#processdev #chemoinformatics #AI
Время на прочтение - 5 минут
Сложность - 6/10
Недавно я наткнулся в одном из каналов по интересам на пост про использование чат-ботов в 2024. Я согласен, что до сих пор LLM-инструменты воспринимаются как некая игрушка, хотя при умелом применении можно повысить собственную производительность и загрузить мозг вещами поважнее.🧠
Что я хотел бы подчеркнуть. Писать промты не такая уж тривиальная задача - вы не просто 'разговариваете' с LLM, а скорее взаимодействуете с цифровым попугаем. Без четкого ТЗ, любая LLM выдаст пургу похлеще Остапа Бендера. Чтобы повысить шансы выбить что-то адекватное нужно четко расписывать, что вам хочется, как в URS. Вот например, разработчики Claude оставили хорошую инструкцию по промтам - находите нужный для вас кейс и копируете в любимую LLM.✍️
Переходя к теме канала, говоря о популярных чат-ботах и химии. Да, до сих пор в обществе самый популярный инструмент это ChatGPT, несмотря на грядущий кризис в OpenAI. Но по моему, и не только, мнению голый ChatGPT абсолютно не подходит для применения в исследовательских работах. Да там удобно накидать план развития или сформулировать письмо, но когда речь заходит о химии, то начинается бред сумасшедшего.🤪
Мне лично, на текущий момент, инструменты perplexity.ai и typeset.io кажутся наиболее продуктивными для работы с литературой и около-научными данными📖
➖Первый может помочь найти информацию, которую легко упустить при гуглении, так как использует Copilot в придачу, ну и картиночки с графиками он лучше строит, при грамотном промте.
➖А второй это база с метаданными по 200 млн. статей и следовательно будет возможность найти реальную статью по заданной теме. Да, классический ручной лит.обзор пока не заменит, но снизит риски пропустить интересную статью/патент.
Для обычных запросов - а-ля "как сварить борщ" или поискать по тексту, можно бесплатно поднять локальную модель, например с помощью lmstudio.ai.
Так или иначе это не отменяет важности формулирования промтов.
Окей, это все равно еще общее применение, что насчет именно химии. Тут я приведу три адекватных freeware примера:
🔜Coscientist - скорее нацелен на взаимодействие с оборудованием для HTE и планирование экспериментов. В быту использовать не получилось, но не отметить тут не мог.
🔜ChemCrow - по личному опыту, больше всего похоже на "GPT для химии", можно проверить запатентована ли молекула, может предсказать ретросинтез (как умеет) или даже подсказать стоимость молекулы. Работает эта штука на основе того самого RoboRXN с использованием GPT-4. Запускать надо локально и нужен API ключ. В рабочем быту может быть полезен, но эквиваленты модулей, которые есть в свободном доступе, уже давно лично реализованы собственными приложениями в Streamlit для моих падаванов.
🔜LLM-RDF - название конечно так себе. В приложение входят различные агенты, начиная от дизайна эксперимента и заканчивая рекомендациями по очистке вещества. Туда даже Байесовскую оптимизацию и обработку спектров запихали. Да, это докрутка того же самого GPT, но разработанные агенты, работают на порядок адекватнее сырого GPT.
Поиграться можно без всяких установок прям сейчас по ссылке выше. В SI есть интересные примеры промтов. Разработка локально работает с автономными моделями типа Llama 3.1, но без дискретной GPU смысла от этого немного, очевидно🔥. От себя добавлю, что первичные результаты для планирования экспериментов выглядят не так уж ужасно.
🔤Моя основная мысль - умение промтить и использовать LLM для рутинных задач постепенно становится обязательным навыком, для сохранения собственного конкурентного преимущества на рынке труда.
Да, в сфере химической разработки чат-боты пока что не нашли широкого применения, но очевидно, что начало уже положено. Если брать в общем, уже сейчас в исследовательской деятельности коммерческие чат-боты позволяют значительно оптимизировать рабочее время, конечно при условии грамотного использования.
Если, я пропустил, интересные на ваш взгляд инструменты, пишите👇
- Пост - 30 минут
- Иллюстрации - 0 минут