اینتل امیدوار است که فناوری اشکال زدایی هوش مصنوعی منبع باز جدید را در تراشه ها بسوزاند

آزمایشگاه های اینتل برنامه های بزرگی برای ابزار نرم افزاری به نام ControlFlag دارد که از هوش مصنوعی برای اسکن کدها و تشخیص خطاها استفاده می کند.

یکی از این اهداف، شاید راه حل در آینده، پخت آن در بسته های تراشه به عنوان آخرین خط دفاع در برابر کد معیوب است. این می تواند جریان اطلاعات در کانال های ارتباطی را ایمن تر و کارآمدتر کند.

اما این یک "اگر" بزرگ است و مشروط به قرار گرفتن بسیاری از چیزها در جای خود است. هفته گذشته اینتل این ابزار را با نام ControlFlag به صورت منبع باز در اختیار توسعه دهندگان نرم افزار قرار داد. نرم افزار روی خطوط کد منفذ می شود و به خطاهایی اشاره می کند که توسعه دهندگان می توانند آن را برطرف کنند.

این شرکت ControlFlag را بر روی یک نرم افزار اختصاصی با کیفیت تولید داخلی با میلیون ها خط کد اجرا کرد. 104 ناهنجاری پیدا کرد که یکی از آنها یک آسیب پذیری امنیتی بود. اما همچنین 96 مورد مثبت کاذب پیدا کرد

چیپزیلا امیدوار است که ابزار هوش مصنوعی در نهایت به یک سیستم پیچیده تبدیل شود که با هدف خودکارسازی کامل فرآیند اشکال‌زدایی پرهزینه و زمان‌بر، تأیید دستی کد را کاهش می‌دهد – و امیدواریم حذف می‌کند.

«اشکال‌زدایی فقط به این دلیل وجود دارد که ما قصد خود را با ماشین‌ها اشتباه می‌کنیم. جاستین گوتشلیچ، دانشمند اصلی هوش مصنوعی در آزمایشگاه‌های اینتل، که هدایت توسعه را بر عهده دارد، اگر بخواهیم روشی را که قصدمان را به ماشین‌ها بیان می‌کنیم، بهبود دهیم، کل حوزه اشکال‌زدایی ناپدید می‌شود یا دیگر [نمی‌خواهد] وجود داشته باشد. از ابزار، گفت ثبت نام.

او آن را با تغییر دنده دستی به گیربکس اتوماتیک در خودروها مقایسه کرد. Gottschlich گفت: "این به این دلیل است که ما به نوعی متوجه شدیم که چگونه انتقال خودکار را از طریق آن چرخ دنده ها بدون دخالت انسان انجام دهیم."

جابجایی یک درجه به بالا

Gottschlich گفت که این شرکت تشخیص داده است که باید یک سیستم هوش مصنوعی ضد گلوله و یک مدل یادگیری آنقدر دقیق ایجاد کند که نتایج بدون شک قابل اعتمادی را در تأیید کد ایجاد کند. او گفت که سیستم یادگیری ControlFlag با جذب داده های بیشتر در حال تکامل و دقیق تر شدن است.

دقت سیستم‌های هوش مصنوعی ممکن است به دلایلی از جمله جابجایی مدل آسیب ببیند، که در آن داده‌های معیوب وارد شده به سیستم‌های یادگیری نتایج را از ریل دور می‌کند.

در موارد دیگر، فناوری راه حل نیست. سال گذشته، والمارت قطع استفاده از ربات‌ها در راهروها برای ردیابی موجودی پس از اینکه متوجه شد انسان‌ها - برخلاف هوش مصنوعی - نتایج بهتری به دست آوردند.

سیستم ControlFlag اینتل از یک فرآیند دو مرحله‌ای برای تولید، تأیید و بهبود مدل تشخیص ناهنجاری استفاده می‌کند. سیستم قطعی کد را تجزیه و تحلیل می کند، اطلاعاتی مانند معنای معنایی کد را تجزیه و تحلیل می کند و عناصر مشکوک را علامت گذاری می کند.

بخش دوم جنبه تصادفی با استفاده از نظارت شخصی است، جایی که سیستم هوش مصنوعی شروع به یادگیری خود می کند و چگونه اطلاعات معنایی و نحوی را از روی کد دسته بندی می کند و چه چیزهایی غیرعادی و غیرعادی است.

اینتل مدل یادگیری ControlFlag را از طریق تکنیک هایی از جمله تجزیه کد منبع باز در Github ساخته است که امروزه بیش از 200 میلیون مخزن دارد.

این کد را می خواند و سعی می کند تشخیص دهد که آیا این کد قابل اعتماد است؟ و اگر هست، چه چیزی می توانم از این کد یاد بگیرم؟ گوتشلیچ گفت: نوع داده‌های تاریخی که سعی در پیش‌بینی داده‌های جدید دارند... داده‌های پایه، مخازن کد منبع هستند.

The system is different from conventional AI applications such as national language processing or image recognition, and doesn’t follow a traditional high-level system design or topology in which it could be plugged in.

Gottschlich گفت: "از آنجایی که ما از برچسب استفاده نمی کنیم، کاری که باید انجام دهیم این است که باید در کل مشکل تجدید نظر کنیم."

اعتماد کنید ، اما تأیید کنید

اینتل بر مفهومی به نام «نیمه اعتماد» متکی است که در آن شرکت از داده‌های محیطی اطراف مخزن برای راهنمایی ControlFlag در مورد اینکه آیا می‌توانید به داده‌هایی که جذب می‌شوند اعتماد کنید یا خیر، استفاده می‌کند. به عنوان مثال، سیستم رتبه بندی مبتنی بر ستاره در GitHub به ControlFlag کمک می کند تا محبوبیت و قابلیت اطمینان کد را از یک مخزن ارزیابی کند.

این شرکت ControlFlag را بر روی یک نرم افزار اختصاصی با کیفیت تولید داخلی با میلیون ها خط کد اجرا کرد. 104 ناهنجاری پیدا کرد که یکی از آنها یک آسیب پذیری امنیتی بود. اما همچنین 96 مورد مثبت کاذب پیدا کرد.

«آنچه که ما باید روی بهبود آن کار کنیم، تعدادی نکات مثبت کاذب است. گوتشلیچ گفت: قطعاً این زمینه بهبود برای توسعه‌دهنده‌تر است، زیرا [50 درصد] نرخ مثبت کاذب فوق‌العاده نیست.

توسعه دهندگان می توانند ControlFlag را از Github از اینجا دانلود کنید و آن را روی کد اجرا کنید. روی لینوکس و سیستم عامل مک کار می کند و چیپزیلا در حال کار برای افزودن پشتیبانی از ویندوز است.

اینتل منابع بیشتری را برای توسعه این سیستم - که آن را برنامه‌نویسی ماشینی می‌نامد - برای مدت طولانی اختصاص می‌دهد، اما چالش دیگر این است که بفهمیم ارتباطات، یادگیری ماشین و محاسبات چگونه تکامل خواهند یافت.

اینتل معتقد است که ControlFlag احتمالاً در تراشه‌ها ساخته می‌شود تا کانال‌های ارتباطی داده را کارآمدتر کند. اما برای آن، سیستم هوش مصنوعی باید به بلوغ برسد و تا حدی قابل اعتماد باشد که فرآیند اشکال زدایی را بتوان خودکار کرد.

«در حال حاضر، [ControlFlag] اساساً در نرم افزار است. بخشی از آن این است که با ساختن سیستم‌های پیشرفته‌تر، برخی از اجزای اصلی، اگر بتوانیم آنها را در سخت‌افزار بسوزانیم، زیرا برای سیستم‌های یادگیری ماشین بسیار حیاتی هستند، احتمالاً این کار را انجام خواهیم داد. ®

منبع: https://go.theregister.com/feed/www.theregister.com/2021/10/25/intel_controlflag/