في خطوة ثورية نحو تحسين أمان البرمجيات، قامت دراسة جديدة بتحليل نماذج اللغات الضخمة (Large Language Models) لمعرفة كيفية تمييز الشيفرات الآمنة عن تلك التي تحتوي على ثغرات. على الرغم من أن هذه النماذج غالبًا ما تنتج شيفرات تحتوي على مخاطر، إلا أن القليل من الأبحاث تناولت آليات هذه النماذج في هذا الجانب.

تقدم الدراسة التي أُعلن عنها مؤخرًا مجموعة بيانات (CodeSec-Pairs) تحتوي على 9342 زوجًا من الشيفرات البرمجية بلغة بايثون، تتضمن شيفرات آمنة وأخرى معرضة للمخاطر، تم استخراجها من نموذج Llama-3.1-8B-Instruct. تعتمد هذه الدراسة على فهم كيفية تمثيل أو دفع مكونات النموذج لأمان الشيفرات، وتدشّن استراتيجيات توجيه فعلية تشجع على إنتاج شيفرات أكثر أمانًا.

يُقدّم الباحثون طريقة (DuoSteer)، التي تعتمد على توجيه مزدوج ينطبق في وقت الاستدلال، حيث تقوم بتطبيق استراتيجيات لضمان الأمان ودقة الشيفرات في نفس الوقت. من خلال التجارب على خمسة أنواع من الثغرات، أظهرت (DuoSteer) تقليلاً بمعدل الثغرات بنسبة 26.9% وزيادة في دقة الوظائف بنسبة 7.5%. هذه النتائج ليست فقط متفوقة على المتغيرات الأخرى ولكن أيضًا على معايير التحفيز والتدريب تحت الإشراف.

وبالإضافة إلى ذلك، تم تكرار النتائج الإيجابية على نموذج Qwen-2.5-Coder-7B-Instruct مع تضمين 2500 زوج إضافي من الشيفرات المتناقضة، مما يعزز أهمية الدراسة وتأثيرها في المستقبل.

تعتبر هذه التطورات خطوة هامة نحو تحسين أمان الشيفرات البرمجية التي تنتجها أنظمة الذكاء الاصطناعي، مما يوفر سبيلاً لزيادة الأمان وتقليل المخاطر. ما رأيكم في هذه التطورات المثيرة في عالم الذكاء الاصطناعي؟ شاركونا في التعليقات!