რა არის Shadow AI?

ჩრდილოვანი ხელოვნური ინტელექტი არის ნებისმიერი ხელოვნური ინტელექტის სისტემა, რომელიც ორგანიზაციაში მიღებული და გამოყენებულია ფორმალური დამტკიცების, ხილვადობის ან მართვის გარეშე: თანაპილოტი, რომელიც დეველოპერმა გასულ კვირას ჩართო თავის IDE-ში, მოდელი, რომელიც საჯარო ცენტრიდან გვერდით პროექტში გადაიტანეს, MCP სერვერი, რომელიც მუშაობს ლეპტოპზე, რომლის შესახებაც უსაფრთხოების გუნდის წევრებმა არავინ იციან. ეს არ არის უკიდურესი შემთხვევა. უსაფრთხოების ლიდერების 2026 წლის გამოკითხვაში, ორგანიზაციების მხოლოდ 19%-მა განაცხადა სრული ხილვადობის შესახებ, თუ სად და როგორ გამოიყენება ხელოვნური ინტელექტი მათ გარემოში.

მნიშვნელოვანია იმის გაგება, თუ რა არის ჩრდილოვანი ხელოვნური ინტელექტი (და როგორ გამოიყურება ჩრდილოვანი ხელოვნური ინტელექტის მნიშვნელობა პრაქტიკაში), რადგან ეს მხოლოდ მონაცემთა მართვის პრობლემა არ არის. ჩრდილოვანი ხელოვნური ინტელექტი ჩრდილოვანი IT-ის ხელოვნური ინტელექტის ეპოქის მემკვიდრეა, ერთი მნიშვნელოვანი განსხვავებით: არაკეთილსინდისიერი SaaS ინსტრუმენტი ქმნის შესაბამისობის თავის ტკივილს, მაგრამ ხელოვნური ინტელექტის აგენტი, რომელსაც თქვენს კომპიუტერზე წვდომა აქვს pipelines, საცავები და საიდუმლოებები ქმნის შეტევის ზედაპირს. ეს სახელმძღვანელო განმარტავს, თუ რა არის ჩრდილოვანი ხელოვნური ინტელექტი, რატომ ვრცელდება ის უფრო სწრაფად, ვიდრე მმართველობას შეუძლია, რა რისკებს ქმნის და როგორ შეუძლიათ ორგანიზაციებს მისი აღმოჩენა და მართვა ინციდენტად გადაქცევამდე. 

Shadow AI-ის მნიშვნელობა: სიღრმისეული განმარტება #

ჩრდილოვანი ხელოვნური ინტელექტი გულისხმობს ნებისმიერი ხელოვნური ინტელექტის ინსტრუმენტის, მოდელის, აგენტის ან ინტეგრაციის არასანქცირებული გამოყენებას ორგანიზაციის სამუშაო პროცესებში ან ინფრასტრუქტურაში IT ან უსაფრთხოების გუნდების ცოდნის, დამტკიცების ან ზედამხედველობის გარეშე.

ტერმინი ჩრდილოვანი IT-ის (არაავტორიზებული პროგრამული უზრუნველყოფა და სერვისები) კონცეფციას ხელოვნური ინტელექტის სისტემების სპეციფიკურ თვისებებზე აფართოებს. თუ ჩრდილოვანი IT, როგორც წესი, აღწერს პროდუქტიულობის ინსტრუმენტს, რომელიც ვინმემ დააინსტალირა ნებართვის გარეშე, ჩრდილოვანი ხელოვნური ინტელექტი გაცილებით ფართო და სახიფათო ზედაპირს მოიცავს: დიდი ენობრივი მოდელები ამუშავებენ მგრძნობიარე მონაცემებს მონაცემთა მართვის კონტროლის გარეშე, ხელოვნური ინტელექტის კოდირების ასისტენტები, რომლებიც წარმოქმნიან და commitუსაფრთხოების განხილვის გარეშე კოდის გამოყენება, ავტონომიური აგენტები, რომლებიც მოქმედებენ pipelines და საცავები, რომლებსაც ოფიციალურად არავინ ანიჭებს ნებართვებს და MCP სერვერები, რომლებიც ხელოვნური ინტელექტის ასისტენტებს შიდა ინსტრუმენტებთან აკავშირებენ დაშვებულთა სიის ან მონიტორინგის ფენის გარეშე.

ჩრდილოვანი ხელოვნური ინტელექტის პრაქტიკული მნიშვნელობა ასეთია: ხელოვნური ინტელექტი, რომელზეც თქვენი ორგანიზაცია ოპერაციულად არის დამოკიდებული, მაგრამ ვერ ხედავს, ვერ აუდიტს და ვერ მართავს. უმეტეს შემთხვევაში, ეს არ არის განზრახ თავის არიდება. ეს არის შედეგი იმისა, რომ ხელოვნური ინტელექტის ინსტრუმენტები იმდენად ხელმისაწვდომი და პროდუქტიული ხდება, რომ დანერგვა აღემატება ჩვეულებრივ მასთან დაკავშირებულ მმართველობის პროცესებს.

Shadow AI vs Shadow IT: რა განსხვავებაა? #

ჩრდილოვანი IT და ჩრდილოვან ხელოვნურ ინტელექტს ერთი და იგივე ძირითადი მიზეზი აქვთ (თანამშრომლები და გუნდები იყენებენ ინსტრუმენტებს, რომლებიც აუმჯობესებენ მათ პროდუქტიულობას ოფიციალური დამტკიცების მოლოდინის გარეშე), მაგრამ მათი რისკის პროფილები კატეგორიულად განსხვავებულია.

Shadow IT, როგორც წესი, მონაცემთა მართვისა და შესაბამისობის რისკებს წარმოშობს: არასანქცირებული ღრუბლოვანი საცავის სერვისმა შეიძლება ფაილები გამოავლინოს, ხოლო არაავტორიზებული პროექტის მართვის ინსტრუმენტმა შეიძლება პერსონალური მონაცემები GDPR კონტროლის გარეშე დაამუშაოს. რისკები რეალურია, მაგრამ ისინი, როგორც წესი, შეზღუდულია და უსაფრთხოების ჯგუფებისთვის კარგად არის გასაგები.

ჩრდილოვანი ხელოვნური ინტელექტი ყველა ამ რისკს შემოიტანს და რამდენიმეს ამატებს, რომლებსაც ჩრდილოვანი IT არ ატარებს. არასანქცირებული ხელოვნური ინტელექტის მოდელი, რომელიც ამუშავებს საკუთრების კოდების ბაზებს ან მომხმარებლის მონაცემებს, შეიძლება ამ მონაცემებს გარე ინფრასტრუქტურაში გადააგზავნოს მონაცემთა დამუშავების შეთანხმების გარეშე. კოდის გენერირებისას უსაფრთხოების კონტროლის გარეშე ხელოვნური ინტელექტის კოდირების ასისტენტმა შეიძლება ისეთი სიჩქარითა და მასშტაბით შემოიტანოს დაუცველობები, რომელთა შედარებაც ვერც ერთი ადამიანი შემფასებელი ვერ შეძლებს. ავტონომიური აგენტი, რომელიც შიგნით მუშაობს,... CI/CD pipelineფორმალური ნებართვების გარეშე შეიძლება განახორციელონ ქმედებები (დამოკიდებულებების ინსტალაცია, გახსნა) pull requests, კონფიგურაციის ფაილების მოდიფიცირება), რომლებიც უხილავია როგორც უსაფრთხოების გუნდისთვის, ასევე იმ დეველოპერისთვის, ვინც ისინი ჩართო.

ყველაზე დიდი განსხვავება აგენტობაა. ჩრდილოვანი IT პასიურია: ის ინახავს, ​​გადასცემს და ამუშავებს მონაცემებს. ჩრდილოვან ხელოვნურ ინტელექტს შეუძლია მოქმედება და აგენტურ სამუშაო პროცესებში ის ავტონომიურად, მანქანის სიჩქარით, დეველოპერის მთელ გარემოში მოქმედებს. პასიური ხელსაწყოებიდან აქტიურ აგენტობაზე გადასვლა არის ის, რაც ჩრდილოვან ხელოვნურ ინტელექტს მიწოდების ჯაჭვის უსაფრთხოების პრობლემად აქცევს და არა მხოლოდ მონაცემთა მართვის პრობლემად.

რატომ ვრცელდება ის? #

ჩრდილოვანი ხელოვნური ინტელექტი იმავე მიზეზით ვრცელდება, რაც ყოველთვის ხდებოდა: ინსტრუმენტის გამოყენებით პროდუქტიულობის ზრდა მყისიერი და პერსონალურია, ხოლო მმართველობის პროცესი, რომელიც მას ოფიციალურს გახდის, ნელი და ორგანიზაციულია.

ხელოვნური ინტელექტის ხელსაწყოების ხელმისაწვდომობამ ეს დინამიკა მკვეთრად დააჩქარა. ხელოვნური ინტელექტის კოდირების ასისტენტები ხელმისაწვდომია უფასო ან დაბალფასიანი IDE გაფართოებების სახით, რომელთა ჩართვა ნებისმიერ დეველოპერს წამებში შეუძლია. მოდელების საჯარო ჰაბებიდან პირდაპირ პროექტის დამოკიდებულების ხეში გადატანაა შესაძლებელი. MCP სერვერების ლოკალურად კონფიგურაცია შესაძლებელია JSON-ის რამდენიმე სტრიქონში. ამ ქმედებებიდან არცერთი არ საჭიროებს IT დამტკიცებას, შესყიდვების ხელშეკრულების გაფორმებას ან უსაფრთხოების მიმოხილვას და არცერთი მათგანი არ ჩანს ღრუბლოვან კონსოლში.

სამი კონკრეტული ძალა განაპირობებს ჩრდილოვანი ხელოვნური ინტელექტის დანერგვას: #

• პროდუქტიულობა. ხელოვნური ინტელექტის ინსტრუმენტები დემონსტრირებად აჩქარებს დეველოპერების, ანალიტიკოსების და უსაფრთხოების ინჟინრების სამუშაოს. ხელოვნური ინტელექტის კოდირების ასისტენტი, რომელიც გვთავაზობს დაუცველობის გამოსწორებას, ქმნის ტესტირების კომპლექტს ან ავტომატიზირებს განმეორებად მოქმედებებს. pipeline დავალება მყისიერ ღირებულებას იძლევა. დამტკიცების პროცესის მიერ ამ ღირებულების დასაფარად ლოდინი ისეთი პრობლემაა, რომელსაც ადამიანების უმეტესობა ნებაყოფლობით არ შეეგუება.
• Accessibility2026 წელს აქტიურად გამოყენებადი ხელოვნური ინტელექტის ინსტრუმენტების უმეტესობას არ სჭირდება ინფრასტრუქტურა, შესყიდვების ციკლი და IT ჩართულობა დანერგვისთვის. ესენია SaaS პროდუქტები, IDE დანამატები, npm პაკეტები და CLI ინსტრუმენტები. დანერგვის ბარიერი ბრაუზერის ჩანართი ან ტერმინალის ბრძანებაა.
• invisibilityჩრდილოვანი ხელოვნური ინტელექტის მართვა ნაწილობრივ იმიტომ რთულია, რომ მისი დანახვა რთულია. ლოკალურად მომუშავე მოდელი, dotfile-ში კონფიგურირებული MCP სერვერი, CI სამუშაო პროცესში ჩაშენებული აგენტი: არცერთი ეს არ ჩანს ღრუბლოვანი აქტივების ინვენტარში. მხოლოდ ღრუბელზე მომუშავე აღმოჩენებზე დამოკიდებული უსაფრთხოების გუნდები მუდმივად გამოტოვებენ ორგანიზაციაში აქტიურად გამოყენებული ხელოვნური ინტელექტის უმეტეს ნაწილს.

ჩრდილოვანი ხელოვნური ინტელექტის რისკები #

ჩრდილოვანი ხელოვნური ინტელექტი რისკს ოთხ განზომილებაში ქმნის, რომელთაგან თითოეული სხვებს ამძიმებს.

• მონაცემთა ექსპოზიცია: ხელოვნური ინტელექტის ინსტრუმენტები ამუშავებენ ნებისმიერ მონაცემს, რომელიც მათ მიეცემათ. დეველოპერი, რომელიც არასანქცირებული LLM-ში ათავსებს საკუთრების კოდის ბაზას, ან აგენტი, რომელიც დავალების შესასრულებლად კითხულობს საიდუმლო ფაილს, შეიძლება გადასცეს მგრძნობიარე მონაცემები გარე ინფრასტრუქტურას მონაცემთა დამუშავების ნებისმიერი შეთანხმების, მონაცემთა რეზიდენტობის კონტროლის ან აუდიტის კვალის გარეშე. IBM-ის კვლევის თანახმად, თანამშრომლების მესამედზე მეტი აღიარებს, რომ მგრძნობიარე სამუშაო ინფორმაციას უზიარებენ ხელოვნური ინტელექტის ინსტრუმენტებს დამსაქმებლის ნებართვის გარეშე - და ბევრ შემთხვევაში, არცერთ მხარეს არ აქვს ინფორმაცია მონაცემთა დამუშავების შემდგომი შედეგების შესახებ.
• მიწოდების ჯაჭვის შეტევის ზედაპირი: ჩრდილოვანი ხელოვნური ინტელექტი ვექტორულია და არა მხოლოდ მმართველობითი ხარვეზი. მავნე პაკეტები, რომლებიც მიზნად ისახავენ ხელოვნური ინტელექტის ხელსაწყოების გამოყენებას (ollama-helpers და openai-agents-helpers კლასტერები, SkillLeak ნიმუში, GhostTracker კამპანია) სპეციალურად შექმნილია იმ დეველოპერებისთვის მისასვლელად, რომლებიც ხელოვნური ინტელექტის ინსტრუმენტებს ფორმალური ზედამხედველობის გარეშე იყენებენ. არასანქცირებული ხელოვნური ინტელექტის კოდირების ასისტენტს, რომელიც ავტონომიურად აყენებს დამოკიდებულებას, არ აქვს უსაფრთხოების მიმოხილვა მავნე პაკეტსა და მის შესრულებას შორის. ინსტალაციის კაუჭი არის ის, სადაც სკანერები ეძებენ; უნარების დირექტორია, გარდამავალი დამოკიდებულება, MCP სერვერი - ეს არის ის, სადაც საფრთხეები მოდის.
• შესაბამისობის ექსპოზიცია: ევროკავშირის ხელოვნური ინტელექტის აქტი, GDPR, NIST AI RMF და ISO/IEC 42001 ქმნის ვალდებულებებს, რომელთა შესრულება ორგანიზაციებს არ შეუძლიათ იმის ცოდნის გარეშე, თუ რომელ ხელოვნურ ინტელექტს ახორციელებენ. ჩრდილოვანი ხელოვნური ინტელექტი, განმარტების თანახმად, არ შედის ნებისმიერი შესაბამისობის პროგრამის ფარგლებში, რომელიც ეყრდნობა დამტკიცებული ინსტრუმენტების ინვენტარს. მხოლოდ GDPR-ის შეუსაბამობისთვის ჯარიმებმა შეიძლება მიაღწიოს 20 მილიონ ევროს ან მსოფლიო წლიური შემოსავლის 4%-ს, ხოლო პერსონალური მონაცემების დასამუშავებლად არასანქცირებული მოდელის გამოყენება არის შესაბამისობის პირდაპირი დარღვევა განზრახვის მიუხედავად.
• მმართველობა და ხარისხის რისკი: ხელოვნური ინტელექტის მოდელები წარმოქმნიან შედეგებს, რომლებიც ასახავს მათ სასწავლო მონაცემებს, მათ კონფიგურაციას და მათ მიერ მიღებულ შეყვანის მონაცემებს. არასანქცირებული მოდელი, რომელიც გამოიყენება ხარისხის კონტროლის, მიკერძოების შეფასების ან შედეგების ვალიდაციის გარეშე, შემოაქვს დეcisიონების წარმოქმნის რისკი, რომლის შესახებაც ორგანიზაციას წარმოდგენა არ აქვს. მოდელის დრიფტი, ჰალუცინაციები და მიკერძოებული გამომავალი მონაცემები ჩრდილოვან ხელოვნურ ინტელექტში უხილავია მანამ, სანამ ისინი არ გამოვლინდება მომხმარებლის საჩივრის, მარეგულირებელი ორგანოს მოკვლევის ან უსაფრთხოების ინციდენტის სახით.

სად იმალება #

ჩრდილოვანი ხელოვნური ინტელექტის პოვნა ყველაზე რთულია პროგრამული უზრუნველყოფის შემუშავების სასიცოცხლო ციკლის შიგნით არსებული ხელოვნური ინტელექტის შემთხვევაში.cisრადგან ის არასდროს ყოფილა შექმნილი იმისთვის, რომ გამოჩენილიყო იმ ადგილებში, სადაც უსაფრთხოების ჯგუფები იყურებიან.

ჩრდილის ხელოვნური ინტელექტი SDLC როგორც წესი, ოთხ ადგილას ცხოვრობს:

• ლოკალური MCP სერვერები. ლოკალურ IDE პარამეტრებში (JSON ფაილი dotfolder-ში) კონფიგურირებული MCP სერვერები ყველაზე უხილავი ფენაა. ისინი ხელოვნური ინტელექტის ასისტენტებს პირდაპირ აკავშირებენ ფაილებთან, API-ებთან, საცავებსა და საიდუმლოებებთან, ქსელის პერიმეტრის გარეშე მათი აღმოსაჩენად და დამტკიცების პროცესის გარეშე მათი კარიბჭის შესამოწმებლად.

• დეველოპერის საბოლოო წერტილები. ხელოვნური ინტელექტის კოდირების ასისტენტები, რომლებიც კონფიგურირებულია თითოეული დეველოპერისთვის, თითოეული IDE-სთვის (Copilot, Cursor, Windsurf ან ნებისმიერი MCP-თან თავსებადი კლიენტი), მუშაობენ დეველოპერის მოწყობილობაზე და უხილავია ღრუბლოვანი აქტივების ინვენტარისთვის. მოდელები, რომლებთანაც ისინი უკავშირდებიან, MCP სერვერები, რომლებსაც ისინი აკავშირებენ და მონაცემები, რომლებსაც ისინი ამუშავებენ, არასდროს ჩნდება ცენტრალიზებულ ჟურნალში, თუ ორგანიზაციას არ აქვს საბოლოო წერტილის დონის ხილვადობა.

• კოდის საცავები. npm, PyPI ან სხვა ეკოსისტემური დამოკიდებულებების სახით მოზიდული ხელოვნური ინტელექტის მოდელები და ბიბლიოთეკები კოდის ბაზაში შედიან, როგორც ნებისმიერი სხვა პაკეტი. SCA ხელსაწყოების წყალობით, რომლებიც ესმით ხელოვნური ინტელექტის სპეციფიკური აქტივების ტიპები (და არა მხოლოდ CVE ქულები), ისინი განურჩეველია ნებისმიერი სხვა დამოკიდებულებისგან მანამ, სანამ რამე არასწორად არ მოხდება.

• CI/CD pipelineს. აგენტური სამუშაო პროცესები, რომლებიც იხსნება pull requests, დამოკიდებულებების ინსტალაცია ან კონფიგურაციის ფაილების შეცვლა, რომლებიც მოქმედებენ შიგნით pipeline ინფრასტრუქტურა, რომელიც შექმნილია ადამიანის მიერ შექმნილი ავტომატიზაციისთვის. GitHub Actions სამუშაო პროცესში ან Jenkins-ის დავალებაში ჩაშენებულ ხელოვნური ინტელექტის აგენტს აქვს იგივე ნებართვები, რაც ნებისმიერ სხვა ნაბიჯს. pipeline და სტანდარტულად არ აქვს ხილვადობის ფენა.

როგორ აღმოვაჩინოთ და ვმართოთ Shadow AI #

ჩრდილოვანი ხელოვნური ინტელექტის აღმოჩენა ტრადიციული აქტივების აღმოჩენისგან განსხვავებულ მიდგომას მოითხოვს, რადგან ჩრდილოვანი ხელოვნური ინტელექტი არ ჩნდება იმ ადგილებში, სადაც ტრადიციული აღმოჩენა გამოიყურება.

1. ხელის ჩაწვდომა SDLC, არა მხოლოდ ღრუბელი. მხოლოდ ღრუბელში აქტივების აღმოჩენა ჩრდილოვანი ხელოვნური ინტელექტის უმეტესობას აკლია. ეფექტური აღმოჩენა კოდის საცავების შიგნით უნდა მუშაობდეს, აწყობდეს pipelines და დეველოპერის საბოლოო წერტილები, ხელოვნური ინტელექტის კოდირების ინსტრუმენტების, MCP სერვერების და მოდელის დამოკიდებულებების პოვნა იმავე ადგილებში, სადაც დეველოპერები ათავსებენ მათ და არა ღრუბლოვან კონსოლებში, სადაც ისინი არასდროს ჩნდებიან.
2. ხელოვნურ ინტელექტზე დამოკიდებულებები ისე მოეპყარით, როგორც მიწოდების ჯაჭვის ნებისმიერ სხვა რისკს. კოდის ბაზაში შეყვანილი ხელოვნური ინტელექტის ბიბლიოთეკები, მოდელები და MCP პაკეტები მიწოდების ჯაჭვის აქტივებს წარმოადგენს. მათზე იგივე ყურადღებით უნდა დააკვირდეთ, როგორც ნებისმიერ ღია კოდის დამოკიდებულებაზე: წარმომავლობა, ვერსიის ისტორია, ქცევის ანალიზი და ახლად გამოქვეყნებული მავნე ვერსიების რეალურ დროში მონიტორინგი.
3. MCP სერვერების ინვენტარიზაცია, როგორც პირველი კლასის აქტივების. MCP სერვერები არ წარმოადგენს დეველოპერის კომფორტს; ისინი პრივილეგირებული ინტეგრაციებია ფაილებზე, API-ებზე წვდომით. pipelineდა საიდუმლოებები. ყველა MCP სერვერი უნდა იყოს ინვენტარიზებული, შეფასებული და დამტკიცებული ან დაბლოკილი, აღსრულებით დეველოპერის საბოლოო წერტილში და არა პოლიტიკის დოკუმენტებზე დაყრდნობით.
4. გამოიყენეთ AI-SPM, როგორც მმართველობის ფენა. ხელოვნური ინტელექტის უსაფრთხოების პოზის მართვა (AI-SPM) არის პრაქტიკა, რომელიც სპეციალურად შექმნილია ჩრდილოვანი ხელოვნური ინტელექტის მასშტაბური მართვისთვის, ორგანიზაციის მასშტაბით ხელოვნური ინტელექტის ყველა აქტივის მუდმივად აღმოსაჩენად, მისი რისკის შეფასებისთვის ხელოვნური ინტელექტის სპეციფიკური შეტევის ვექტორების მიმართ, მისი მარეგულირებელ ვალდებულებებთან შესაბამისობაში მოყვანისა და პოლიტიკის აღსრულების მიზნით, სანამ არამართვადი ხელოვნური ინტელექტი ინციდენტად იქცევა. ხელოვნური ინვენტარი პირველი შედეგია; AI-BOM არის აუდიტისთვის მზა არტეფაქტი, რომელიც მოითხოვს შესაბამისობას.

ჩრდილოვანი ხელოვნური ინტელექტის დაცვა Xygeni-ის გამოყენებით #

ჩრდილოვანი ხელოვნური ინტელექტის მართვა მხოლოდ პოლიტიკით შეუძლებელია. პოლიტიკა, რომელიც ამბობს, რომ „დეველოპერებმა არ უნდა გამოიყენონ არასანქცირებული ხელოვნური ინტელექტის ინსტრუმენტები“, ვერ აღმოაჩენს დეველოპერის ლეპტოპზე მომუშავე MCP სერვერს, არ აღნიშნავს გასულ სამშაბათს დამოკიდებულების ხეში ჩართულ ხელოვნური ინტელექტის მოდელს და არ ბლოკავს ხელოვნური ინტელექტის აგენტის მიერ ავტონომიურად დაინსტალირებული მავნე პაკეტის ბლოკირებას.

ქსიგენი ხელოვნური ინტელექტის უსაფრთხოების პლატფორმა ჩრდილოვან ხელოვნურ ინტელექტს, როგორც უწყვეტი აღმოჩენისა და აღსრულების პრობლემას აგვარებს: AI-SPM აღმოაჩენს ყველა მოდელს, აგენტს, MCP სერვერს და ხელოვნური ინტელექტის კოდირების ინსტრუმენტს მთელს მსოფლიოში. SDLC (მათ შორის დეველოპერის საბოლოო წერტილებზე, კოდის საცავების შიგნით და შიგნით) CI/CD pipelineს) წარმოება AI-BOM that maps every asset to its risk level and regulatory classification. Shield enforces policy at the developer endpoint, blocking unapproved MCP servers and malicious dependencies before they reach the pipeline. მავნე პროგრამების ადრეული გაფრთხილება გამოქვეყნების მომენტში, CVE-ს არსებობამდე, აფიქსირებს ხელოვნური ინტელექტის ხელსაწყოების წინააღმდეგ მიმართულ მავნე პაკეტებს.

თუ თქვენი გუნდები ხელოვნური ინტელექტის კოდირების ასისტენტებს იყენებენ, ჩრდილოვანი ხელოვნური ინტელექტის პრობლემა უკვე არსებობს. კითხვა ისმის, ხედავთ თუ არა მას.

კითხვა-პასუხი #