OpenAI

அதிநவீன செயற்கை நுண்ணறிவு இடர் மேலாண்மை: பயிற்சி முதல் பயன்பாடு வரை

நவம்பர் 18, 2026 · பாதுகாப்பு

அதிநவீன மாடல்களின் திறன்கள் வேகமாக வளர்கின்றன. அவற்றைப் புரிந்துகொண்டு, நோக்கங்களுடன் ஒத்திசையச் செய்து, பாதுகாக்கும் நமது திறன் அதைவிட முன்னேறியிருக்க வேண்டும். எங்கள் மாடல்களின் உருவாக்கம் மற்றும் வெளியீட்டு வேகத்தைக் கட்டுப்படுத்துகிறோம். பாதுகாப்புத் தரநிலைகளை எட்டக் கூடுதல் நேரம் தேவைப்படும்போது, இதை இடைநிறுத்துதல் உள் பயிற்சியை⁠(புதிய சாளரத்தில் திறக்கும்) இடைநிறுத்துவதும் GPT‑6.1 Astra போன்ற மாடல்களின் வெளியீட்டைத் தள்ளிவைப்பதும் இதில் அடங்கும். பாதுகாப்பு ஆதார விளக்கங்கள் போன்ற புதிய செயல்முறைகளை அறிமுகப்படுத்தியுள்ளோம். பயிற்சி முழுவதும் நோக்கத்துடன் ஒத்திசைந்த நடத்தைக்கு வலுவான சான்றுகளையும் கோருகிறோம். இந்தத் தேவைகள் மாடல் வெளியீடுகளை மெதுவாக்கினாலும், பாதுகாப்பாக முன்னேற எங்களுக்கு அதிக நம்பிக்கையை அளிக்கின்றன.

ஜூலையில் நடந்த Hugging Face சம்பவத்திற்குப்⁠ பிறகு, மாடல்களைப் பயிற்றுவிக்க, சோதிக்க, பயன்பாட்டுக்குக் கொண்டுவரத் தேவையான பாதுகாப்பு நடவடிக்கைகளையும் நோக்க ஒத்திசைவு விதிகளையும் வலுப்படுத்தியுள்ளோம். மிகவும் தனிமைப்படுத்தப்பட்ட பயிற்சிச் சூழலிலிருந்து உங்கள் கணினியில் பயன்படுத்தும் Codex வரை, ஒவ்வொரு நிலையிலும் இடர்களை எவ்வாறு மதிப்பிட்டு நிர்வகிக்கிறோம் என்பதை இப்பதிவு விளக்குகிறது. ஒவ்வொரு நிலையிலும் மாடல்களையும் பாதுகாப்பு நடவடிக்கைகளையும் மதிப்பிடுகிறோம். அடுத்த நிலைக்குச் செல்லப் பாதுகாப்பு மதிப்பாய்வு அவசியம்.

மாடலின் வாழ்நாள் முழுவதும் பல அடுக்குப் பாதுகாப்பு

ஒரே பாதுகாப்பு நடவடிக்கையைச் சார்ந்திருப்பதைக் குறைக்க, பல அடுக்குப் பாதுகாப்பைப் பயன்படுத்துகிறோம். ஓர் அடுக்கு தோல்வியுற்றால், மற்றவை தீங்கைத் தடுக்கவும், விளைவுகளைக் கட்டுப்படுத்தவும், நாங்கள் தலையிட எச்சரிக்கவும் உதவுகின்றன.

எங்கள் பாதுகாப்புகளை நான்கு அடுக்குகளாக அமைத்துள்ளோம்:

பயனுள்ள கண்காணிப்பு, மாடலின் கண்காணிக்கத்தக்க தன்மையைச் சார்ந்துள்ளது. அதாவது, மாடலின் ரீஸனிங் மற்றும் செயல்களிலிருந்து தவறுகளையும் பாதுகாப்பற்ற நடத்தையையும் கண்காணிப்பிகள் எவ்வளவு நம்பகமாகக் கண்டறிய முடிகிறது என்பதாகும். எடுத்துக்காட்டாக, ஏமாற்றும் நோக்கத்தைத் தனது செயின்-ஆஃப்-தாட்டில் வெளிப்படுத்தும் மாடலை, அதை வெளிப்படுத்தாத மாடலைவிட எளிதாகக் கண்காணிக்கலாம். பயிற்சியின்போதும் பயன்பாட்டுக்கு முன்பும் கண்காணிக்கத்தக்க தன்மையை மதிப்பிடுகிறோம். அதை அளவிடும் முறைகளை⁠(புதிய சாளரத்தில் திறக்கும்) மேம்படுத்துவதுடன், அதைப் பாதிப்பவற்றையும் ஆய்வு செய்கிறோம்⁠(புதிய சாளரத்தில் திறக்கும்).

மிகத் திறன்வாய்ந்த மாடல்களைக் கட்டுப்படுத்த, சூழலைத் தனிமைப்படுத்துவதை மட்டுமே ஏன் நம்பக்கூடாது என்பதை Hugging Face சம்பவம் காட்டியது. இப்போது, கருவிகளைப் பயன்படுத்தும் அனைத்து உள் பயன்பாடுகள் உட்பட, பெரும்பாலான உள் மற்றும் வெளிப்புறப் பயன்பாட்டுச் சூழல்களில் அதிநவீன மாடல்களைக் கண்காணிக்கிறோம்.

மாடல் உருவாக்கம் மற்றும் பயன்பாட்டின் மூன்று நிலைகளிலும் ஒவ்வொரு அடுக்கின் பங்கும் மாறுகிறது:

  • ஆராய்ச்சி: தனிமைப்படுத்தப்பட்ட சூழல்களில் மாடல்களைப் பயிற்றுவித்து, சோதித்துப் பயன்படுத்துகிறோம்.

  • உள் பயன்பாடு: OpenAI ஊழியர்கள் நடைமுறைப் பணிகளுக்கு மாடல்களைப் பயன்படுத்துகின்றனர்.

  • வெளிப்புறப் பயன்பாடு: மக்களும் நிறுவனங்களும் பரவலாகப் பயன்படுத்த மாடல்கள் கிடைக்கின்றன.

வெவ்வேறு நிலைகளில் வெவ்வேறு அடுக்குகளைச் சார்ந்திருக்கிறோம். பயிற்சியின்போது நோக்க ஒத்திசைவு குறித்த உறுதி குறைவாக இருப்பதால், சூழலைத் தனிமைப்படுத்துவதையும் கண்காணிப்பையும் அதிகம் சார்ந்திருக்கிறோம். பயன்பாட்டின்போது மாடல்களுக்கு விரிவான அணுகல் கிடைக்கும்போது, நோக்க ஒத்திசைவும் முறைமை அளவிலான கட்டுப்பாடுகளும் மேலும் முக்கியமாகின்றன. ஒவ்வொரு நிலையிலும், மாடலின் திறன்களுக்கும் அணுகலுக்கும் ஏற்ப ஒருங்கிணைந்த பாதுகாப்புகள் போதுமானவையா என்பதை மதிப்பிடுகிறோம். எங்கள் முடிவுகள் பாதுகாப்பு ஆலோசகர் குழுவுடன் மதிப்பாய்வு செய்யப்படலாம். OpenAI Foundation இயக்குநர்கள் வாரியத்தின் பாதுகாப்புக் குழு இவற்றை மேற்பார்வையிடலாம்.

ஆராய்ச்சியின்போது: தனிமைப்படுத்தப்பட்ட சூழல்களில் மாடல்களைக் கட்டுப்படுத்துதல்

ஆராய்ச்சி நிலையில், மாடல்களின் நோக்க ஒத்திசைவுப் பண்புகளில் நம்பிக்கை பெற அவற்றை மதிப்பிடுகிறோம். தீங்கைத் தடுக்க நோக்க ஒத்திசைவை இன்னும் முழுமையாக நம்ப முடியாது. எனவே மாடல்களின் அணுகலையும் செயல்களையும் கட்டுப்படுத்த, பாதுகாப்பையும் சூழல் தனிமைப்படுத்தலையும் பெரிதும் சார்ந்திருக்கிறோம்.

நோக்க ஒத்திசைவு ஆராய்ச்சி, கண்காணிப்பு முறைமைகள், இணையக் கட்டமைப்பின் பாதுகாப்பு ஆகியவற்றின் தற்போதைய நிலையைக் கருத்தில் கொண்டால், நேரடி இணைய அணுகலின்றி அதிநவீன மாடல்களுக்குப் பயிற்சியளிப்பதே பொறுப்பான அணுகுமுறை என நம்புகிறோம். Hugging Face சம்பவத்திற்குப் பின், பின்வரும் வழிகளில் மாடல்களைக் கட்டுப்படுத்த எங்கள் உள் ஆராய்ச்சி முறைமைகளை பெருமளவில் மறுசீரமைத்தோம்:

  • மாடலின் அனுமதிகளைக் கட்டுப்படுத்தும் தனிமைப்படுத்தப்பட்ட சூழல்கள்

  • பணிச்சுமையை அடிப்படைக் கணினியிலிருந்து மேலும் பிரிக்கும் மெய்நிகர் இயந்திரங்கள்

  • முழுக் கணினித் தொகுதியையும் இணையத்திலிருந்து துண்டிக்கும் வலையமைப்பு மற்றும் கிளவுட் கட்டமைப்பு எல்லைகள்

எங்கள் வலுவான மாடல்களின் குழுக்களைக் கொண்டு இந்த முறைமையைத் தொடர்ந்து தாக்குதல் சோதனைக்கு உட்படுத்துகிறோம். நேரடி இணையத்தை அடையவும், பாதுகாப்பு எல்லைகளை மீறவும், தனிமைப்படுத்தப்பட்ட பிற ஏஜென்ட்களுடன் தொடர்புகொள்ளவும் அவை முயல்கின்றன. கட்டுப்படுத்த வேண்டிய மாடல்களின் திறன்களுக்கு எதிராகக் கட்டுப்பாட்டு எல்லைகள் நிலைத்திருக்கின்றனவா என்பதைச் சோதிக்க இது உதவுகிறது.

கூடுதல் பாதுகாப்பாக, மாடல் எங்கள் கட்டாயப் பாதுகாப்பு விதிகளை மீறியுள்ளதா என்பதைக் கண்டறிய, அதிநவீன மாடல்களின் அனைத்து அனுமானச் செயலாக்கங்களையும் கண்காணிக்கிறோம். மாடல் இணையத்தை அடைந்ததைக் கண்காணிப்பு கண்டறிந்தால், எங்கள் பாதுகாப்புக் குழுக்களுக்கு அவசர எச்சரிக்கை அனுப்பி, பணிச்சுமையைத் தானாக இடைநிறுத்துகிறோம்.

கட்டுப்பாட்டு எல்லைகள் தோல்வியுறும்போது கண்காணிப்பு முக்கியமான இறுதிப் பாதுகாப்பாகச் செயல்படுகிறது. உள் ஆராய்ச்சி மாடல் குறைந்தளவு இணைய அணுகலைப் பெற DNS அமைப்புப் பிழையைப் பயன்படுத்தியதைக் கண்காணிப்பிகள் கண்டறிந்ததாக⁠(புதிய சாளரத்தில் திறக்கும்) சமீபத்திய நோக்க விலகல் அறிக்கையில் பகிர்ந்தோம். விசாரணை நடத்தி பாதுகாப்புக் குறைபாட்டைச் சரிசெய்யும் காலத்தில், செப்டம்பர் 20 முதல் அக்டோபர் 1 வரை எங்கள் மிகத் திறன்வாய்ந்த மாடல்களின் பயிற்சியையும் மதிப்பீட்டையும் இடைநிறுத்தினோம்.

விரைவாகவும் நம்பகமாகவும் தலையிட, கட்டுப்பாட்டு மையத்தை⁠ உருவாக்கினோம். ஆராய்ச்சிப் பணிச்சுமைகளைக் கண்காணிக்கும் இந்த மைய முறைமை, ஒரு பணியை நிறுத்தும் உத்தரவைப் பெற்ற 35 நொடிகளுக்குள் மாடல் மேலும் வெளியீடு தருவதை நிறுத்துகிறது. இந்தக் கட்டுப்பாடுகள் அனுமானக் கட்டமைப்பிலேயே நேரடியாக அமல்படுத்தப்படுகின்றன. எனவே ஒவ்வொரு ஆராய்ச்சிப் பணிச்சுமையும் தனக்கென நிறுத்தும் செயல்முறையைச் செயல்படுத்த வேண்டியதில்லை. அதிநவீன மாடல் ஆராய்ச்சிப் பணிச்சுமைகளில், கட்டுப்பாட்டு மையம் கிடைக்காமல் போனாலும் இக்கட்டுப்பாடுகள் மாடல் வெளியீட்டை நிறுத்துகின்றன.

ரெட் டீமிங்கும் கண்காணிப்பும் இணைந்து செயல்படுகின்றன. தனிமைப்படுத்தப்பட்ட சூழலை ஊடுருவவே முடியாது என உறுதியளிக்க முடியாது. ஆனால், அதிலிருந்து வெளியேற மாடலுக்கு எவ்வளவு முயற்சி தேவை என்பதை மதிப்பிட ரெட் டீமிங் உதவுகிறது. மாடலுக்குத் தேவைப்படும் முயற்சி அதிகமாகும்போது, அதைக் கண்டறிந்து நிறுத்தக் கண்காணிப்பிகளுக்குக் கிடைக்கும் வாய்ப்பும் அதிகரிக்கிறது.

சில காரணங்களுக்காக ஆராய்ச்சி நிலையில் வலுவான பாதுகாப்பு மற்றும் கண்காணிப்புக் கட்டுப்பாடுகளைக் கட்டாயமாக்குகிறோம்:

  • மாடல்களின் மதிப்பீடு இன்னும் நடைபெறுகிறது. பொது வெளியீட்டுக்குத் தேவையான பாதுகாப்புப் பயிற்சி, நோக்க ஒத்திசைவுத் தணிக்கை, மதிப்பாய்வு ஆகியவற்றைச் சில மாடல்கள் இன்னும் முடிக்கவில்லை.

  • அதிநவீன ஆராய்ச்சிச் சூழல்கள் இடர்களை அதிகரிக்கலாம். சில ஆராய்ச்சிப் பணிகளுக்கு இன்னும் உயர்ந்த இலக்குகளைக் கொண்ட அமைவுகள் தேவை. இதனால், வெளிப்புறப் பயன்பாட்டில் பொதுவாக இருப்பதைவிட மாடல் விடாமுயற்சியுடனோ கூடுதல் திறனுடனோ செயல்படும். எடுத்துக்காட்டாக, நேவியர்–ஸ்டோக்ஸ் கணக்கைத் தீர்க்க 10,000 ஏஜென்ட்கள் கொண்ட குழு தேவைப்பட்டது.

  • குறைவான நேரடி மனித மேற்பார்வையுடன் பெருமளவில் பயிற்சி நடைபெறுகிறது. வழக்கமான Codex அமர்வைப் போலன்றி, எங்கள் பயிற்சிப் பணிகளில் ஒவ்வொரு தொடர்பையும் ஒருவர் கவனிக்காமலேயே மாடல் ஏராளமான செயல்களைச் செய்கிறது.

உள் பயன்பாடு: நோக்க ஒத்திசைவைச் சோதித்தல், நடத்தையைக் கூர்ந்து கண்காணித்தல்

பரவலான வெளியீட்டுக்கு முன், ஊழியர்கள் அதிநவீன மாடல்களைத் தனிமைப்படுத்திய ஆராய்ச்சிச் சூழலிலிருந்து, அத்தகைய கட்டுப்பாடற்ற உள் பயன்பாட்டுக்கு மாறுகின்றனர். எடுத்துக்காட்டாக, ChatGPT‑இல் மாடலை ஊழியர்கள் அணுக முடியும். இதனால் மாடல்கள் நடைமுறைச் சூழல்களில் எவ்வாறு நடக்கின்றன⁠(புதிய சாளரத்தில் திறக்கும்) என்பதை நன்கு புரிந்துகொண்டு, பயன்பாட்டுக்குக் கொண்டுவருவது குறித்த முடிவுகளை எடுக்க முடிகிறது.

இந்த நிலையில், பரந்த இணையம், எங்கள் Slack, நிரல் தொகுப்பு, உள் கட்டமைப்பு ஆகியவற்றை மாடல் அணுக அனுமதிக்கிறோம். இது இடரில் குறிப்பிடத்தக்க மாற்றமாகும். ஏனெனில் OpenAI-ஐ உருவாக்கி இயக்க நாங்கள் பயன்படுத்தும் முறைமைகளில் மாடலின் செயல்கள் இப்போது நேரடித் தாக்கத்தை ஏற்படுத்துகின்றன. உள் பயன்பாட்டின்போது, பாதுகாப்புக் கட்டுப்பாடுகளைவிட மாடலின் நோக்க ஒத்திசைவு, முறைமையின் பாதுகாப்பு நடவடிக்கைகள், கண்காணிப்பு ஆகியவற்றை அதிகம் சார்ந்திருக்க வேண்டும்.

தனிமைப்படுத்தப்பட்ட சூழலுக்கு வெளியே பயன்படுத்தும் முன், அதிநவீன மாடல் நோக்க ஒத்திசைவு மற்றும் கண்காணிக்கத்தக்க தன்மைக்கான சோதனைகளுக்கு⁠(புதிய சாளரத்தில் திறக்கும்) உட்பட வேண்டும். எங்கள் நோக்க ஒத்திசைவு மதிப்பீடுகள், பாதுகாப்புக் கட்டுப்பாடுகளை மீறுதல் போன்ற குறிப்பிட்ட தோல்வி முறைகளைச் சோதிக்கின்றன. மேலும், உள் Codex செயல்பாட்டுப் பாதைகளை மீண்டும் மாதிரியாக எடுத்து நோக்க விலகலைச் சரிபார்ப்பது போன்ற முறைகளில், மாடலின் பொதுவான நடத்தைப் போக்கையும் அளவிடுகின்றன. எங்கள் நோக்க ஒத்திசைவு மற்றும் கண்காணிக்கத்தக்க தன்மை மதிப்பீடுகளைப் பற்றி சமீபத்திய GPT‑6 Astra சிஸ்டம் கார்டில்⁠(புதிய சாளரத்தில் திறக்கும்) மேலும் அறியலாம்.

நிஜப் பயன்பாட்டு அமைவுகளைப் போலவே, முறைமை அளவிலான வகைப்படுத்திகள் மூலம் கூடுதல் பாதுகாப்பு அடுக்கைச் சேர்க்கிறோம். இணையத் துஷ்பிரயோகம், உயிரியல் ஆயுதமாக்கல் போன்ற அதிநவீன அச்சுறுத்தல்களிலிருந்து இவை பாதுகாக்கின்றன. Codex பயன்படுத்தும் ஊழியர்களுக்குப் பொதுவாக தானியங்கு மதிப்பாய்வையும்⁠(புதிய சாளரத்தில் திறக்கும்) கட்டாயமாக்குகிறோம். இடர் ஏற்படுத்தக்கூடிய செயல்களை இது மதிப்பிட்டு, முடிவெடுக்கப் பயனரிடம் திருப்பி அனுப்புகிறது.

இறுதியாக, உள் பயன்பாட்டின்போது அதிநவீன மாடலின் ஒவ்வொரு அனுமானச் செயலாக்கத்திலும் நோக்கத்திலிருந்து விலகும் நடத்தையைக் கண்காணிக்கிறோம். மாடலுக்கு இப்போது கூடுதல் அனுமதிகளும் உள் தகவல் மற்றும் முறைமைகளுக்கான அணுகலும் உள்ளன. எனவே, தரவை வெளியே கடத்துதல் அல்லது முக்கியத் தரவை அங்கீகரிக்கப்படாத இடத்துக்கு அனுப்புதல் போன்ற இடர்களைக் கண்டறிவது மிகவும் முக்கியமாகிறது. நோக்க விலகலின் புதிய வடிவங்களை⁠(புதிய சாளரத்தில் திறக்கும்) விசாரிக்கவும் கண்காணிப்பு உதவுகிறது.

வெளிப்புறப் பயன்பாடு: பெருமளவிலான தவறான பயன்பாட்டையும் நோக்க விலகலையும் தடுத்தல்

பொதுப் பயன்பாட்டில் மாடல்கள் மிக அதிகமான பயனர்கள், பணிகள், சூழல்களை எதிர்கொள்கின்றன. இதனால் இடர்களின் அளவும் வகைகளும் அதிகரிக்கின்றன. இந்த நிலையில், தீங்கு விளைவிக்கும்படி மாடலை வேண்டுமென்றே வழிநடத்தக்கூடிய தீய நோக்கமுள்ளவர்களிடமிருந்தும் பாதுகாக்க வேண்டும்.

பொது வெளியீட்டுக்கு முன், மாடல்களும் முறைமையின் பாதுகாப்பு நடவடிக்கைகளும் எங்கள் வெளிப்புறப் பயன்பாட்டுப் பாதுகாப்புத் தேவைகளைப் பூர்த்திசெய்ய வேண்டும். இவற்றைப் பின்வரும் முறைகளில் மதிப்பிடுகிறோம்:

  • விரிவான நோக்க ஒத்திசைவு மற்றும் பாதுகாப்பு மதிப்பீடுகளை நடத்துதல். அதிநவீன மாடல்களின் உறுதித்தன்மையைச் சோதிக்க, எங்கள் உள் தானியங்கு ரெட் டீமிங் அமைப்புகளுடன் புதிய சுற்று சூழலுக்கேற்ப மாறும் சோதனைகளை⁠ நடத்துவதும் இதில் அடங்கும். திறன் மற்றும் பாதுகாப்பு மதிப்பீட்டு முடிவுகளை எங்கள் சிஸ்டம் கார்டுகளில்⁠(புதிய சாளரத்தில் திறக்கும்) வெளியிடுகிறோம்.

  • எங்கள் மிகத் திறன்வாய்ந்த மாடல்களை மூன்றாம் தரப்பினருடனும் சோதிக்கிறோம். தவறான பயன்பாட்டைத் தடுக்கும் பாதுகாப்புகளையும் மாடல்களின் அடிப்படை நோக்க ஒத்திசைவையும் கடுமையாகச் சோதிப்பதே இதன் நோக்கம்.

  • அடிப்படை மாடலின் நோக்க ஒத்திசைவில் ஏற்படும் மாற்றங்களைக் கண்டறிய, உள் பயன்பாட்டு நிலையில் கண்காணிப்பு சுட்டிக்காட்டிய எச்சரிக்கைகளை ஆராய்தல்.

மாடல் பாதுகாப்புப் பயிற்சி, முறைமை வகைப்படுத்திகள் போன்ற “உடனிகழ்” பாதுகாப்புகளுடன், வெளிப்புறப் பயன்பாட்டுக்குப் பின்னணியில் மேற்கொள்ளும் விதி அமலாக்கத்தையும் விசாரணையையும் பயன்படுத்துகிறோம். இணையத் துஷ்பிரயோகம், உயிரியல் ஆயுதமாக்கல், மாடல் அறிவு வடித்தெடுப்பு⁠ ஆகியவற்றில் ஈடுபடக்கூடியவர்களையும் மாடலின் நோக்க விலகலையும் இக்குழுக்கள் கண்டறிகின்றன. இதற்குப் பெருமளவில் செயல்படும் விசாரணை ஏஜென்ட்களையும் மனித மதிப்பாய்வையும் இணைத்துப் பயன்படுத்துகின்றன. சாத்தியமான அச்சுறுத்தலின் முழுப் பரிமாணத்தையும் புரிந்துகொள்ள, பல கணக்குகளிலிருந்து தகவல் திரட்டுவதற்குப் பின்னணி விதி அமலாக்கம் மிகவும் உதவுகிறது.

Daybreak, Rosalind⁠ போன்ற நம்பக அணுகல் திட்டங்கள் கூடுதல் பாதுகாப்பை வழங்குகின்றன. தாக்குதல் நடத்தக்கூடியவர்களின் அணுகலைக் கட்டுப்படுத்தியபடி, பாதுகாப்புப் பணியாளர்களும் முறையான ஆராய்ச்சியாளர்களும் வேகமாகச் செயல்பட உதவுகின்றன.

சம்பவங்களுக்கான நடவடிக்கையும் வெளிப்படுத்தலும்

ஒரு பாதுகாப்பு அடுக்கில் தோல்வியைக் கண்டால், உண்மையில் தீங்கு ஏற்பட்டிருந்தாலும் இல்லாவிட்டாலும், விரைவாக விசாரித்து முன்னுரிமை நிர்ணயிக்க விரும்புகிறோம். சாத்தியமாகவும் பொருத்தமாகவும் இருந்தால், அதை வெளிப்புறத்திலும் தெரிவிக்க விரும்புகிறோம். எங்கள் நோக்க விலகலைப் புகாரளிக்கும்⁠ கொள்கையின்படி, எந்த ஊழியரும் ஒரு சம்பவத்தைப் பொதுவில் வெளியிடப் பரிந்துரைக்கலாம். இந்தப் புகார்கள் விசாரிக்கப்படுகின்றன. அவற்றை வெளியில் தெரிவிப்பதில் கருத்து வேறுபாடு இருந்தால், முடிவெடுக்க எங்கள் பாதுகாப்பு ஆலோசகர் குழுவுக்கு அனுப்பப்படும். ஊழியர்களின் புகார்களைச் சார்ந்திருப்பதுடன், நோக்க விலகல் சம்பவங்களை நாங்களும் முனைப்புடன் தேடுகிறோம். இதனால் அவற்றைச் சரிசெய்து, கண்டறிந்தவற்றைப் பகிர முடிகிறது.

எங்கள் நோக்க விலகல் அறிக்கைகளை இங்கே⁠(புதிய சாளரத்தில் திறக்கும்) காணலாம்.

​


​

இந்தப் பணிக்கு ஆராய்ச்சி முன்னேற்றமும் செயல்பாட்டு ஒழுங்கும் தேவை: கட்டுப்பாடுகளைச் சரியாக அமைத்தல், அவை இணைந்து செயல்படுவதைச் சோதித்தல், தோல்வியுற்றால் உறுதியான நடவடிக்கை எடுத்தல். தவறாக அமைக்கப்பட்ட வலையமைப்புச் சேவையோ செயலிழந்த தானியங்கு நிறுத்தமோ மற்றபடி வலுவாக உள்ள பாதுகாப்புகளையும் பலவீனப்படுத்தலாம்.

மாடல்கள் புதிய திறன்களைப் பெறும்போது, எங்கள் பாதுகாப்புகளின் அடிப்படை அனுமானங்களைத் தொடர்ந்து சோதித்து, தேவைக்கேற்ப மேம்படுத்த வேண்டும். ஆராய்ச்சி, உள் பயன்பாடு, பொதுப் பயன்பாடு ஆகியவற்றிலிருந்து கற்றவை, அடுத்த மாடல்களைப் பயிற்றுவிக்கும், மதிப்பிடும், பயன்பாட்டுக்குக் கொண்டுவரும் முறைகளை வழிநடத்த வேண்டும்.

எங்கள் அணுகுமுறையையும் அதன் வரம்புகளையும் பிறர் ஆராய உதவும் வகையில், சிஸ்டம் கார்டுகள், சம்பவ அறிக்கைகள், உள் பயன்பாட்டு இடர் அறிக்கைகள்⁠(புதிய சாளரத்தில் திறக்கும்), வெளிப்புற மதிப்பீடுகள்⁠ மூலம் கண்டறிந்தவற்றைத் தொடர்ந்து பகிர்வோம். அந்தச் சான்றுகள் எங்கள் பாதுகாப்புத் தரத்தை எட்டாவிட்டால், தேவைகள் பூர்த்தியாகும்வரை மீண்டும் பயிற்சியை இடைநிறுத்துவோம் அல்லது வெளியீட்டை நிறுத்திவைப்போம்.

தொடர்புடைய ஆராய்ச்சியும் வளங்களும்

பாதுகாப்புத் தரநிலைகளை நிர்ணயித்தல்

நோக்கத்துடன் ஒத்திசைந்த நடத்தையை வரையறுத்தலும் மதிப்பிடுதலும்

மாடல்களைக் கட்டுப்படுத்துதலும் பாதுகாப்புகளை மேம்படுத்துதலும்

சம்பவங்களுக்கான நடவடிக்கையும் வெளிப்படுத்தலும்

ஆராய்ச்சி முன்னேற்றமும் பயன்பாடுகளும்

  • ஆராய்ச்சியை விரைவுபடுத்துதல்: OpenAI-க்குள் ஒரு பார்வை — நிரலாக்க ஏஜென்ட்கள் OpenAI ஆராய்ச்சியை மாற்றுவதற்கான தொடக்கச் சான்றுகள்: அதிகரிக்கும் பயன்பாடு, சிக்கலாகும் பணிகள், பரிசோதனைகளில் ஏற்படும் தாக்கங்கள்.

  • நேவியர்–ஸ்டோக்ஸ் மில்லினியம் பரிசுக் கணக்கு குறித்து — உள் செயற்கை நுண்ணறிவு முறைமை உருவாக்கிய கணித நிரூபணமும் அதற்கான Lean முறையாக்கமும், பெரிய அளவிலான ஆராய்ச்சிப் பயன்பாடுகளின் திறன்களை விளக்குகின்றன.

  • Daybreak — சரிபார்க்கப்பட்ட பாதுகாப்புப் பணியாளர்கள் பலவீனங்களைக் கண்டறிந்து பாதுகாப்பை வலுப்படுத்த, மேம்பட்ட செயற்கை நுண்ணறிவுத் திறன்கள், பாதுகாப்புக் கருவிகள், ஆதரவை எங்கள் இணையப் பாதுகாப்புத் திட்டம் வழங்குகிறது.

  • உயிர் அறிவியல் ஆராய்ச்சிக்கான GPT‑Rosalind அறிமுகம்⁠ — உயிரியல், மருந்துக் கண்டுபிடிப்பு, ஆய்வைச் சிகிச்சையாக மாற்றும் மருத்துவம் ஆகியவற்றுக்கான சிறப்பு மாடல். தகுதியுள்ள நிறுவனங்களுக்கு நம்பக அணுகல் திட்டம் மூலம் கிடைக்கிறது.