Tao sa Eksperimento: Etika, Privacy, Responsibilidad at End-to-End Workflow

Mga nadagdag:

• Pagsasama ng prinsipyo ng tao sa end-to-end na daloy ng trabaho sa eksperimento at magagawang paghiwalayin ang artificial intelligence/mga tungkulin ng tao sa bawat yugto
• Kakayahang magtrabaho kasama ang mga generic na halimbawa ng proxy nang hindi nagbibigay ng kumpidensyal na istraktura at data sa pangkalahatang artificial intelligence
• Kakayahang maglagay ng mga gate ng pag-apruba ng tao sa mga kritikal na punto at tanggapin ang tunay na responsibilidad nang may transparency at traceability

Sa panghuling yunit na ito, pinagsama-sama namin ang buong module sa isang balangkas: human-in-the-loop. Sinasabi ng prinsipyong ito na gaano man kahusay ang AI, ang isang tao ay dapat na maunawaan, kontrolin, at aprubahan sa bawat kritikal na punto ng isang kemikal na desisyon. Sa unit na ito, linawin muna natin ang mga aspeto ng etikal at pagiging kumpidensyal, pagkatapos ay magtatag ng isang end-to-end na daloy ng trabaho na tumatagal ng isang molekula mula sa ideya upang mag-ulat, at tingnan kung paano hinahati ng AI at mga tao ang paggawa sa bawat yugto. Ang layunin ay gawing sistema ang lahat ng iyong natutunan na akma sa pang-araw-araw na gawain.

Privacy: ano ang hindi dapat ibigay sa AI?

Madalas gumagana ang Chemistry sa kumpidensyal na impormasyon: mga hindi patentadong molekula, mga ruta ng lihim na synthesis ng kumpanya, hindi na-publish na data, mga sample ng pasyente. Ang text na ipinasok mo sa isang pampublikong serbisyo ng AI ay maaaring itago o iproseso ayon sa patakaran ng serbisyo. Samakatuwid:

• Suriin ang iyong patakaran sa institusyonal bago ilabas ang hindi na-publish na mga orihinal na istruktura (mga pre-patent na molekula) sa pampublikong AI.
• Huwag kailanman maglagay ng personal/patient data (clinical samples) sa isang makikilalang anyo.
• Suriin ang mga kasunduan sa pagiging kumpidensyal bago magbahagi ng mga trade secret synthesis pathway.
• Mag-opt para sa in-house/custom na deployment AI tool kung kinakailangan.

Babala: Ang pagtatanong sa isang pangkalahatang AI tungkol sa isang molekula ay maaaring mangahulugan ng pagbubunyag ng istruktura ng molekulang iyon. Para sa isang natatanging istraktura na hindi pa na-patent, maaari nitong ilagay sa panganib ang iyong priyoridad (patent right). Humingi ng mga nakatagong istruktura na may mga generic/surrogate na halimbawa.

Etika: apat na prinsipyo

1. Transparency: Huwag itago kung saan mo ginagamit ang AI; Sumunod sa publikasyon at mga patakaran sa institusyon.
2. Responsibilidad: Ang tao ay may pananagutan para sa huling desisyon; Ang "iminungkahing AI" ay hindi dahilan ng paglabag sa seguridad o integridad.
3. Non-maleficence: Huwag gumamit ng AI para sa mapanganib/ilegal na synthesis, dual-use (mga potensyal na armas) na application.
4. Pagkamakatarungan at katapatan: Huwag i-distort ang data, huwag pagandahin ang mga resulta, huwag gumawa ng mga attribution.

End-to-end na daloy ng trabaho: molekula → ulat

Ngayon, pagsamahin natin ang buong module sa isang daloy. Sa bawat yugto, bigyang-pansin ang pagkakaiba sa pagitan ng kung ano ang ginagawa ng AI at kung ano ang ginagawa ng tao.

entablado

Papel ng AI

Ang (kritikal) na papel ng mga tao

1. Ideya/panitikan

Buod ng konsepto, termino para sa paghahanap

Paghahanap ng tunay na pinagmulan, kumpirmasyon ng pagpapatungkol

2. Paglalarawan ng istraktura

pagbuo ng SMILES

Pagpapatunay gamit ang RDKit, InChIKey

3. Plano ng synthesis

Retrosynthesis, mga alternatibo

Pagkumpirma ng panitikan, pagpili ng landas

4. Seguridad

SDS summary, preliminary mismatch

Pagbasa ng SDS, pag-apruba, desisyon ng PPE

5. Paglalapat

(Wala)

Lahat ng gawain sa laboratoryo

6. Pagsusuri

Suporta sa komento ng spectrum

Pangwakas na pagtatalaga ng istraktura

7. Pagproseso ng data

pagsulat ng code

Patakbuhin ang code, i-verify ang resulta

8. Dokumentasyon

Pag-format, kontrol

Pagmamasid, paglihis, lagda

9. Pag-uulat

draft na teksto

Pagpapatunay ng numero/pagsipi, pananagutan

Ipinapakita ng talahanayang ito kung paano nakaayos ang 11 unit ng module sa isang trabaho. Bumibilis ang AI; ang mga tao ay nagpapatunay at nagmamay-ari.

Hakbang-hakbang: pag-set up ng workflow

1. Linawin ang mga tungkulin: Para sa bawat gawain, "Nagpapasya ba ang AI o ang tao?" tukuyin mula sa simula.
2. Mag-set up ng filter ng privacy: Nang hindi nagbibigay ng isang bagay sa AI, maaari kang magtanong ng "pribado/pribado ba ito?" magtanong.
3. Maglagay ng verification gate: Isang hakbang sa pag-verify sa dulo ng bawat yugto (talahanayan sa unit 10).
4. Panatilihin ang traceability: Anong output ang nagmula sa AI, paano ito na-verify, kung sino ang nag-apruba nito.
5. Magtakda ng mga punto ng pag-apruba: Ang pag-apruba ng tao ay sapilitan sa mga kritikal na punto tulad ng seguridad at huling resulta.
6. Feedback: Itala ang bawat error na nahuli at pagbutihin ang daloy ng trabaho.

Apat na maaaring kopyahin na mga template

1) Pre-filter ng privacy:

Bago magtanong, isaalang-alang ito: Nilalaman: [ANO ANG ITINATANONG KO]Gawain: Naglalaman ba ang nilalamang ito ng mga hindi nai-publish na orihinal na artifact, personal na data, o mga lihim ng kalakalan? Kung nangyari ito, imungkahi kung paano ko muling isusulat ang tanong gamit ang isang generic/surrogate na halimbawa na magtatago sa istraktura.

2) Katapusan ng phase verification gate:

Nakumpleto ko na ang sumusunod na yugto: [PHASE, hal. synthesis plan].Gawain: Ilista ang lahat ng elementong kailangang ma-verify na lalabas sa yugtong ito (numero, pagsipi, istraktura, claim sa seguridad). Para sa bawat isa, isulat ang paraan ng pag-verify at kung sino ang dapat kumpirmahin ito. Markahan ang anumang mga bukas na item na kailangang isara bago magpatuloy sa susunod na hakbang.

3) Plano ng pamamahagi ng tungkulin ng Human-AI:

Aking proyekto: [SHORT DESCRIPTION].Gawain: Hatiin ang proyektong ito sa mga yugto. Para sa bawat yugto, tukuyin ang pagkakaiba sa pagitan ng: - Ano ang maaaring gawin ng AI (draft, code, buod) - Ano ang dapat magpasya ng tao (seguridad, kinahinatnan, pag-apruba). Markahan ang mga kritikal na punto kung saan ang tunay na responsibilidad ay nakasalalay sa tao.

4) Pagsusuri ng integridad ng ulat:

Nasa ibaba ang aking draft ng ulat:[DRAFT]Gawain: Suriin at markahan ang mga sumusunod:1) Mayroon bang anumang hindi na-verify na mga numero/mga pagsipi?2) Ang paggamit ba ng AI ay malinaw na nakasaad?3) Ang data ba ay lumilitaw na "pinaganda" (outlier na pagtatago)?4) Mayroon bang anumang mga kakulangan sa seguridad/etikal? [SURIIN] kung saan hindi ka sigurado.

Mahinang prompt / Malakas na prompt

mahina:

Ano ang pinakamahusay na paraan upang i-synthesize ang bagong lihim na molekula ng aming kumpanya?[aktwal na orihinal na istraktura]

Inilalantad nito ang orihinal na istraktura ng pre-patent sa isang pangkalahatang serbisyo; Inilalagay nito ang priyoridad at pagiging kumpidensyal sa panganib.

malakas:

Gusto kong matutunan ang pangkalahatang diskarte sa retrosynthesis para sa isang katulad na istraktura ng isang klase ng mga aromatic ketones. Ipaliwanag sa pamamagitan ng isang generic na halimbawa (acetophenone derivative) nang hindi ibinibigay ang kongkreto, orihinal na istraktura. Ilalapat ko ang diskarte sa aking sariling molekula sa loob ng bahay.

Pagkakaiba: nang hindi inilalantad ang nakatagong istraktura, ang parehong pagkatuto ay nakamit tulad ng sa generic na kahalili na halimbawa.

maliit na kaso

Kaso 1 — Inihayag ang orihinal na istraktura. Nagtanong ang isang team sa isang pangkalahatang AI tungkol sa isang natatanging molekula bago mag-apply para sa isang patent. Ang legal na yunit ay nagpahayag na ito ay maaaring magdala ng priyoridad sa tanong; Naantala ang proseso. Aralin: humingi ng mga natatanging istruktura na may generic na proxy, igalang ang patakaran sa privacy.

Kaso 2 — Napigilan ng pahintulot ng tao ang aksidente. Sa isang awtomatikong daloy ng trabaho, gumawa ang AI ng isang draft na pamamaraan at dapat na direktang ipatupad; Ngunit isang bihasang chemist ang nakahuli ng hindi magkatugma na pares ng mga reagents sa flow-through na "safety clearance" gate. Aralin: sa mga kritikal na punto, ang mga pintuan ng pag-apruba ng tao ay nagliligtas ng mga buhay.

Kaso 3 — Pangwakas na disiplina. Ipinatupad ng master's student ang buong module sa isang proyekto: buod ng literatura + aktwal na pag-verify ng pagsipi na may AI, pag-verify ng istraktura gamit ang RDKit, pagsusuri ng data na may code, seguridad na may SDS, tapat na dokumentasyon, transparent na pag-uulat. Ang resulta ay parehong mas mabilis at mas matatag; sa thesis defense "Paano mo na-verify ang AI?" Malinaw niyang sinagot ang tanong. Aralin: Ang disiplina sa pag-verify ng AI + ay pinakamahusay na gumagana nang magkasama.

Mga karaniwang pagkakamali

• Pagbibigay ng nakatagong istraktura sa pangkalahatang AI. Ikokompromiso nito ang patent priority at trade secret.
• Paglalagay ng makikilalang data ng personal/pasyente. Paglabag sa privacy at legal na panganib.
• Pag-bypass sa mga gate ng pag-apruba. Seguridad at sa huli ay sumusulong nang walang pag-apruba ng tao.
• Paglilipat ng responsibilidad sa AI. "Iminungkahi ng AI" ay hindi pinahihintulutan ang anumang mga pagkakamali.
• Pag-iwas sa transparency. Ang pagtatago sa paggamit ng AI ay sumisira sa integridad.
• Hindi pinapansin ang panganib ng dalawahang paggamit. Hindi etikal ang paggamit ng AI para sa mga mapaminsalang aplikasyon.

Tip: Idisenyo ang iyong daloy ng trabaho gamit ang "bawat kritikal na desisyon na hihinto at aaprubahan ng isang tao." Gawing link ang AI na nagpapabilis sa chain, at ang node na humahawak sa chain ay palaging tao.

Sa buod

• Prinsipyo ng tao sa pag-eeksperimento: sa bawat kritikal na desisyon sa kemikal, naiintindihan, pinangangasiwaan at inaaprobahan ng isang tao.
• Privacy: huwag magbigay ng mga natatanging artifact, personal na data at trade secret sa pampublikong AI; Gumamit ng generic na proxy.
• Etika: transparency, responsibilidad, non-maleficence, honesty ang apat na pangunahing prinsipyo.
• Sa isang end-to-end na daloy ng trabaho, ang AI ay bumibilis sa bawat yugto; ang mga tao ay nagpapatunay at nagmamay-ari.
• Ilagay ang mga gate ng pag-apruba ng tao sa mga kritikal na punto (seguridad, resulta) at panatilihin ang traceability.

Gawain ng aplikasyon

Pumili ng sarili mong proyekto (totoo o hypothetical) at magdisenyo ng AI-human workflow mula simula hanggang matapos. Iangkop ang 9-stage na talahanayan sa itaas sa iyong sariling proyekto: ano ang gagawin ng AI sa bawat yugto, ano ang aaprubahan ng tao? Mag-apply ng privacy pre-filter: anong impormasyon ang hindi mo ibinibigay sa AI, paano mo ito i-genericize? Tukuyin ang hindi bababa sa dalawang gate ng pag-apruba ng tao at isang paraan ng traceability. Sumulat ng isang pahinang "workflow at plano sa pag-verify."

checklist

• [ ] Sa eksperimento, naunawaan ko ang prinsipyo ng tao at kung bakit ito kinakailangan.
• [ ] Binubuo ko ang nakatagong istraktura/data nang hindi ibinibigay ito sa pangkalahatang AI.
• [ ] Sumusunod ako sa mga prinsipyo ng transparency, responsibilidad, non-maleficence at honesty.
• [ ] Pinaghiwalay ko ang mga tungkulin ng AI/tao sa end-to-end na daloy ng trabaho.
• [ ] Inilalagay ko ang mga gate ng pag-apruba ng tao sa mga kritikal na punto.
• [ ] Sinusubaybayan ko kung anong output ang nagmumula sa AI at kung paano ito na-verify.

Pagsusulit sa Module

1. Alin sa mga sumusunod ang pinakatumpak na pagpoposisyon para sa artificial intelligence sa chemistry?

• A) Ang artificial intelligence ay isang code, draft at katulong sa pag-edit; Ang responsibilidad para sa istruktura, numero, mapagkukunan, seguridad at etikal na mga desisyon ay nakasalalay sa mga tao ✔
• B) Ang artificial intelligence ay isang chemistry engine at ang mga molekular na timbang na ibinibigay nito ay palaging eksakto.
• C) Gumagana lamang ang artificial intelligence sa pagsusuri sa panitikan, wala itong kinalaman sa pagsusuri at seguridad
• D) Dahil ang artificial intelligence ay mas walang kinikilingan kaysa sa mga tao, ang mga desisyon sa seguridad ay dapat na ipaubaya dito

Paglalarawan: Artipisyal na katalinuhan; Isa itong katulong na nagsusulat ng code, gumagawa ng mga draft, gumagawa ng retrosynthesis skeleton, tumutulong at nag-aayos ng spectrum interpretation. Gayunpaman, ang deterministikong pagkalkula ng timbang ng molekular at stoichiometry, pag-verify ng istraktura na may RDKit, pagkumpirma ng mga pagsipi sa database, desisyon ng kaligtasan sa SDS / GHS at ang pangwakas na responsibilidad ay nabibilang sa karampatang chemist. Ang modelo ng malaking wika ay hindi isang calculator o isang chemistry engine; Ito ay isang text generator na gumagawa ng 'susunod na pinaka-malamang na salita' at ang hindi na-verify na output nito ay maaaring humantong sa isang hindi tamang istraktura, numero o panganib.

2. Ano ang pinaka-maaasahang paraan upang ilarawan ang isang molekula sa artificial intelligence?

• A) Pagsusulat lamang ng karaniwang pangalan ng Turko
• B) Pagbibigay ng representasyon ng istruktura tulad ng SMILES at pagkumpirma ng pagkakakilanlan gamit ang InChIKey ✔
• C) Sinasabi lang ang molekular na timbang
• D) Sapat na isulat ang trademark

Paliwanag: Ang mga pangalan (lalo na ang mga pangalan ng kalakalan at kasingkahulugan) ay hindi maliwanag at maaaring humantong sa maling molekula. Ang pagbibigay sa molekula ng structure notation tulad ng SMILES ay nagbibigay ng katumpakan; Ang kanyang pagkakakilanlan ay nakumpirma sa database sa InChIKey. Bilang karagdagan, ang mga SMILES na ibinigay ng artificial intelligence ay dapat ma-parse sa RDKit at ma-verify sa pamamagitan ng canonicalization.

3. Paano mo dapat gamitin ang molecular weight na ibinigay ng artificial intelligence?

• A) Direktang paggamit nito, dahil ang AI ay maaasahan sa mga numero
• B) Kalkulahin at i-verify nang hiwalay mula sa formula nang manu-mano o gamit ang RDKit ✔
• C) Ito ay sapat lamang na magtanong ng isa pang artipisyal na katalinuhan at ihambing
• D) Ang bigat ng molekular ay hindi mahalaga, hindi na kailangan para sa pagpapatunay

Paliwanag: Ang bigat ng molekular ay isang dami na deterministikong kinakalkula mula sa molecular formula. Kaya ang pagtatanong sa modelo ng wika ay ang pinakamahinang paraan; Dapat itong independiyenteng ma-verify gamit ang isang tool tulad ng RDKit o sa pamamagitan ng pagkalkula nito nang manu-mano mula sa isang formula. Ang modelo ng wika ay maaaring magkasya sa mga naturang numero na may isang 'malamang na naghahanap' na halaga.

4. Ano ang dapat gawin bago gumamit ng literature citation (article/DOI) na ibinalik ng artificial intelligence?

• A) Wala; Kung ang artificial intelligence ay nagbibigay ng sanggunian, ito ay totoo
• B) Ang pagtingin lamang sa pamagat upang magmukhang kapani-paniwala ay sapat na.
• C) Pagkumpirma sa bawat pagsipi at DOI sa pamamagitan ng pag-decode ng mga ito sa isang database (doi.org, Crossref) ✔
• D) Ang mahabang numero ng DOI ay nagpapatunay na ito ay totoo.

Paglalarawan: Ang modelo ng wika ay maaaring makabuo ng mga artikulo, may-akda, at DOI na mukhang makatotohanan ngunit hindi umiiral (pekeng pagsipi). Dahil lamang sa nagbibigay ito ng DOI ay hindi nangangahulugan na ito ay wasto. Ang bawat pagsipi ay dapat ma-verify sa pamamagitan ng resolusyon sa isang database gaya ng doi.org, Crossref, o site ng publisher; Ang pinakaligtas na daloy ay para sa isang tao na mahanap ang tunay na artikulo at ang teksto ay buod sa pamamagitan ng artificial intelligence.

5. Saang lugar pinakamahina ang artificial intelligence at nangangailangan ng kumpirmasyon sa pagpaplano ng reaksyon?

• A) Sa pagkilala kung saang pangkalahatang klase nabibilang ang reaksyon
• B) Mga numero ng eksaktong kundisyon, mga halaga ng ani at mga pangalan ng reagent/catalyst ✔
• C) Pagpapaliwanag ng mekanismo sa simpleng wika
• D) Brainstorming para sa mga alternatibong ruta

Paliwanag: Karaniwang hinuhulaan ng AI ang uri ng reaksyon at ang pangunahing produkto ng mahusay na dokumentadong reaksyon. Gayunpaman, ang mga eksaktong numero ng kundisyon (temperatura, oras, katumbas), mga halaga ng ani, mga bihirang reaksyon, at mga pangalan ng reagent/catalyst ay ang pinakamahina at pinaka-prone sa katha; ang mga ito ay dapat kumpirmahin sa panitikan at mga katalogo.

6. Ano ang pinaka-maaasahang paraan ng paggamit ng artificial intelligence sa spectrum interpretation?

• A) Magbigay lamang ng ilang peak at itanong 'anong spectrum ito?' magtanong
• B) Pagbibigay ng inaasahang istruktura at buong raw data at pagkakaroon ng consistency check (hypothesis testing) ✔
• C) Sinusulat lamang ang mga halaga ng shift nang hindi nagsasagawa ng pagsasama at paghahati
• D) Ang pagkakaroon ng tiyak na pagtatalaga ng istraktura na ginawa gamit ang isang pamamaraan (IR lamang)

Paglalarawan: Tanungin ang AI 'aling tambalan ang spectrum na ito?' Ang pagtatanong mula sa simula ay nagpapataas ng rate ng error. Ang pinaka-maaasahang paraan ay ang pagsama-samahin ang inaasahang istraktura (SMILES) at ang raw data (integration, splitting, solver, peak list) at itanong 'naaayon ba ang data na ito sa istrukturang ito?' ay magtanong; iyon ay, ang paggamit ng artificial intelligence bilang isang hypothesis tester. Ang huling takdang-aralin ay para sa chemist na sinusuri ang eksperimentong spectrum.

7. Ano ang pinaka-maaasahang paraan upang makuha ang resulta ng pagkalkula ng kemikal (hal. porsyentong ani)?

• A) Paghiling ng resulta nang direkta mula sa artificial intelligence sa salita
• B) I-print at patakbuhin ang Python code ng account at subukan ito gamit ang isang kilalang halimbawa ✔
• C) Magtanong ng parehong tanong nang maraming beses at kunin ang numero na pinakamadalas na lumalabas
• D) Mabilis na pagtatantya nang hindi tinukoy ang yunit

Paliwanag: Ang modelo ng wika ay gumagawa ng aritmetika sa pamamagitan ng 'paghula sa malamang na kahihinatnan' at maaaring mali kahit na may napakasimpleng pagpaparami. Ang pinaka-maaasahang paraan ay ang ipasulat sa AI ang CODE nito (hal. Python), hindi ang account mismo, at patakbuhin ang code na iyon; ang code ay deterministic at auditable. Dapat ding masuri ang code gamit ang isang maliit na sample na alam ang sagot.

8. Ano ang ibig sabihin ng konsepto ng 'domain of applicability' sa hula ng molecular property?

• A) Kapangyarihan sa pagpoproseso ng computer kung saan tumatakbo ang modelo
• B) Molekular na rehiyon na katulad ng data ng pagsasanay, kung saan ang modelo ay nagbibigay ng maaasahang mga hula ✔
• C) Assurance area kung saan ang numerong ibinigay ng modelo ay palaging eksakto
• D) Saklaw ng temperatura kung saan maaaring ma-synthesize ang molekula sa laboratoryo

Paliwanag: Ang isang modelo ng QSAR/hula ay mahusay na gumagana sa mga molekula na katulad ng mga molekula kung saan ito sinanay. Dahil sa isang molekula na ibang-iba sa data ng pagsasanay, ang modelo ay gumagawa pa rin ng isang numero, ngunit ito ay hindi mapagkakatiwalaan; ito ay tinatawag na 'pagiging nasa labas ng saklaw ng pagkakalapat'. Ang modelo ay laging nagbibigay ng sagot; Nasa tao ang pagsusuri kung ang sagot ay maaasahan o hindi.

9. Ano ang tamang diskarte sa pagharap sa mga obserbasyon sa dokumentasyon ng eksperimento?

• A) Pagsusulat ng mga obserbasyon sa artificial intelligence upang makatipid ng oras
• B) Ang taong gumagawa ng eksperimento ay nagsusulat ng mga obserbasyon; Ang AI lang ay nag-format at nagsusuri ✔
• C) Sapat na hindi itala ang mga obserbasyon, isulat lamang ang huling ani
• D) Pagtatago ng mga paglihis mula sa plano upang maging maganda ang ulat

Paliwanag: Hindi alam ng artificial intelligence kung ano ito; Ang paggawa ng mga obserbasyon (pagbabago ng kulay, paglabas ng gas, atbp.) na umaangkop dito ay nagbubunga ng mga rekord na tila kapani-paniwala ngunit hindi nangyari, at ito ay siyentipikong panloloko. Pino-format ng AI ang pag-record, inaalala ang mga nawawalang field, at sinusuri para sa pag-uulit; ngunit ang taong eksperimento ay dapat magbigay ng mga obserbasyon at katotohanan. Dapat ding itala ang mga paglihis sa plano.

10. Ano ang papel ng artificial intelligence sa kaligtasan ng laboratoryo at ang pinagmulan ng katotohanan?

• A) Kung ang artificial intelligence ay nagsasabing 'ligtas', hindi na kailangan ng ibang source
• B) Ang pinagmulan ng katotohanan ay SDS at GHS; Ang AI ay kapaki-pakinabang ngunit hindi maaaring magkaroon ng panghuling say ✔
• C) Ang mga desisyon sa seguridad ay maaaring ganap na italaga sa artificial intelligence
• D) SDS ay hindi kailangan; Ang mga forum sa Internet ay nagbibigay ng sapat na impormasyon.

Paglalarawan: Ang kaligtasan ay ang pinakamataas na priyoridad sa chemistry, at hindi kailanman maaaring magkaroon ng huling salita ang artificial intelligence dito. Ang pinagmulan ng aktwal na impormasyon sa kaligtasan ay ang SDS (Safety Data Sheet) at klasipikasyon ng GHS na ibinigay ng tagagawa. Maaaring ibuod ng AI ang teksto ng SDS, bumuo ng mga draft ng form at magsagawa ng paunang pagsusuri sa hindi pagsunod; Gayunpaman, ang lahat ng mga paghahabol ay dapat na ma-verify sa SDS at ang pamamaraan ay dapat na aprubahan ng isang may karanasan na tao/opisyal ng seguridad.

11. Alin sa mga sumusunod na kumbinasyon ng mga reagents ang kilala na mapanganib (hindi tugma) na tugma?

• A) Paghahalo ng tubig at table salt
• B) Paghahalo ng acidic na solusyon sa solusyon na naglalaman ng hypochlorite (panganib ng chlorine gas) ✔
• C) Paghahalo ng ethanol at tubig
• D) Pagtunaw ng asukal at tubig

Paliwanag: Bagama't ang ilang mga kemikal ay medyo ligtas nang nag-iisa, ang mga ito ay mapanganib nang magkasama. Ang paghahalo ng acid at hypochlorite ay naglalabas ng chlorine gas; Ang Oxidizer + organic ay nagdudulot ng panganib ng sunog/pagsabog, tubig + reaktibong metal na init/hydrogen. Bagama't alam ng AI ang karamihan sa mga kumbinasyong ito, hindi nito ginagarantiya ang lahat ng mga ito at kung minsan ay maaaring magpakita ng isang mapanganib na mungkahi sa inosenteng wika; dapat suriin ang bawat pamamaraan para sa hindi pagsunod sa SDS.

12. Ano ang pinakatumpak na expression para sa 'hallucination' (artificial intelligence na gumagawa ng gawa-gawang impormasyon)?

• A) Ito ay isang bihirang error sa software at ganap na naalis sa isang update.
• B) Ito ay isang pag-uugali na likas sa modelo ng wika; Ang solusyon ay independiyenteng i-verify ang bawat output ✔
• C) Lumalabas lamang ito sa mga maling nakasulat na prompt, hindi kailanman sa tamang mga prompt.
• D) Kung ang artificial intelligence ay nagsasalita sa isang ligtas na wika, ito ay hindi isang guni-guni

Paliwanag: Ang guni-guni ay hindi isang malfunction ngunit resulta ng likas na katangian ng modelo ng wika na gumagawa ng 'susunod na pinaka-malamang na salita'; Nilalayon ng modelo ang posible, hindi ang totoo. Ang pinaka mapanlinlang na bahagi ay ang pagpapakita nito ng maling impormasyon sa parehong tiwala na wika gaya ng katotohanan. Ang solusyon ay hindi upang subukang ayusin ang modelo, ngunit upang bumuo ng isang angkop na uri ng pagpapatunay na shell sa paligid ng bawat output; Ang katatasan ay hindi kailanman patunay ng katumpakan.

13. Ano ang ibig sabihin ng 'triangulation' para i-verify ang isang kritikal na halaga (hal. molecular weight)?

• A) Tatlong beses na nagtatanong ng parehong tanong sa parehong artificial intelligence
• B) Paghahambing at pag-abot sa parehong konklusyon sa higit sa isang malayang paraan ✔
• C) Pagkalkula ng bigat ng tatlong magkakaibang molekula sa parehong oras
• D) Pag-round sa resulta sa tatlong decimal na lugar

Paliwanag: Ang triangulation ay umaabot sa parehong konklusyon sa pamamagitan ng maraming independiyenteng mga landas; Halimbawa, ang paghahambing ng bigat ng molekular ayon sa artificial intelligence, pagkalkula ng RDKit at manu-manong pagkalkula. Kung mag-overlap ang dalawang independyenteng landas, mataas ang tiwala; Kung may lumihis, ito ay ititigil at iniimbestigahan. Sa halip na umasa sa isang mapagkukunan, hindi bababa sa dalawang independiyenteng pamamaraan ang dapat hanapin.

14. Ano ang tamang paraan upang magtanong sa isang pangkalahatang serbisyo ng AI tungkol sa isang natatanging molekula na hindi pa na-patent?

• A) Direktang pagbibigay ng orihinal na istraktura, dahil mahalaga ang bilis
• B) Pag-aaral ng diskarte sa pamamagitan ng generic/kapalit na halimbawa nang hindi inilalantad ang orihinal na istraktura ✔
• C) Ang pagbibigay ng istraktura ay hindi isang problema, ang AI ay hindi nagtatago ng impormasyon
• D) Ang hindi pagbibigay ng pangalan ng molekula ngunit ang pagbabahagi lamang ng buong SMILES nito ay sapat na proteksyon.

Paglalarawan: Ang nilalamang ipinasok sa isang pangkalahatang serbisyo ng artificial intelligence ay maaaring itago o iproseso ayon sa patakaran ng serbisyo; Ang pagbibigay ng orihinal na istraktura ay nanganganib sa pagiging kumpidensyal at priyoridad ng patent. Ang tamang diskarte ay upang matutunan ang diskarte mula sa isang generic / surrogate na halimbawa (isang katulad na klase ng mga istruktura) at ilapat ito sa sarili nitong molekula sa loob ng bahay, nang hindi inilalantad ang orihinal na istraktura. Ang data ng personal/pasyente ay hindi rin dapat ilagay sa isang makikilalang anyo.