OpenAI உடன் Block: செயற்கை நுண்ணறிவுப் பாதுகாப்பு

Square, Cash App, Afterpay ஆகியவற்றை வழங்கும் Block நிறுவனத்தின் பாதுகாப்புக் குழு, OpenAI Defense Factory-ஐப் பயன்படுத்துகிறது. எந்த மனிதக் குழுவாலும் ஈடுகொடுக்க முடியாத அளவில், பாதுகாப்புப் பாதிப்புகளைக் கண்டறிதல், அச்சுறுத்தல்களைக் கண்டறிதல், எதிர்வினையாற்றுதல் ஆகிய பணிகளை இங்கு செயற்கை நுண்ணறிவு கையாள்கிறது. OpenAI Daybreak உள்ளிட்ட செயற்கை நுண்ணறிவு அமைப்புகளைக் கொண்டு, முன்பு வாரக்கணக்கில் எடுத்த பணிகளை இப்போது சில மணிநேரங்களிலேயே Block முடிக்கிறது.

நிரல் உருவாக்கம் முதல் பாதுகாப்புச் செயல்பாடுகள் வரை, பணிச்செயல்முறைகள் அனைத்திலும் செயற்கை நுண்ணறிவைப் பொறுப்புடன் பயன்படுத்துவதில் Block-இன் பாதுகாப்புக் குழு கவனம் செலுத்தி வருகிறது. “உங்கள் பணியளவு அதிகரிக்கும்போது அதற்கேற்பச் செயல்படக்கூடிய புதிய சக பணியாளரைப் பெறுவதே இதன் மைய நோக்கம்,” என்கிறார் தலைமைத் தகவல் பாதுகாப்பு அதிகாரி ஜேம்ஸ் நெட்டஸ்ஹைம். “ஒவ்வொரு படியாக வழிகாட்ட வேண்டிய வழக்கமான தானியக்கத்தைப் போன்றதல்ல இது. உங்கள் தேவைக்கே உரிய, தெளிவற்ற ஒரு சிக்கலைக்கூட இதனிடம் முன்வைத்து, இணைந்து தீர்வு காணலாம்.”

மென்பொருள் பிழையை ஆய்வு செய்வது அல்லது பதிவைப் பகுத்தறிவது போன்ற பணிகளை முடிக்க முன்பு நாட்கள் அல்லது வாரங்கள் ஆகும். இப்போது அதில் ஒரு சிறு பகுதி நேரத்திலேயே அந்தப் பணிகளைக் குழுவால் முடிக்க முடிகிறது. அதே நேரத்தில், ஒவ்வொரு முடிவையும் மனிதர் சரிபார்ப்பது தொடர்கிறது.

உதாரணமாக, அச்சுறுத்தல் கண்டறிதலைச் செம்மைப்படுத்துவதற்காக, ஒவ்வொரு விசாரணையிலும் வினவலின் மூலச் சான்றுகள் சேமிக்கப்படுகின்றன. இதனால், கண்டறிதலில் பரிந்துரைக்கப்படும் மாற்றத்தை ஏழு மாத நேரடிச் செயல்பாட்டுக் கண்காணிப்புத் தரவுகளில் மீண்டும் இயக்கி, ஒரு மணிநேரத்திற்குள் குழுவால் சோதிக்க முடிகிறது. முன்பு இதற்காக நூற்றுக்கணக்கான பழைய சம்பவங்களை மனிதர்களே மீண்டும் வினவிச் சரிபார்க்க வேண்டியிருந்தது. அதற்கு அதிக நேரம் தேவைப்பட்டதால், நடைமுறையில் அது அரிதாகவே செய்யப்பட்டது.

எந்தப் பணிக்கு எந்த மாடலைப் பயன்படுத்துவது என்பதையும் குழு இப்போது அதிகக் கவனத்துடன் தேர்வு செய்கிறது. “முன்பு நாங்கள் மிகப் புதிய மாடலைப் பயன்படுத்துவோம். ஆனால் இப்போது அப்படிச் செய்ய வேண்டியதில்லை,” என்கிறார் அவர். “வெவ்வேறு பணிகளுக்கு வெவ்வேறு மாடல்களைத் தேர்ந்தெடுப்பது ஒரு கற்றல் அனுபவமாக இருந்துள்ளது.” பணிகளைச் சரியான மாடலுக்கு அனுப்ப உதவும் வகையில், Block-இன் பாதுகாப்புச் சூழல் பணி அமைவு Daybreak-ஐ அடிப்படையாகக் கொண்டு உருவாக்கப்பட்டுள்ளது. மனிதர்கள் பணிகளைத் தங்கள் கட்டுப்பாட்டில் எடுத்துக்கொள்ளவும், முகவர்கள் ஒன்றின் பணியை மற்றொன்று சரிபார்க்கவும் இதில் வசதிகள் உள்ளன. உள் மதிப்பீட்டு அளவுகோல்களையும் நிஜ உலகச் செயல்திறனையும் கொண்டு இந்த அமைப்புகளைக் குழு தொடர்ந்து மதிப்பிடுகிறது. தேவைப்படும்போது அணுகுமுறையை மாற்றிக்கொள்கிறது. மனித மதிப்பாய்வே பொறுப்பான வழி என்றால், பணிகளை அதற்கு அனுப்புவதும் இதில் அடங்கும்.

தானியங்கி முன்னுரிமை மதிப்பீட்டு அமைப்பால், அதிகப் பணிகளை மேலும் விரைவாக முடிக்க முடிகிறது. Block-இன் பாதுகாப்புக் குழுவில், முன்னுரிமை மதிப்பீட்டுத் த்ரூபுட் 50% உயர்ந்துள்ளது. அச்சுறுத்தல் தகவல் சேகரிப்பும் விசாரணைகளும் 50% அதிகரித்துள்ளன. அத்துடன், தன்னிச்சையாக அச்சுறுத்தல்களைத் தேடும் முற்றிலும் புதிய திறனும் கிடைத்துள்ளது. நெட்டஸ்ஹைம் கூறுகிறார்: “இது ஒவ்வொரு காலாண்டிலும் சுமார் 1,100 பகுப்பாய்வாளர் மணிநேரங்களுக்கு இணையான விசாரணைப் பணியைச் செய்கிறது. ஏனென்றால், இப்போது ஒவ்வொரு எச்சரிக்கையிலும் அதனுடன் தொடர்புடைய அனைத்து அம்சங்களும் முழுமையாகவும் ஆழமாகவும் விசாரிக்கப்படுகின்றன. அன்றைய தினம் எங்களுக்குக் கிடைத்த ஒரே எச்சரிக்கை அதுதான் என்பதுபோல், ஒவ்வொரு எச்சரிக்கையையும் எங்கள் அமைப்பு கையாள்கிறது.”

வழக்கமான பரிசோதனைக் கருவிகள் ஒரு பாதிப்பைத் தனியாகச் சுட்டிக்காட்டுகின்றன. ஆனால் Daybreak மூலம் Block-இன் பாதுகாப்புக் குழு அதையும் தாண்டிச் செயல்பட முடிகிறது. தாக்குதல் முறைகளைப் பற்றிய கருதுகோள்களை உருவாக்கவும், தொடர் தாக்குதல்களை இணைத்து ஓர் அமைப்பை முழுமையாக ஊடுருவுவதற்கான பாதையைக் கண்டறியவும் மாடல் உதவுகிறது. இதன் மூலம் பல ஆண்டுகளாக இருந்திருக்கக்கூடிய பாதிப்புகளும் வெளிப்படுகின்றன.

ஒரு சம்பவத்தில், தனியொரு மடிக்கணினியில் எழுந்த எச்சரிக்கையை மட்டும் பார்த்தபோது, அது ஒரு சிறிய கொள்கை மீறலாகத் தோன்றியது. ஆனால் சக மதிப்பாய்வின்போது, சான்றுகளில் தற்செயலாகத் தென்பட்ட ஒரு தடயத்தை மாடல் பின்தொடர்ந்தது. அதை Block-இன் அடையாளப் பதிவுகளுடன் ஒப்பிட்டு இணைத்து, மேலும் பல சிக்கல்களை வெளிக்கொணர்ந்தது. “ஒரு சாதனத்திலிருந்து வந்த வழக்கமான எச்சரிக்கை, முழுத் தாக்குதல் நடவடிக்கையையும் முறியடிக்க வழிவகுத்தது. எந்தவொரு தனிக் கருவியும் அந்தத் தொடர்பைக் கண்டறிவதில்லை. இரண்டு தயாரிப்புகளின் பதிவுகளை இணைத்துப் பார்த்தால் மட்டுமே அந்தத் தடயம் கிடைக்கும்,” என்கிறார் ஜேம்ஸ்.

சமீபத்திய தாக்குதல் உருவகப்படுத்தல் பயிற்சி, Daybreak உதவியதற்கான மற்றொரு எடுத்துக்காட்டு. ஓர் உள் அமைப்பைப் பற்றி மாடலுக்குச் சில குறிப்புகள் வழங்கப்பட்டன. சுமார் இரண்டு மணிநேரத்தில் அது ஒரு முழுத் தாக்குதல் பாதையை இணைத்துக் காட்டியது: SQL உட்செலுத்தல், அணுகல் உரிமைகளை உயர்த்துதல், நிலையான அணுகலைப் பெறுதல், உள்நுழைவுச் சான்றுகளைப் பட்டியலிடுதல், பிற அமைப்புகளுக்குள் ஊடுருவுதல் ஆகியவை அதில் அடங்கும். பொதுவாக, ஒரு ரெட் டீமிங் நிபுணர் இதைச் செய்யப் பல நாட்கள் ஆகும். சமீபத்திய தாக்குதல் உருவகப்படுத்தல் பயிற்சிகளில், பாதிப்பின் மேலோட்ட விவரங்களைச் சமர்ப்பித்ததிலிருந்து தானியங்கித் திருத்தம் பரிந்துரைக்கப்படும் வரை ஆன நேரம் 18 நிமிடங்கள்.

பாதிப்புகளைக் கண்டறிவதன் பயன், அவற்றைச் சரிசெய்யும் திறனைப் பொறுத்தே அமைகிறது. கண்டறியப்படும் ஒவ்வொரு சிக்கலுக்கும் தன் குழு பின்பற்றும் செயல்முறையை நெட்டஸ்ஹைம் விளக்குகிறார்: நிரலில் சிக்கல் எங்குள்ளது என்பதையும், அதற்குப் பொறுப்பானவர் யார் என்பதையும் கண்டறிந்து, பின்னர் அதைச் சரிசெய்ய வேண்டும். “ஒரு திருத்தத்தைப் பரிந்துரைத்து, அந்தப் பாதிப்பைத் தாக்குதலுக்குப் பயன்படுத்த முடியுமா என்பதை உறுதிசெய்து, பிறகு அதைச் சரிசெய்துவிட்டீர்களா என்று சரிபார்க்கிறீர்கள். இந்தச் செயல்முறையில் ஒரு மனிதர் வழிகாட்டி, நிரல் மாற்றங்களைச் செயல்படுத்துகிறார்.”

முகவர்களுக்குத் தொழில்நுட்பத் திறன் இருந்தாலும், ஒரு நிறுவனத்தின் பின்னணியோ முந்தைய முடிவுகளுக்கான காரணங்களோ அவற்றுக்குத் தெரியாது. அந்தப் பின்னணியையும் செயல்திட்டத்தையும் ஒரு மனிதர்தான் வழங்குகிறார். இங்குதான் மனித மதிப்பாய்வை வழங்க அவரது குழு பங்காற்றுகிறது. செயற்கை நுண்ணறிவின் முடிவெடுக்கும் திறன் நடைமுறையில் நிரூபிக்கப்படும்போது, “அதிக உணர்திறன் வாய்ந்த அமைப்புகளிலும் இதைப் பயன்படுத்தும் வகையில், நாங்கள் ஏற்கும் இடர் அளவைப் படிப்படியாக உயர்த்துவோம்,” என்கிறார் நெட்டஸ்ஹைம்.

• கண்டறிதலில் பரிந்துரைக்கப்படும் மாற்றத்தை ஏழு மாதக் கண்காணிப்புத் தரவுகளில் மீண்டும் சோதிக்க ஒரு மணிநேரத்திற்கும் குறைவான நேரம்.

• சமீபத்திய தாக்குதல் உருவகப்படுத்தல் பயிற்சிகளில், பாதிப்பின் மேலோட்ட விவரங்களைச் சமர்ப்பித்ததிலிருந்து தானியங்கித் திருத்தம் பரிந்துரைக்கப்படும் வரை 18 நிமிடங்கள்.

• தவறான எச்சரிக்கைகளின் முன்னுரிமை மதிப்பீட்டில், ஒவ்வொரு காலாண்டிலும் சுமார் 600 பகுப்பாய்வாளர் மணிநேரங்கள் மிச்சம்.

• ஒவ்வொரு காலாண்டிலும் சுமார் 1,100 பகுப்பாய்வாளர் மணிநேரங்களுக்கு இணையான விசாரணைப் பணி நிறைவு.

• முன்னுரிமை மதிப்பீட்டுத் த்ரூபுட்டில் 50% உயர்வு.

• அச்சுறுத்தல் தகவல் சேகரிப்பிலும் விசாரணைகளிலும் 50% அதிகரிப்பு.

கண்டறிதல் மற்றும் எதிர்வினைப் பணிகளால் மட்டும், தவறான எச்சரிக்கைகளின் முன்னுரிமை மதிப்பீட்டுக்குச் செலவான சுமார் 600 பகுப்பாய்வாளர் மணிநேரங்கள் ஒவ்வொரு காலாண்டிலும் மிச்சமாகியுள்ளன. மிச்சமான அந்த நேரத்தை, ஆழமான விசாரணைகளுக்கும் மேலும் பல தானியக்க வசதிகளைப் பொறுப்புடன் உருவாக்குவதற்கும் குழு இப்போது செலவிடுகிறது.

தாக்குதல்களின் வேகம் அதிகரித்து, செயற்கை நுண்ணறிவு மாடல்களும் தொடர்ந்து மேம்படும் நிலையில், பாதுகாப்புப் பாதிப்புகள் தொடக்கத்திலேயே உருவாவதைக் குறைக்க ஒரு வாய்ப்பு இருப்பதாக நெட்டஸ்ஹைம் கருதுகிறார். இதனால் பாதுகாப்புக் குழுக்கள் திருத்தங்களைச் செய்வதில் குறைந்த நேரத்தையும், தடுப்பு மற்றும் நீண்டகாலத் திட்டமிடல் பணிகளில் அதிக நேரத்தையும் செலவிட முடியும்.

“இந்த மேம்பட்ட திறன்களை அனைவருக்கும் வழங்குவதன் மூலம், OpenAI பாதுகாப்புத் தரப்புக்குச் சாதகமான நிலையை உருவாக்குகிறது,” என்கிறார் அவர். “வழக்கமாக, மிகவும் முன்னணி தொழில்நுட்ப நிறுவனங்களிடமும் அரசுகளிடமும் மட்டுமே இத்தகைய திறன்கள் இருந்தன. ஆனால் இப்போது அத்தியாவசிய உள்கட்டமைப்பு அமைப்புகள், பள்ளிகள், சிறு வணிகங்கள் உட்பட அனைவரும் தங்கள் வலையமைப்புகளைப் பாதுகாக்க இந்தத் தொழில்நுட்பத்தைப் பயன்படுத்தத் தொடங்கலாம்.”