ప్రయోగంలో మానవుడు: నీతి, గోప్యత, బాధ్యత మరియు ఎండ్-టు-ఎండ్ వర్క్‌ఫ్లో

లాభాలు:

• ప్రయోగంలో ఎండ్-టు-ఎండ్ వర్క్‌ఫ్లోలో మానవ సూత్రాన్ని సమగ్రపరచడం మరియు ప్రతి దశలో కృత్రిమ మేధస్సు/మానవ పాత్రలను వేరు చేయగలగడం
• సాధారణ కృత్రిమ మేధస్సుకు రహస్య నిర్మాణం మరియు డేటాను అందించకుండా సాధారణ ప్రాక్సీ ఉదాహరణలతో పని చేయగల సామర్థ్యం
• క్లిష్టమైన పాయింట్ల వద్ద మానవ ఆమోదం గేట్లను ఉంచే సామర్థ్యం మరియు పారదర్శకత మరియు ట్రేస్బిలిటీతో అంతిమ బాధ్యతను స్వీకరించడం

ఈ చివరి యూనిట్‌లో మేము మొత్తం మాడ్యూల్‌ను ఒకే ఫ్రేమ్‌వర్క్‌గా మిళితం చేస్తాము: హ్యూమన్-ఇన్-ది-లూప్. ఈ సూత్రం ప్రకారం, AI ఎంత సామర్థ్యం కలిగి ఉన్నప్పటికీ, రసాయన నిర్ణయం యొక్క ప్రతి క్లిష్టమైన పాయింట్‌ను మానవుడు అర్థం చేసుకోవాలి, నియంత్రించాలి మరియు ఆమోదించాలి. ఈ యూనిట్‌లో, మేము మొదట నైతిక మరియు గోప్యత అంశాలను స్పష్టం చేస్తాము, ఆపై ఆలోచన నుండి నివేదికకు అణువును తీసుకునే ఎండ్-టు-ఎండ్ వర్క్‌ఫ్లోను ఏర్పాటు చేస్తాము మరియు AI మరియు మానవులు ప్రతి దశలో శ్రమను ఎలా విభజిస్తారో చూద్దాం. మీరు నేర్చుకున్న ప్రతిదాన్ని రోజువారీ పనికి సరిపోయే వ్యవస్థగా మార్చడం లక్ష్యం.

గోప్యత: AIకి ఏమి ఇవ్వకూడదు?

రసాయన శాస్త్రం తరచుగా రహస్య సమాచారంతో పని చేస్తుంది: పేటెంట్ లేని అణువులు, కంపెనీ రహస్య సంశ్లేషణ మార్గాలు, ప్రచురించని డేటా, రోగి నమూనాలు. మీరు పబ్లిక్ AI సేవలో నమోదు చేసిన వచనం సేవ యొక్క పాలసీ ప్రకారం నిల్వ చేయబడవచ్చు లేదా ప్రాసెస్ చేయబడవచ్చు. అందువలన:

• పబ్లిక్ AIకి ప్రచురించని అసలైన నిర్మాణాలను (ప్రీ-పేటెంట్ మాలిక్యూల్స్) విడుదల చేయడానికి ముందు మీ సంస్థాగత విధానాన్ని తనిఖీ చేయండి.
• గుర్తించదగిన రూపంలో వ్యక్తిగత/రోగి డేటా (క్లినికల్ నమూనాలు) ఎప్పుడూ నమోదు చేయవద్దు.
• వాణిజ్య రహస్య సంశ్లేషణ మార్గాలను పంచుకునే ముందు గోప్యత ఒప్పందాలను సమీక్షించండి.
• అవసరమైనప్పుడు అంతర్గత/కస్టమ్ విస్తరణ AI సాధనాలను ఎంచుకోండి.

హెచ్చరిక: ఒక అణువు గురించి సాధారణ AIని అడగడం అంటే ఆ అణువు యొక్క నిర్మాణాన్ని బహిర్గతం చేయడం. పేటెంట్ పొందని ప్రత్యేకమైన నిర్మాణం కోసం, ఇది మీ ప్రాధాన్యతను (పేటెంట్ హక్కు) దెబ్బతీస్తుంది. సాధారణ/సర్రోగేట్ ఉదాహరణలతో దాచిన నిర్మాణాల కోసం అడగండి.

నీతి: నాలుగు సూత్రాలు

1. పారదర్శకత: మీరు AIని ఎక్కడ ఉపయోగిస్తున్నారో దాచవద్దు; ప్రచురణ మరియు సంస్థాగత విధానాలకు అనుగుణంగా.
2. బాధ్యత: తుది నిర్ణయానికి మానవుడు బాధ్యత వహిస్తాడు; "AI సూచించబడింది" భద్రత లేదా సమగ్రత ఉల్లంఘనను క్షమించదు.
3. నాన్-మేలిజెన్స్: ప్రమాదకరమైన/చట్టవిరుద్ధమైన సంశ్లేషణ, ద్వంద్వ వినియోగం (ఆయుధాల సంభావ్యత) అనువర్తనాల కోసం AIని ఉపయోగించవద్దు.
4. నీతి మరియు నిజాయితీ: డేటాను వక్రీకరించవద్దు, ఫలితాలను అలంకరించవద్దు, గుణగణాలను రూపొందించవద్దు.

ఎండ్-టు-ఎండ్ వర్క్‌ఫ్లో: మాలిక్యూల్ → రిపోర్ట్

ఇప్పుడు మొత్తం మాడ్యూల్‌ను ఒకే ప్రవాహంలో కలపండి. ప్రతి దశలో, AI ఏమి చేస్తుంది మరియు మానవుడు ఏమి చేస్తుంది మధ్య వ్యత్యాసాన్ని గమనించండి.

వేదిక

AI పాత్ర

మానవుల (క్లిష్టమైన) పాత్ర

1. ఆలోచన/సాహిత్యం

కాన్సెప్ట్ సారాంశం, శోధన పదం

నిజమైన మూలాన్ని కనుగొనడం, ఆపాదింపు నిర్ధారణ

2. నిర్మాణ వివరణ

SMILESని సృష్టిస్తోంది

RDKit, InChIKeyతో ప్రమాణీకరణ

3. సంశ్లేషణ ప్రణాళిక

రెట్రోసింథసిస్, ప్రత్యామ్నాయాలు

సాహిత్య నిర్ధారణ, మార్గం ఎంపిక

4. భద్రత

SDS సారాంశం, ప్రాథమిక అసమతుల్యత

SDS పఠనం, ఆమోదం, PPE నిర్ణయం

5. అప్లికేషన్

(ఏదీ లేదు)

అన్ని ప్రయోగశాల పని

6. విశ్లేషణ

స్పెక్ట్రమ్ వ్యాఖ్య మద్దతు

తుది నిర్మాణ కేటాయింపు

7. డేటా ప్రాసెసింగ్

వ్రాసే కోడ్

కోడ్‌ని అమలు చేయండి, ఫలితాన్ని ధృవీకరించండి

8. డాక్యుమెంటేషన్

ఫార్మాటింగ్, నియంత్రణ

పరిశీలన, విచలనం, సంతకం

9. రిపోర్టింగ్

డ్రాఫ్ట్ టెక్స్ట్

సంఖ్య/అనులేఖన ధృవీకరణ, జవాబుదారీతనం

మాడ్యూల్ యొక్క 11 యూనిట్లు ఒకే పనిలో ఎలా అమర్చబడిందో ఈ పట్టిక చూపిస్తుంది. AI వేగవంతం; ప్రజలు ధృవీకరించి స్వంతం చేసుకుంటారు.

దశల వారీగా: వర్క్‌ఫ్లోను సెటప్ చేయండి

1. పాత్రలను స్పష్టం చేయండి: ప్రతి పని కోసం, "AI లేదా మానవుడు నిర్ణయిస్తారా?" మొదటి నుండి నిర్ణయించండి.
2. గోప్యతా ఫిల్టర్‌ను సెటప్ చేయండి: AIకి ఏదైనా ఇవ్వకుండా మీరు "ఇది ప్రైవేట్/ప్రైవేట్?" అని అడగవచ్చు. అడగండి.
3. ధృవీకరణ గేట్‌లను ఉంచండి: ప్రతి దశ చివరిలో ధృవీకరణ దశ (యూనిట్ 10లో టేబుల్).
4. ట్రేస్బిలిటీని ఉంచండి: AI నుండి ఏ అవుట్‌పుట్ వచ్చింది, అది ఎలా ధృవీకరించబడింది, ఎవరు ఆమోదించారు.
5. ఆమోదం పాయింట్లను సెట్ చేయండి: భద్రత మరియు తుది ఫలితం వంటి క్లిష్టమైన పాయింట్‌లలో మానవ ఆమోదం తప్పనిసరి.
6. అభిప్రాయం: దొరికిన ప్రతి లోపాన్ని రికార్డ్ చేయండి మరియు వర్క్‌ఫ్లో మెరుగుపరచండి.

నాలుగు కాపీ చేయగల టెంప్లేట్‌లు

1) గోప్యత ప్రీ-ఫిల్టర్:

ప్రశ్న అడిగే ముందు, దీన్ని పరిగణించండి:కంటెంట్: [నేను ఏమి అడుగుతున్నాను]టాస్క్: ఈ కంటెంట్‌లో ప్రచురించని అసలైన కళాఖండాలు, వ్యక్తిగత డేటా లేదా వాణిజ్య రహస్యాలు ఉన్నాయా? అది జరిగితే, నిర్మాణాన్ని దాచే సాధారణ/సర్రోగేట్ ఉదాహరణతో నేను ప్రశ్నను ఎలా తిరిగి వ్రాయవచ్చో సూచించండి.

2) దశ ధృవీకరణ గేట్ ముగింపు:

నేను కింది దశను పూర్తి చేసాను: [PHASE, ఉదా. సంశ్లేషణ ప్రణాళిక]. టాస్క్: ఈ దశ (సంఖ్య, అనులేఖనం, నిర్మాణం, భద్రతా క్లెయిమ్) నుండి వెరిఫై చేయాల్సిన అన్ని అంశాలను జాబితా చేయండి. ప్రతిదానికీ, ధృవీకరణ పద్ధతిని వ్రాయండి మరియు దానిని ఎవరు నిర్ధారించాలి. తదుపరి దశకు వెళ్లడానికి ముందు మూసివేయవలసిన ఏవైనా ఓపెన్ ఐటెమ్‌లను గుర్తించండి.

3) మానవ-AI పాత్ర పంపిణీ ప్రణాళిక:

నా ప్రాజెక్ట్: [చిన్న వివరణ]. టాస్క్: ఈ ప్రాజెక్ట్‌ను దశలుగా విభజించండి. ప్రతి దశకు, వీటి మధ్య తేడాను గుర్తించండి: - AI ఏమి చేయగలదో (డ్రాఫ్ట్, కోడ్, సారాంశం) - మానవుడు ఏమి నిర్ణయించుకోవాలి (భద్రత, పర్యవసానంగా, ఆమోదం). అంతిమ బాధ్యత మానవునిపై ఉన్న క్లిష్టమైన పాయింట్లను గుర్తించండి.

4) సమగ్రత తనిఖీని నివేదించండి:

నా నివేదిక డ్రాఫ్ట్ క్రింద ఉంది:[DRAFT]టాస్క్: కిందివాటిని తనిఖీ చేసి, గుర్తించండి:1) ఏవైనా ధృవీకరించబడని సంఖ్యలు/అనులేఖనాలు ఉన్నాయా?2) AI యొక్క ఉపయోగం పారదర్శకంగా పేర్కొనబడిందా?3) డేటా "అందంగా" కనిపించిందా (అవుట్‌లియర్ దాచడం)?4) ఏవైనా భద్రత/నైతిక లోపాలు ఉన్నాయా? [తనిఖీ] మీకు ఎక్కడ ఖచ్చితంగా తెలియదు.

బలహీనమైన ప్రాంప్ట్ / బలమైన ప్రాంప్ట్

బలహీనం:

మా కంపెనీ యొక్క కొత్త రహస్య అణువును సంశ్లేషణ చేయడానికి ఉత్తమ మార్గం ఏమిటి?[అసలు అసలు నిర్మాణం]

ఇది సాధారణ సేవకు అసలు పూర్వ-పేటెంట్ నిర్మాణాన్ని బహిర్గతం చేస్తుంది; ఇది ప్రాధాన్యత మరియు గోప్యతను ప్రమాదంలో ఉంచుతుంది.

బలమైన:

సుగంధ కీటోన్‌ల తరగతి యొక్క సారూప్య నిర్మాణం కోసం నేను సాధారణ రెట్రోసింథసిస్ వ్యూహాన్ని నేర్చుకోవాలనుకుంటున్నాను. కాంక్రీటు, అసలైన నిర్మాణాన్ని ఇవ్వకుండా సాధారణ ఉదాహరణ (ఎసిటోఫెనోన్ డెరివేటివ్) ద్వారా వివరించండి. నేను ఇంట్లోనే నా స్వంత మాలిక్యూల్‌కు వ్యూహాన్ని వర్తింపజేస్తాను.

తేడా: గుప్త నిర్మాణాన్ని బహిర్గతం చేయకుండా, సాధారణ సర్రోగేట్ ఉదాహరణతో అదే అభ్యాసం సాధించబడింది.

చిన్న కేసులు

కేసు 1 - అసలు నిర్మాణం బహిర్గతం చేయబడింది. పేటెంట్ కోసం దరఖాస్తు చేసుకునే ముందు ఒక బృందం సాధారణ AIని ఒక ప్రత్యేకమైన అణువు గురించి అడిగారు. ఇది ప్రాధాన్యతను ప్రశ్నలోకి తీసుకురాగలదని లీగల్ యూనిట్ పేర్కొంది; ప్రక్రియ ఆలస్యమైంది. పాఠం: సాధారణ ప్రాక్సీతో ప్రత్యేక నిర్మాణాల కోసం అడగండి, గోప్యతా విధానాన్ని గౌరవించండి.

కేసు 2 - మానవ సమ్మతి ప్రమాదాన్ని నిరోధించింది. స్వయంచాలక వర్క్‌ఫ్లో, AI ఒక డ్రాఫ్ట్ విధానాన్ని రూపొందించింది మరియు నేరుగా అమలు చేయబడుతుంది; కానీ అనుభవజ్ఞుడైన రసాయన శాస్త్రవేత్త ఫ్లో-త్రూ "సేఫ్టీ క్లియరెన్స్" గేట్ వద్ద అసంగతమైన జత కారకాలను పట్టుకున్నాడు. పాఠం: క్లిష్టమైన పాయింట్ల వద్ద, మానవ ఆమోదం ద్వారాలు ప్రాణాలను కాపాడతాయి.

కేసు 3 - ఎండ్-టు-ఎండ్ క్రమశిక్షణ. మాస్టర్స్ విద్యార్థి ఒక ప్రాజెక్ట్‌లో మొత్తం మాడ్యూల్‌ను అమలు చేశాడు: సాహిత్య సారాంశం + AIతో వాస్తవ అనులేఖన ధృవీకరణ, RDKitతో నిర్మాణ ధృవీకరణ, కోడ్‌తో డేటా విశ్లేషణ, SDSతో భద్రత, నిజాయితీ గల డాక్యుమెంటేషన్, పారదర్శక రిపోర్టింగ్. ఫలితం వేగంగా మరియు మరింత బలంగా ఉంది; థీసిస్ డిఫెన్స్‌లో "మీరు AIని ఎలా ధృవీకరించారు?" అనే ప్రశ్నకు ఆయన స్పష్టంగా సమాధానం చెప్పారు. పాఠం: AI + ధృవీకరణ క్రమశిక్షణ ఉత్తమంగా కలిసి పని చేస్తుంది.

సాధారణ తప్పులు

• సాధారణ AIకి గుప్త నిర్మాణాన్ని అందించడం. ఇది పేటెంట్ ప్రాధాన్యత మరియు వాణిజ్య రహస్యాన్ని రాజీ చేస్తుంది.
• గుర్తించదగిన వ్యక్తిగత/రోగి డేటాను నమోదు చేస్తోంది. గోప్యతా ఉల్లంఘన మరియు చట్టపరమైన ప్రమాదం.
• ఆమోదం గేట్లను దాటవేయడం. భద్రత మరియు చివరికి మానవ ఆమోదం లేకుండా ముందుకు సాగడం.
• AIకి బాధ్యతను బదిలీ చేయడం. "AI సూచించబడింది" ఏ తప్పులను క్షమించదు.
• పారదర్శకతను నివారించడం. AI వినియోగాన్ని దాచడం సమగ్రతను దెబ్బతీస్తుంది.
• ద్వంద్వ ఉపయోగం యొక్క ప్రమాదాన్ని విస్మరించడం. హానికరమైన అనువర్తనాల కోసం AIని ఉపయోగించడం అనైతికం.

చిట్కా: "మానవుడు ఆపివేసి ఆమోదించే ప్రతి కీలక నిర్ణయం"తో మీ వర్క్‌ఫ్లోను డిజైన్ చేయండి. AIని గొలుసును వేగవంతం చేసే లింక్‌గా చేయండి మరియు గొలుసును పట్టుకున్న నోడ్ ఎల్లప్పుడూ మానవీయంగా ఉంటుంది.

సారాంశంలో

• ప్రయోగంలో మానవ సూత్రం: ప్రతి క్లిష్టమైన రసాయన నిర్ణయంలో, మానవుడు అర్థం చేసుకుంటాడు, పర్యవేక్షిస్తాడు మరియు ఆమోదించాడు.
• గోప్యత: పబ్లిక్ AIకి ప్రత్యేకమైన కళాఖండాలు, వ్యక్తిగత డేటా మరియు వాణిజ్య రహస్యాలను అందించవద్దు; సాధారణ ప్రాక్సీని ఉపయోగించండి.
• నీతి: పారదర్శకత, బాధ్యత, అనైతికత, నిజాయితీ అనే నాలుగు ప్రాథమిక సూత్రాలు.
• ఎండ్-టు-ఎండ్ వర్క్‌ఫ్లో, AI ప్రతి దశలోనూ వేగవంతం అవుతుంది; ప్రజలు ధృవీకరించి స్వంతం చేసుకుంటారు.
• క్లిష్టమైన పాయింట్ల వద్ద మానవ ఆమోదం గేట్లను ఉంచండి (భద్రత, తుది ఫలితం) మరియు ట్రేస్బిలిటీని నిర్వహించండి.

అప్లికేషన్ టాస్క్

మీ స్వంత (నిజమైన లేదా ఊహాజనిత) ప్రాజెక్ట్‌ను ఎంచుకోండి మరియు ప్రారంభం నుండి ముగింపు వరకు AI-హ్యూమన్ వర్క్‌ఫ్లోను రూపొందించండి. పైన ఉన్న 9-దశల పట్టికను మీ స్వంత ప్రాజెక్ట్‌కి మార్చండి: ప్రతి దశలో AI ఏమి చేస్తుంది, మానవుడు ఏమి ఆమోదిస్తాడు? గోప్యతా ప్రీ-ఫిల్టర్‌ని వర్తింపజేయండి: మీరు AIకి ఏ సమాచారాన్ని అందించరు, మీరు దానిని ఎలా సాధారణీకరిస్తారు? కనీసం రెండు మానవ ఆమోద గేట్‌లు మరియు ఒక ట్రేస్‌బిలిటీ పద్ధతిని నిర్వచించండి. ఒక పేజీ "వర్క్‌ఫ్లో మరియు వెరిఫికేషన్ ప్లాన్"ని వ్రాయండి.

చెక్లిస్ట్

• ప్రయోగంలో, నేను మానవ సూత్రాన్ని మరియు అది ఎందుకు అవసరమో గ్రహించాను.
• [ ] నేను దాచిన నిర్మాణం/డేటాను సాధారణ AIకి ఇవ్వకుండా జెనరైజ్ చేస్తాను.
• [ ] నేను పారదర్శకత, బాధ్యత, దుష్ప్రవర్తన మరియు నిజాయితీ సూత్రాలకు కట్టుబడి ఉన్నాను.
• [ ] నేను ఎండ్-టు-ఎండ్ వర్క్‌ఫ్లో AI/హ్యూమన్ పాత్రలను వేరు చేసాను.
• [ ] నేను క్లిష్టమైన పాయింట్ల వద్ద మానవ ఆమోద గేట్లను ఉంచాను.
• AI నుండి ఏ అవుట్‌పుట్ వస్తుంది మరియు అది ఎలా ధృవీకరించబడుతుందో నేను ట్రాక్ చేస్తాను.

మాడ్యూల్ పరీక్ష

1. కెమిస్ట్రీలో ఆర్టిఫిషియల్ ఇంటెలిజెన్స్ కోసం కింది వాటిలో అత్యంత ఖచ్చితమైన స్థానం ఏది?

• ఎ) కృత్రిమ మేధస్సు అనేది కోడ్, డ్రాఫ్ట్ మరియు ఎడిటింగ్ అసిస్టెంట్; నిర్మాణం, సంఖ్య, వనరులు, భద్రత మరియు నైతిక నిర్ణయాల బాధ్యత మానవులపై ఉంటుంది ✔
• బి) ఆర్టిఫిషియల్ ఇంటెలిజెన్స్ అనేది కెమిస్ట్రీ ఇంజిన్ మరియు అది ఇచ్చే పరమాణు బరువులు ఎల్లప్పుడూ ఖచ్చితమైనవి.
• సి) ఆర్టిఫిషియల్ ఇంటెలిజెన్స్ సాహిత్య సమీక్షలో మాత్రమే పని చేస్తుంది, దీనికి విశ్లేషణ మరియు భద్రతతో సంబంధం లేదు
• డి) ఆర్టిఫిషియల్ ఇంటెలిజెన్స్ మనుషుల కంటే నిష్పక్షపాతంగా ఉంటుంది కాబట్టి, భద్రతా నిర్ణయాలను దానికే వదిలేయాలి

వివరణ: కృత్రిమ మేధస్సు; ఇది కోడ్‌ను వ్రాసే, చిత్తుప్రతులను ఉత్పత్తి చేసే, రెట్రోసింథసిస్ అస్థిపంజరాన్ని రూపొందించే, స్పెక్ట్రమ్ ఇంటర్‌ప్రెటేషన్‌కు సహాయపడే మరియు నిర్వహించే సహాయకుడు. అయినప్పటికీ, పరమాణు బరువు మరియు స్టోయికియోమెట్రీ యొక్క నిర్ణయాత్మక గణన, RDKitతో నిర్మాణం యొక్క ధృవీకరణ, డేటాబేస్‌లోని అనులేఖనాల నిర్ధారణ, SDS/GHSతో భద్రత యొక్క నిర్ణయం మరియు తుది బాధ్యత సమర్థ రసాయన శాస్త్రవేత్తకు చెందుతుంది. పెద్ద భాషా నమూనా కాలిక్యులేటర్ లేదా కెమిస్ట్రీ ఇంజిన్ కాదు; ఇది 'తదుపరి అత్యంత సంభావ్య పదాన్ని' ఉత్పత్తి చేసే టెక్స్ట్ జనరేటర్ మరియు దాని ధృవీకరించని అవుట్‌పుట్ తప్పు నిర్మాణం, సంఖ్య లేదా ప్రమాదానికి దారితీయవచ్చు.

2. కృత్రిమ మేధస్సుకు అణువును వివరించడానికి అత్యంత విశ్వసనీయ మార్గం ఏమిటి?

• ఎ) సాధారణ టర్కిష్ పేరు మాత్రమే రాయడం
• బి) SMILES వంటి నిర్మాణ ప్రాతినిధ్యాన్ని అందించడం మరియు InChIKey ✔తో గుర్తింపును నిర్ధారించడం
• సి) పరమాణు భారాన్ని మాత్రమే చెప్పడం
• డి) ట్రేడ్‌మార్క్ రాస్తే సరిపోతుంది

వివరణ: పేర్లు (ముఖ్యంగా వాణిజ్యం మరియు పర్యాయపదాల పేర్లు) అస్పష్టంగా ఉంటాయి మరియు తప్పు అణువుకు దారితీయవచ్చు. SMILES వంటి నిర్మాణ సంజ్ఞామానాన్ని అణువుకు ఇవ్వడం ఖచ్చితత్వాన్ని అందిస్తుంది; InChIKeyతో డేటాబేస్లో అతని గుర్తింపు నిర్ధారించబడింది. అదనంగా, కృత్రిమ మేధస్సు ద్వారా అందించబడిన SMILES తప్పనిసరిగా RDKitతో అన్వయించబడాలి మరియు కానానికలైజేషన్ ద్వారా ధృవీకరించబడాలి.

3. కృత్రిమ మేధస్సు ద్వారా అందించబడిన పరమాణు బరువును మీరు ఎలా ఉపయోగించాలి?

• ఎ) AI సంఖ్యలలో నమ్మదగినది కనుక నేరుగా ఉపయోగించడం
• బి) ఫార్ములా నుండి మాన్యువల్‌గా లేదా RDKit ✔తో స్వతంత్రంగా లెక్కించండి మరియు ధృవీకరించండి
• సి) మరొక కృత్రిమ మేధస్సును అడిగి సరిపోల్చండి
• D) పరమాణు బరువు ముఖ్యం కాదు, ధృవీకరణ అవసరం లేదు

వివరణ: పరమాణు బరువు అనేది పరమాణు సూత్రం నుండి నిర్ణయాత్మకంగా లెక్కించబడిన పరిమాణం. కాబట్టి భాషా నమూనాను అడగడం బలహీనమైన మార్గం; ఇది RDKit వంటి సాధనంతో లేదా ఫార్ములా నుండి మాన్యువల్‌గా లెక్కించడం ద్వారా స్వతంత్రంగా ధృవీకరించబడాలి. లాంగ్వేజ్ మోడల్ అటువంటి సంఖ్యలకు 'సంభావ్యంగా కనిపించే' విలువతో సరిపోతుంది.

4. ఆర్టిఫిషియల్ ఇంటెలిజెన్స్ ద్వారా రిటర్న్ చేయబడిన లిటరేచర్ సైటేషన్ (వ్యాసం/DOI)ని ఉపయోగించే ముందు ఏమి చేయాలి?

• ఎ) ఏమీ లేదు; ఆర్టిఫిషియల్ ఇంటెలిజెన్స్ రిఫరెన్స్ ఇస్తే అది నిజమే
• బి) కన్విన్సింగ్‌గా అనిపించాలంటే టైటిల్‌ని చూస్తే చాలు.
• సి) డేటాబేస్ (doi.org, Crossref)లో డీకోడ్ చేయడం ద్వారా ప్రతి citation మరియు DOIని నిర్ధారించడం ✔
• D) పొడవైన DOI సంఖ్య అది నిజమని రుజువు చేస్తుంది.

వివరణ: భాషా నమూనా వాస్తవికంగా కనిపించే కథనాలు, రచయితలు మరియు DOIలను రూపొందించగలదు కాని ఉనికిలో లేదు (నకిలీ అనులేఖనం). ఇది DOIని ఇచ్చినందున అది చెల్లుబాటు అవుతుందని కాదు. ప్రతి అనులేఖనాన్ని తప్పనిసరిగా doi.org, Crossref లేదా ప్రచురణకర్త సైట్ వంటి డేటాబేస్‌లో రిజల్యూషన్ ద్వారా ధృవీకరించాలి; మానవుడు నిజమైన కథనాన్ని కనుగొనడం మరియు కృత్రిమ మేధస్సు ద్వారా సారాంశాన్ని కలిగి ఉండటం సురక్షితమైన ప్రవాహం.

5. ఏ ప్రాంతంలో కృత్రిమ మేధస్సు బలహీనంగా ఉంది మరియు ప్రతిచర్య ప్రణాళికలో నిర్ధారణ అవసరం?

• ఎ) ప్రతిచర్య ఏ సాధారణ తరగతికి చెందినదో గుర్తించడంలో
• బి) ఖచ్చితమైన స్థితి సంఖ్యలు, దిగుబడి విలువలు మరియు రియాజెంట్/ఉత్ప్రేరక పేర్లు ✔
• సి) సాధారణ భాషలో ఒక యంత్రాంగాన్ని వివరించడం
• డి) ప్రత్యామ్నాయ మార్గాల కోసం ఆలోచనలు

వివరణ: AI సాధారణంగా ప్రతిచర్య రకం మరియు చక్కగా నమోదు చేయబడిన ప్రతిచర్యల యొక్క ప్రధాన ఉత్పత్తిని బాగా అంచనా వేస్తుంది. ఏది ఏమైనప్పటికీ, ఖచ్చితమైన స్థితి సంఖ్యలు (ఉష్ణోగ్రత, సమయం, సమానమైన), దిగుబడి విలువలు, అరుదైన ప్రతిచర్యలు మరియు రియాజెంట్/ఉత్ప్రేరక పేర్లు అత్యంత బలహీనమైనవి మరియు కల్పనకు ఎక్కువ అవకాశం ఉంది; వీటిని సాహిత్యం మరియు కేటలాగ్‌లతో ధృవీకరించాలి.

6. స్పెక్ట్రమ్ ఇంటర్‌ప్రెటేషన్‌లో కృత్రిమ మేధస్సును ఉపయోగించడానికి అత్యంత విశ్వసనీయ మార్గం ఏమిటి?

• ఎ) కొన్ని శిఖరాలను ఇచ్చి, 'ఇది ఏ స్పెక్ట్రమ్?' అడగడానికి
• బి) ఊహించిన నిర్మాణం మరియు పూర్తి ముడి డేటాను అందించడం మరియు స్థిరత్వ తనిఖీని కలిగి ఉండటం (పరికల్పన పరీక్ష) ✔
• సి) ఏకీకరణ మరియు విభజన చేయకుండా షిఫ్ట్ విలువలను మాత్రమే వ్రాయడం
• డి) ఒకే టెక్నిక్‌తో (IR మాత్రమే) డెఫినిటివ్ స్ట్రక్చర్ అసైన్‌మెంట్ పూర్తి చేయడం

వివరణ: 'ఈ స్పెక్ట్రమ్ ఏ సమ్మేళనం?' అని AIని అడగండి. మొదటి నుండి అడగడం లోపం రేటును పెంచుతుంది. ఊహించిన నిర్మాణం (SMILES) మరియు ముడి డేటా (ఇంటిగ్రేషన్, స్ప్లిట్టింగ్, సాల్వర్, పీక్ లిస్ట్) కలిపి 'ఈ డేటా ఈ స్ట్రక్చర్‌కు అనుగుణంగా ఉందా?' అని అడగడం అత్యంత విశ్వసనీయ మార్గం. అడగడమే; అంటే కృత్రిమ మేధస్సును పరికల్పన టెస్టర్‌గా ఉపయోగించడం. ప్రయోగాత్మక వర్ణపటాన్ని పరిశీలించే రసాయన శాస్త్రవేత్తకు చివరి కేటాయింపు.

7. రసాయన గణన (ఉదా. శాతం దిగుబడి) ఫలితాన్ని పొందేందుకు అత్యంత విశ్వసనీయ మార్గం ఏమిటి?

• ఎ) కృత్రిమ మేధస్సు నుండి నేరుగా మౌఖికంగా ఫలితాన్ని అభ్యర్థించడం
• B) ఖాతా యొక్క పైథాన్ కోడ్‌ను ప్రింట్ చేసి అమలు చేయండి మరియు తెలిసిన ఉదాహరణతో దాన్ని పరీక్షించండి ✔
• సి) ఒకే ప్రశ్నను చాలాసార్లు అడగండి మరియు చాలా తరచుగా వచ్చే సంఖ్యను పొందండి
• డి) యూనిట్‌ను పేర్కొనకుండా త్వరగా అంచనా వేయడం

వివరణ: భాషా నమూనా 'సంభావ్య ఫలితాన్ని అంచనా వేయడం' ద్వారా అంకగణితాన్ని చేస్తుంది మరియు చాలా సులభమైన గుణకారాలతో కూడా తప్పు కావచ్చు. అత్యంత నమ్మదగిన మార్గం ఏమిటంటే, AI దాని కోడ్‌ను (ఉదా. పైథాన్) వ్రాసి, ఖాతానే కాకుండా, ఆ కోడ్‌ను అమలు చేయడం; కోడ్ నిర్ణయాత్మకమైనది మరియు ఆడిట్ చేయదగినది. సమాధానం తెలిసిన చిన్న నమూనాతో కోడ్‌ను కూడా పరీక్షించాలి.

8. మాలిక్యులర్ ప్రాపర్టీ ప్రిడిక్షన్‌లో 'డొమైన్ ఆఫ్ అప్లిబిలిటీ' భావన అంటే ఏమిటి?

• ఎ) మోడల్ నడుస్తున్న కంప్యూటర్ యొక్క ప్రాసెసింగ్ పవర్
• బి) శిక్షణ డేటాకు సమానమైన మాలిక్యులర్ ప్రాంతం, మోడల్ నమ్మదగిన అంచనాలను ఇస్తుంది ✔
• సి) మోడల్ ఇచ్చిన సంఖ్య ఎల్లప్పుడూ ఖచ్చితంగా ఉండే హామీ ప్రాంతం
• D) ప్రయోగశాలలో అణువును సంశ్లేషణ చేయగల ఉష్ణోగ్రత పరిధి

వివరణ: QSAR/ప్రిడిక్షన్ మోడల్ అది శిక్షణ పొందిన అణువుల మాదిరిగా ఉండే అణువులపై బాగా పనిచేస్తుంది. శిక్షణ డేటా నుండి చాలా భిన్నమైన ఒక అణువు ఇచ్చిన, మోడల్ ఇప్పటికీ ఒక సంఖ్యను ఉత్పత్తి చేస్తుంది, కానీ ఇది నమ్మదగనిది; దీన్నే 'అనువర్తన పరిధికి వెలుపల ఉండటం' అంటారు. మోడల్ ఎల్లప్పుడూ సమాధానం ఇస్తుంది; సమాధానం నమ్మదగినదా కాదా అనేది మానవులపై ఆధారపడి ఉంటుంది.

9. ప్రయోగాత్మక డాక్యుమెంటేషన్‌లో పరిశీలనలతో వ్యవహరించడానికి సరైన విధానం ఏమిటి?

• ఎ) సమయాన్ని ఆదా చేసేందుకు కృత్రిమ మేధస్సుకు పరిశీలనలు రాయడం
• బి) ప్రయోగం చేస్తున్న వ్యక్తి పరిశీలనలను వ్రాస్తాడు; AI మాత్రమే ఫార్మాట్‌లు మరియు తనిఖీలు ✔
• సి) పరిశీలనలను నమోదు చేయకుండా, తుది దిగుబడిని వ్రాస్తే సరిపోతుంది
• డి) నివేదిక చక్కగా కనిపించేలా చేయడానికి ప్లాన్ నుండి విచలనాలను దాచడం

వివరణ: కృత్రిమ మేధస్సు అంటే ఏమిటో తెలియదు; పరిశీలనలు (రంగు మార్పు, గ్యాస్ విడుదల మొదలైనవి) దానికి సరిపోయేలా చేయడం వలన ఆమోదయోగ్యమైనదిగా అనిపించే కానీ జరగని రికార్డులను ఉత్పత్తి చేస్తుంది మరియు ఇది శాస్త్రీయ మోసం. AI రికార్డింగ్‌ను ఫార్మాట్ చేస్తుంది, తప్పిపోయిన ఫీల్డ్‌లను రీకాల్ చేస్తుంది మరియు పునరావృతమయ్యేలా తనిఖీ చేస్తుంది; కానీ మానవ ప్రయోగకర్త తప్పనిసరిగా పరిశీలనలు మరియు వాస్తవాలను అందించాలి. ప్లాన్ నుండి వ్యత్యాసాలను కూడా నమోదు చేయాలి.

10. ప్రయోగశాల భద్రతలో కృత్రిమ మేధస్సు పాత్ర ఏమిటి మరియు సత్యానికి మూలం?

• ఎ) కృత్రిమ మేధస్సు 'సేఫ్' అని చెబితే, మరొక మూలం అవసరం లేదు
• బి) సత్యానికి మూలం SDS మరియు GHS; AI సహాయకారిగా ఉంది కానీ అంతిమంగా చెప్పలేము ✔
• సి) భద్రతా నిర్ణయాలను పూర్తిగా కృత్రిమ మేధస్సుకు అప్పగించవచ్చు
• D) SDS అనవసరం; ఇంటర్నెట్ ఫోరమ్‌లు తగిన సమాచారాన్ని అందిస్తాయి.

వివరణ: రసాయన శాస్త్రంలో భద్రతకు అత్యధిక ప్రాధాన్యత ఉంది మరియు కృత్రిమ మేధస్సుకు ఇక్కడ చివరి పదం ఉండదు. తయారీదారు అందించిన SDS (సేఫ్టీ డేటా షీట్) మరియు GHS వర్గీకరణ వాస్తవ భద్రతా సమాచారం యొక్క మూలం. AI SDS వచనాన్ని సంగ్రహించగలదు, ఫారమ్ డ్రాఫ్ట్‌లను రూపొందించగలదు మరియు ప్రాథమిక నాన్-కాంప్లైన్స్ స్క్రీనింగ్‌ను నిర్వహించగలదు; అయితే, అన్ని క్లెయిమ్‌లు తప్పనిసరిగా SDSతో ధృవీకరించబడాలి మరియు ఈ విధానాన్ని తప్పనిసరిగా అనుభవజ్ఞుడైన వ్యక్తి/సెక్యూరిటీ అధికారి ఆమోదించాలి.

11. కింది కారకాల కలయికలలో ఏది ప్రమాదకర (అననుకూలమైన) సరిపోలిక?

• ఎ) నీరు మరియు టేబుల్ ఉప్పు కలపడం
• బి) హైపోక్లోరైట్ (క్లోరిన్ గ్యాస్ ప్రమాదం) కలిగిన ద్రావణంతో ఆమ్ల ద్రావణాన్ని కలపడం ✔
• సి) ఇథనాల్ మరియు నీటిని కలపడం
• డి) చక్కెర మరియు నీటిని కరిగించడం

వివరణ: కొన్ని రసాయనాలు సాపేక్షంగా సురక్షితమైనవి అయితే, అవి కలిసి ప్రమాదకరమైనవి. యాసిడ్ మరియు హైపోక్లోరైట్ కలపడం క్లోరిన్ వాయువును విడుదల చేస్తుంది; ఆక్సిడైజర్ + ఆర్గానిక్ అగ్ని/పేలుడు, నీరు + రియాక్టివ్ మెటల్ హీట్/హైడ్రోజన్ ప్రమాదాన్ని కలిగిస్తుంది. ఈ కలయికలు చాలా వరకు AIకి తెలిసినప్పటికీ, ఇది వాటన్నింటికీ హామీ ఇవ్వదు మరియు కొన్నిసార్లు అమాయకమైన భాషలో ప్రమాదకరమైన సూచనను అందించవచ్చు; ప్రతి విధానం SDSకి అనుగుణంగా లేనందుకు పరీక్షించబడాలి.

12. 'భ్రాంతి' (కృత్రిమ మేధస్సు కల్పిత సమాచారాన్ని ఉత్పత్తి చేయడం) కోసం అత్యంత ఖచ్చితమైన వ్యక్తీకరణ ఏమిటి?

• ఎ) ఇది అరుదైన సాఫ్ట్‌వేర్ లోపం మరియు నవీకరణతో పూర్తిగా తొలగించబడుతుంది.
• బి) ఇది భాషా నమూనాలో అంతర్లీనంగా ఉండే ప్రవర్తన; ప్రతి అవుట్‌పుట్‌ను స్వతంత్రంగా ధృవీకరించడమే పరిష్కారం ✔
• సి) ఇది తప్పుగా వ్రాసిన ప్రాంప్ట్‌లలో మాత్రమే కనిపిస్తుంది, సరైన ప్రాంప్ట్‌లలో ఎప్పుడూ కనిపించదు.
• డి) కృత్రిమ మేధస్సు సురక్షితమైన భాషలో మాట్లాడితే, అది భ్రాంతి కాదు

వివరణ: భ్రాంతి అనేది ఒక లోపం కాదు కానీ 'తదుపరి అత్యంత సంభావ్య పదాన్ని' ఉత్పత్తి చేసే భాషా నమూనా యొక్క స్వభావం యొక్క ఫలితం; మోడల్ సాధ్యమయ్యే లక్ష్యంతో ఉంది, నిజం కాదు. అత్యంత కృత్రిమమైన భాగం ఏమిటంటే, ఇది నిజం వలె అదే నమ్మకంగా ఉన్న భాషలో తప్పుడు సమాచారాన్ని అందిస్తుంది. పరిష్కారం మోడల్‌ను సరిచేయడానికి ప్రయత్నించడం కాదు, ప్రతి అవుట్‌పుట్ చుట్టూ టైప్-సముచిత ధ్రువీకరణ షెల్‌ను నిర్మించడం; పటిమ అనేది ఖచ్చితత్వానికి రుజువు కాదు.

13. కీలకమైన విలువను (ఉదా. పరమాణు బరువు) ధృవీకరించడానికి 'త్రిభుజం' అంటే ఏమిటి?

• ఎ) ఒకే ఆర్టిఫిషియల్ ఇంటెలిజెన్స్‌ని మూడుసార్లు ఒకే ప్రశ్న అడగడం
• బి) ఒకటి కంటే ఎక్కువ స్వతంత్ర మార్గాల్లో ఒకే ముగింపును పోల్చడం మరియు చేరుకోవడం ✔
• సి) ఒకే సమయంలో మూడు వేర్వేరు అణువుల బరువును గణించడం
• D) ఫలితాన్ని మూడు దశాంశ స్థానాలకు పూర్తి చేయడం

వివరణ: త్రిభుజం బహుళ స్వతంత్ర మార్గాల ద్వారా ఒకే ముగింపుకు చేరుకుంటుంది; ఉదాహరణకు, కృత్రిమ మేధస్సు, RDKit లెక్కింపు మరియు మాన్యువల్ లెక్కింపు ప్రకారం పరమాణు బరువును పోల్చడం. రెండు స్వతంత్ర మార్గాలు అతివ్యాప్తి చెందితే, నమ్మకం ఎక్కువగా ఉంటుంది; ఎవరైనా ఫిరాయించినా ఆపి విచారణ చేస్తున్నారు. ఒకే మూలంపై ఆధారపడకుండా, కనీసం రెండు స్వతంత్ర పద్ధతులను వెతకాలి.

14. పేటెంట్ పొందని ప్రత్యేకమైన మాలిక్యూల్ గురించి సాధారణ AI సేవను అడగడానికి సరైన మార్గం ఏమిటి?

• ఎ) అసలు నిర్మాణాన్ని నేరుగా ఇవ్వడం, ఎందుకంటే వేగం ముఖ్యం
• బి) అసలు నిర్మాణాన్ని బహిర్గతం చేయకుండా సాధారణ/సర్రోగేట్ ఉదాహరణ ద్వారా వ్యూహాన్ని నేర్చుకోవడం ✔
• సి) నిర్మాణాన్ని ఇవ్వడం సమస్య కాదు, AI సమాచారాన్ని ఎప్పుడూ దాచదు
• డి) పరమాణువు పేరు చెప్పకుండా, దాని మొత్తం స్మైల్స్‌ను పంచుకోవడం మాత్రమే తగినంత రక్షణ.

వివరణ: సాధారణ కృత్రిమ మేధస్సు సేవలో నమోదు చేయబడిన కంటెంట్ సేవా విధానం ప్రకారం నిల్వ చేయబడుతుంది లేదా ప్రాసెస్ చేయబడుతుంది; అసలు నిర్మాణాన్ని అందించడం వలన గోప్యత మరియు పేటెంట్ ప్రాధాన్యత ప్రమాదం. సాధారణ/సర్రోగేట్ ఉదాహరణ (నిర్మాణాల యొక్క సారూప్య తరగతి) నుండి వ్యూహాన్ని నేర్చుకోవడం మరియు అసలు నిర్మాణాన్ని బహిర్గతం చేయకుండా, దాని స్వంత అణువుకు దానిని వర్తింపజేయడం సరైన విధానం. వ్యక్తిగత/రోగి డేటాను కూడా గుర్తించదగిన రూపంలో నమోదు చేయకూడదు.