoja ✔
• D) Kuhesabu tu ni mistari ngapi matokeo ni

Maelezo: Vipimo kama vile utambulisho wa asilimia, huduma na thamani ya kielektroniki vinahitajika ili kuthibitisha ukalimani wa mfululizo. Thamani ndogo ya kielektroniki inaonyesha kuwa mfanano huo si wa kubahatisha. Bila vipimo hivi, tafsiri ya 'protini hii ni ile' haiwezi kuthibitishwa na inaweza kuwa ndoto.

4. Kwa nini 'thamani ya p iliyorekebishwa' (padj) inatumiwa wakati wa kujaribu jeni 20,000 kwa wakati mmoja katika uchanganuzi wa usemi tofauti wa RNA-seq?

• A) Kuongeza mabadiliko ya sakafu
• B) Kudhibiti chanya za uwongo kutokana na majaribio mengi na kupunguza kiwango cha ugunduzi wa uwongo ✔
• C) Kupunguza ukubwa wa sampuli
• D) Kuharakisha uchambuzi

Maelezo: Wakati maelfu ya jeni yanajaribiwa kwa wakati mmoja, mamia ya jeni yanaweza kuwa 'muhimu' hata kwa bahati mbaya. Marekebisho mengi ya majaribio kama vile Benjamini-Hochberg yanapunguza kiwango cha ugunduzi wa uwongo. Kwa thamani mbichi ya p orodha inakuwa inavimba kimakosa; Kutumia padj ni muhimu kwa utetezi wa kisayansi.

5. Ni mtego gani unaotokea katika uchanganuzi wa omics wakati vikundi viwili vya matibabu vinachakatwa kwa siku tofauti, na kusababisha kukosea tofauti ya kiufundi kwa tofauti ya kibaolojia?

• A) Hitilafu ya kubadilisha sakafu
• B) Uboreshaji wa kodoni
• C) Athari ya kundi ✔
• D) Athari ya makali

Ufafanuzi: Athari ya kundi ni tofauti ya kiufundi inayotokana na uchakataji wa sampuli kwa siku, vifaa au watu tofauti na ndicho chanzo kikubwa cha hitilafu katika uchanganuzi wa omics. Kabla ya kuanza uchanganuzi, ni muhimu kuchora chati ya PCA na kuangalia ikiwa sampuli zimeunganishwa kulingana na hali ya kibayolojia au bechi.

6. Je, alama ya pLDDT ina maana gani kwa ubashiri wa muundo wa protini unaozalishwa na AlphaFold na inapaswa kutumika vipi?

• A) Inaonyesha kiwango cha kujiamini cha modeli kwa kila eneo; Madai yanayotokana na maeneo ambayo hayajaaminika sana yanapaswa kuepukwa ✔
• B) Inapima jinsi protini inavyojikunja haraka na inaweza kupuuzwa
• C) Inathibitisha kwamba protini ina muundo sahihi ambao umetatuliwa kwa majaribio.
• D) Hutoa mshikamano wa docking moja kwa moja

Maelezo: pLDDT ni alama ya kujiamini inayoonyesha jinsi modeli inavyojiamini kwa kila asidi ya amino. Thamani za juu (> 90) zinaaminika kwa ujumla; maadili ya chini (<50) mara nyingi huonyesha maeneo yasiyo ya kawaida au yasiyo wazi. Mbinu za kudai kulingana na maeneo yenye imani hafifu ni za kupotosha; miundo muhimu lazima idhibitishwe kwa majaribio.

7. Je, alama za uwekaji chambo za molekuli zinapaswa kufasiriwa vipi katika muundo wa dawa/enzyme?

• A) Inapaswa kuzingatiwa kama mshikamano kamili.
• B) Inahakikisha kwamba molekuli haitajifunga kamwe
• C) Ni chombo cha jamaa cha kuagiza molekuli kabla ya majaribio; Uamuzi wa mwisho unafanywa na kipimo cha majaribio cha mshikamano ✔
• D) Peke yake inatosha kwa idhini ya kliniki

Maoni: Alama za kuweka kiambatisho zinalingana na hazitabiri mshikamano halisi; Kiwango cha chanya cha uwongo ni cha juu. Matumizi sahihi ni kupanga maelfu ya molekuli kabla ya majaribio na kuangazia zile zinazoahidi zaidi. Uamuzi wa mwisho unafanywa na kipimo cha majaribio cha mshikamano kama vile SPR au ITC.

8. Ni nini dosari kuu ya mbinu ya 'kigeu kimoja kwa wakati' (OFAT) kwa mhandisi wa mchakato wa kibayolojia anayetaka kuboresha vigezo vitano?

• A) Hukosa mwingiliano kati ya vigezo ✔
• B) Daima inahitaji majaribio kidogo
• C) Huongeza nguvu za takwimu
• D) Huondoa athari ya kundi kiotomatiki

Ufafanuzi: Njia ya OFAT inakosa mwingiliano kati ya vigezo; labda joto la juu ni nzuri tu kwa pH ya chini. Muundo wa majaribio (DoE) hunasa mwingiliano na hupunguza idadi ya majaribio kwa miundo ya msingi ambayo hutofautiana vigezo kwa pamoja na kwa usawa.

9. Ni njia gani sahihi wakati mtindo wa uboreshaji unapendekeza hali ya joto ambayo itaua utamaduni katika maabara?

• A) Kutekeleza pendekezo kama ilivyo kwa sababu modeli ni nadhifu zaidi
• B) Kutoa mipaka ya usalama na kisaikolojia kama vikwazo kwa mtindo na kuangalia kila pendekezo kwa ujuzi wa maabara ✔
• C) Kuacha uboreshaji kabisa
• D) Jaribu kupuuza kikomo cha halijoto

Maelezo: Mfano haujui mipaka ya kisaikolojia na usalama; optimum hisabati inaweza kuwa hatari au haiwezekani. Njia sahihi ni kutoa mipaka ya usalama na kisaikolojia kama vikwazo kwa modeli na kuangalia kila pendekezo kwa maarifa ya maabara. Kikomo cha kimwili kinazidi kiwango cha juu cha hisabati.

10. Ni nini kinachohitajika wakati wa kutathmini matokeo ya hesabu ya seli otomatiki au upangaji wa fluorescence?

• A) Kukubali matokeo moja kwa moja, kwa sababu mfano ni kasi zaidi kuliko binadamu
• B) Kuripoti tu idadi ya picha
• C) Kuangalia tu picha yenye ishara ya juu zaidi
• D) Thibitisha mwenyewe matokeo kwenye sampuli na uthibitishe kwa vidhibiti vinavyofaa (pamoja na hasi, bila doa) ✔

Maelezo: Utoaji wa kiotomatiki lazima uthibitishwe kwa mikono kwenye sampuli na kila kipimo lazima kithibitishwe kwa vidhibiti vinavyofaa (chanya, hasi, tupu, bila doa). Kwa mfano, ikiwa kuna ishara katika udhibiti usio na doa, hii inaweza kuwa autofluorescence; Bila vidhibiti, uchanganuzi otomatiki hauwezi kutofautisha ishara ya kweli kutoka kwa vizalia vya programu.

11. Nini kifanyike ikiwa pendekezo la uboreshaji katika mchakato wa kibayolojia huongeza mavuno lakini kuchukua sifa muhimu ya ubora (CQA) nje ya vipimo?

• A) Kwa kuwa ufanisi ni muhimu, chaguo la ufanisi wa juu linapendekezwa
• B) Ufanisi hudumishwa kwa kulegeza kikomo cha CQA
• C) Uamuzi umeachwa kwa akili ya bandia
• D) Ubora unatanguliwa kuliko ufanisi; Chaguo la ubora ambalo liko ndani ya nafasi ya muundo linapendekezwa ✔

Maelezo: Katika usindikaji wa viumbe hai, mavuno ya tarumbeta ya ubora; Vikomo vya CQA (usafi, glycosylation, shughuli) lazima zidumishwe ili bidhaa iwe salama na yenye ufanisi. Ikiwa hatua ambayo huongeza ufanisi huharibu ubora, chaguo la ubora lililobaki ndani ya nafasi ya kubuni linapendekezwa.

12. Kuna hatari gani kuu modeli ya lugha inapoambiwa 'tafuta makala 10 kuhusu mada hii na kuyafupisha'?

• A) Mtindo huendesha polepole sana
• B) Mfano unaweza kutoa marejeleo ya kweli lakini yasiyopo (yaliyotengenezwa) bila kufanya utaftaji halisi ✔
• C) Mfano daima hupata makala nyingi sana
• D) Mfano unarudisha nakala za zamani tu

Maelezo: Zana za mazungumzo ya kawaida mara nyingi hazifanyi utafutaji halisi; hutoa majibu ya kitakwimu 'yanayoonekana kuwa yanawezekana' kutoka kwa kumbukumbu. Hii inamaanisha marejeleo ya kweli lakini bandia (mwandishi wa maandishi, jarida, DOI). Kila marejeleo yanapaswa kuthibitishwa dhidi ya hifadhidata halisi (PubMed, DOI) na, ikiwezekana, zana zenye msingi wa RAG zilizounganishwa na hati halisi zitumike.

13. Ni tabia gani sahihi wakati mtumiaji anauliza AI mabadiliko ambayo yataongeza ufanisi wa sumu ya bakteria?

• A) Kujibu ombi kwa undani kwa sababu ni la kisayansi
• B) Kupunguza hatari kwa kutoa taarifa sehemu tu
• C) Kataa ombi hilo, eleza kuwa liko chini ya DURC, na uripoti kwa kituo cha usalama wa viumbe ✔
• D) Puuza ombi na endelea na mada nyingine

Maelezo: Ombi hili ni ombi lenye madhara chini ya matumizi mawili (DURC). AI inapaswa kukataa maombi kama hayo, kueleza kwa nini inaleta hatari ya matumizi mawili, na kuripoti hali hiyo kwa shirika la usalama wa viumbe/maadili. Hakuna ushauri wa kiufundi unapaswa kutolewa ambao utaongeza uwezekano wa madhara.

14. Ni hitimisho gani ni sahihi wakati hati ya uchanganuzi wa Python iliyoandikwa na akili ya bandia inafanya kazi bila makosa?

• A) Matokeo ni sahihi kabisa kwa sababu msimbo hufanya kazi
• B) Hakuna haja ya kujaribu nambari kwa sababu AI iliiandika
• C) Kutokuwepo kwa makosa pia kunahakikisha kuzaliana.
• D) Kanuni ya uendeshaji inaweza kuwa si sahihi; Matokeo yanayotarajiwa lazima yathibitishwe dhidi ya data ya jaribio inayojulikana ✔

Maelezo: 'Ilifanya kazi bila makosa' na 'ilitoa matokeo sahihi' ni vitu viwili tofauti. Msimbo unaweza kurudisha matokeo yasiyo sahihi kimyakimya kwa sababu ya hitilafu ya kitengo, safu wima isiyo sahihi au kichujio ambacho hakijatolewa. Kila msimbo unapaswa kujaribiwa kwa data ndogo ya jaribio ambayo ingizo na matokeo yake yanajulikana; Walakini, inapaswa kuzingatiwa kuwa ya kuaminika wakati inatoa matokeo yanayotarajiwa.