Η Microsoft παρουσίασε νέα μοντέλα τεχνητής νοημοσύνης για προγραμματισμό, κυβερνοασφάλεια και δημιουργία ψηφιακού περιεχομένου, με στόχο πιο εξειδικευμένες εφαρμογές και μεγαλύτερη αποδοτικότητα. Σε αυτό το άρθρο θα δείτε τι είναι γνωστό για το MAI Code 2 και το μοντέλο ασφάλειας, πώς εντάσσονται στη στρατηγική της εταιρείας και τι χρειάζεται να εξετάσουν οι ομάδες πριν τα υιοθετήσουν.
Οι ανακοινώσεις έγιναν στο συνέδριο Ignite στο Σαν Φρανσίσκο και αφορούν μια νέα σειρά μοντέλων τεχνητής νοημοσύνης για διαφορετικές επαγγελματικές ανάγκες. Ανάμεσά τους ξεχωρίζει το MAI Code 2, ένα μοντέλο σχεδιασμένο να υποστηρίζει εργασίες ανάπτυξης λογισμικού.
Η Microsoft υποστηρίζει ότι το μοντέλο μπορεί να πλησιάσει τις επιδόσεις ανταγωνιστικών συστημάτων με σημαντικά χαμηλότερο κόστος. Πρόκειται για εταιρικό ισχυρισμό, όχι για ανεξάρτητη σύγκριση που αρκεί από μόνη της για να αποφασίσει μια ομάδα ποιο εργαλείο θα χρησιμοποιήσει. Η απόδοση χρειάζεται να αξιολογείται με πραγματικά έργα και μετρικές που ανταποκρίνονται στις ανάγκες κάθε οργανισμού.
Ένα μοντέλο AI για προγραμματισμό μπορεί να υποστηρίξει εργασίες όπως η παραγωγή κώδικα, η επεξήγηση αποσπασμάτων, η πρόταση διορθώσεων και η δημιουργία δοκιμών. Η αξία του εξαρτάται από το κατά πόσο οι προτάσεις του είναι ακριβείς, συμβατές με το υπάρχον περιβάλλον και εύκολες στον έλεγχο από τους προγραμματιστές.
Οι ομάδες δεν πρέπει να αντιμετωπίζουν τον παραγόμενο κώδικα ως έτοιμο για παραγωγή χωρίς έλεγχο. Χρειάζονται αναθεώρηση από άνθρωπο, αυτοματοποιημένες δοκιμές, ελέγχους εξαρτήσεων και εφαρμογή των υφιστάμενων κανόνων ασφαλούς ανάπτυξης. Για πρακτικές αναφοράς, το OWASP Top 10 για εφαρμογές μεγάλων γλωσσικών μοντέλων περιγράφει κινδύνους που σχετίζονται με την ενσωμάτωση και τη χρήση τέτοιων συστημάτων.
Η Microsoft παρουσίασε επίσης ένα μοντέλο προσανατολισμένο στην κυβερνοασφάλεια, το οποίο αρχικά θα είναι διαθέσιμο σε περιορισμένο αριθμό πελατών. Η εστίασή του είναι σχετική με έναν τομέα όπου οι ομάδες χρειάζεται να εξετάζουν μεγάλους όγκους πληροφοριών, να εντοπίζουν ενδείξεις απειλών και να ανταποκρίνονται γρήγορα σε περιστατικά.
Η τεχνητή νοημοσύνη μπορεί να βοηθήσει στην ταξινόμηση ειδοποιήσεων και στη σύνθεση δεδομένων, αλλά δεν αντικαθιστά την κρίση των ειδικών ασφαλείας. Οι οργανισμοί πρέπει να εξετάζουν πώς προστατεύονται τα δεδομένα, ποιος έχει πρόσβαση στα αποτελέσματα και πώς ελέγχονται πιθανές λανθασμένες επισημάνσεις. Η περιορισμένη αρχική διάθεση υποδηλώνει ότι η πρόσβαση και οι όροι χρήσης θα εξαρτηθούν από το πρόγραμμα διάθεσης της εταιρείας.
Αντί ένα γενικό μοντέλο να επιχειρεί να καλύψει κάθε πιθανή χρήση, τα εξειδικευμένα συστήματα σχεδιάζονται γύρω από συγκεκριμένες εργασίες, όπως η δημιουργία κώδικα ή η ανάλυση απειλών. Αυτή η προσέγγιση μπορεί να διευκολύνει τη βελτιστοποίηση της απόδοσης και του κόστους για συγκεκριμένα σενάρια, αλλά δεν εγγυάται αυτομάτως καλύτερα αποτελέσματα.
Η επιλογή εξαρτάται από παράγοντες όπως η ποιότητα των απαντήσεων, η καθυστέρηση, το κόστος ανά χρήση, η συμβατότητα με τα υπάρχοντα εργαλεία και οι απαιτήσεις ιδιωτικότητας. Οι εταιρείες χρειάζεται επίσης να διακρίνουν τις δυνατότητες που έχουν ανακοινωθεί από εκείνες που είναι ήδη διαθέσιμες και επαληθευμένες στην πράξη.


































