कृत्रिम बुद्धिमत्तेमुळे सॉफ्टवेअर बग शोधणे सोपे झाले आहे. मात्र या यशामुळे नवी समस्या निर्माण झाली आहे: त्या रिपोर्टची पडताळणी आणि दुरुस्ती करणारे लोक त्याच वेगाने काम करू शकत नाहीत.
Linux kernel मेंटेनरवरील दबावासंबंधीचा अहवाल हा वाढता असमतोल दाखवतो. Microsoft’s FORGE Labने सांगितले की, त्याच्या AI scanning system MDASHने upstream Linux kernelमधील 59 बग रिपोर्ट ओळखले; त्यातील एक दोष किमान 21 वर्षे जुना असल्याचे वर्णन केले गेले. मात्र हे निष्कर्ष उपयोगी रिपोर्टमध्ये रूपांतरित करण्यासाठी चार person-monthsपेक्षा अधिक मानवी श्रम लागले.
यातून मिळणारा धडा फक्त AIने जुने दोष शोधण्याचा नवा मार्ग शोधला एवढाच नाही. स्वयंचलित शोधामुळे दुर्मिळ संसाधन शोधण्यापासून तज्ज्ञांच्या निर्णयक्षमतेकडे वळते. रिपोर्ट खरा आहे का, त्याचे प्रत्यक्ष महत्त्व काय, दुरुस्ती कुठे करावी, त्यातून काय बिघडू शकते आणि अंतिम patch सुरक्षितपणे merge करता येईल का, हे अजूनही माणसालाच ठरवावे लागते.
शोध आता एकमेव अडथळा राहिलेला नाही
Linux kernel हे याचे ठळक उदाहरण आहे. ते smartphone आणि घरगुती उपकरणांपासून supercomputerपर्यंत विविध प्रणालींवर चालते. एखादा defect एका वातावरणात गंभीर असू शकतो, पण दुसऱ्या वातावरणात अप्रासंगिक किंवा पुन्हा निर्माण करणे अशक्य असू शकते. त्यामुळे खरी vulnerability सैद्धांतिक किंवा संदर्भविशिष्ट bugपासून वेगळी ओळखण्यासाठी सखोल तांत्रिक परीक्षण आवश्यक असते.
ZDNETने दिलेल्या वृत्तानुसार, Linux Common Vulnerabilities and Exposures टीमने 2 नोव्हेंबरपर्यंत 2026मध्ये दररोज सरासरी 27 CVE नोंदवले. या प्रमाणामुळे प्रत्येक नव्या समस्येला समान तातडीची मानणे कठीण आहे. अधिक रिपोर्टमुळे दृश्यता वाढू शकते, पण आधीच ताणाखाली असलेल्या मेंटेनरचे triage कामही वाढू शकते.
Windowsच्या बाजूने Microsoftलाही अशीच समस्या आहे. अहवालानुसार, त्याच्या नवीनतम Patch Tuesday security releaseमध्ये 726 CVEचा उल्लेख होता. सामान्य समस्या संभाव्य निष्कर्षांची कमतरता नसून त्यांचे मूल्यमापन, प्राधान्यक्रम ठरवणे आणि दुरुस्ती करण्याची क्षमता आहे.
परीक्षण क्षमतेवर ताण
या असमतोलाचे ओपन-सोर्स समुदायांवर थेट परिणाम होतात. तिथे reviewचे काम अनेकदा अत्यंत अनुभवी योगदानकर्त्यांच्या तुलनेने छोट्या गटावर अवलंबून असते. 2014पासून योगदान देणारे ARM अभियंता आणि Linux kernel मेंटेनर Lorenzo Stoakes यांनी 10 नोव्हेंबरला सांगितले की, AI-generated seriesमुळे वाढलेल्या कामाच्या प्रमाणामुळे ते आपल्या देखरेखीखालील क्षेत्रांबाहेरील codeचे सर्वसाधारण review करू शकणार नाहीत, असे अहवालात नमूद आहे.
त्यांच्या जबाबदाऱ्यांमध्ये memory management, miscellaneous आणि reclaim क्षेत्रांसह Rust-संबंधित भागांचे परीक्षण समाविष्ट आहे. AIचा परिणाम केवळ security scannersपुरता मर्यादित नाही, याचे हे ठोस संकेत आहेत. AI-generated code आणि AI-assisted reports दोन्ही मेंटेनरपर्यंत पोहोचणारे काम वाढवू शकतात.
FORGE Labच्या वर्णनानुसार, “बग शोधणे आणि ते दुरुस्त करणे यांच्यात मोठा असमतोल आहे.” हे वाक्य कार्यात्मक आव्हान स्पष्ट करते. स्वयंचलित प्रणाली व्यापक आणि वारंवार शोध घेऊन मानवी टीमच्या क्षमतेपेक्षा अधिक वेगाने leads निर्माण करू शकते. मात्र जबाबदार प्रतिसाद स्वभावतः धीमा असतो: परीक्षकांना संदर्भ, पुन्हा निर्माण करता येणारा पुरावा आणि दुरुस्तीमुळे आणखी गंभीर बिघाड होणार नाही याची खात्री आवश्यक असते.
अधिक निष्कर्ष म्हणजे आपोआप अधिक सुरक्षा का नाही
सुरक्षा रिपोर्टिंगमुळे सॉफ्टवेअर सुधारण्यासाठी कृती झाली तरच ते मूल्यवान ठरते. कमी दर्जाचे, duplicate किंवा अपुऱ्या संदर्भाचे रिपोर्ट मोठ्या संख्येने आल्यास तातडीचे लक्ष आवश्यक असलेल्या समस्यांकडे दुर्लक्ष होऊ शकते. अचूक findingsदेखील मेंटेनरना त्यांची कार्यक्षमतेने पुनरुत्पत्ती व तपासणी करता येईल इतकी माहिती नसल्यास खर्च वाढवू शकतात.
याचा अर्थ AI-assisted bug discovery निरुपयोगी आहे असा नाही. अनेक दशकांपूर्वीचा दोष शोधणे हे स्वयंचलित विश्लेषण पारंपरिक workflowने चुकवलेल्या समस्या समोर आणू शकते याचा पुरावा आहे. पण त्याचा प्रत्यक्ष फायदा हे निष्कर्ष किती चांगल्या प्रकारे तयार, प्राधान्यक्रमित आणि प्रभावित codebase समजणाऱ्या माणसांकडे सोपवले जातात यावर अवलंबून असतो.
त्यामुळे AI scanners वापरणाऱ्या संस्थांवर reportingकडे उपांत्य विचार म्हणून नव्हे, तर productचा भाग म्हणून पाहण्याचा दबाव आहे. raw output stream म्हणजे सुरक्षा योगदान नव्हे. उपयुक्त रिपोर्टमध्ये पुरेसा पुरावा, स्पष्ट impact analysis आणि remediationचा मार्ग असणे आवश्यक आहे.
विश्वसनीय दुरुस्तीमागील मानवी काम
Reviewers प्रस्तावित patch फक्त स्वीकारत किंवा नाकारत नाहीत. ते compatibility, performanceवरील परिणाम, regressions आणि मूळ समस्या शोधणाऱ्या व्यक्ती किंवा toolला न दिसणाऱ्या प्रणालींसोबतच्या परस्परसंवादाचे मूल्यमापन करतात. Linuxसारख्या मोठ्या प्रमाणावर वापरल्या जाणाऱ्या प्रकल्पात हे निर्णय अनेक downstream वापरकर्ते आणि उपकरणांवर परिणाम करू शकतात.
AI-assisted software developmentमधील व्यापक विरोधाभासही अहवाल अधोरेखित करतो. code तयार करणे आणि दोष शोधणे स्वस्त करणाऱ्या त्याच तंत्रज्ञानामुळे तज्ज्ञ reviewची मागणी वाढू शकते. योगदानकर्त्यांच्या समुदायांना समतुल्य मदत मिळाली नाही तर burnout, दुरुस्त्यांना विलंब आणि अनुभवी मेंटेनरच्या सहभागात घट होऊ शकते.
पुढे काय
तातडीची गरज केवळ अधिक detectionची नाही; मजबूत triage आणि review capacityची आहे. duplicate reports गटबद्ध करण्याची चांगली साधने, स्पष्ट reporting standards, मेंटेनरसाठी अधिक मदत आणि ठोस पुरावा व मोठा संभाव्य परिणाम असलेल्या findingsकडे मानवी लक्ष वळवणारे workflow याचा भाग असू शकतात.
संभाव्य बग शोधण्याचे अर्थशास्त्र AIने बदलले आहे. त्यांचे जबाबदारीने निराकरण करण्याचे अर्थशास्त्रही बदलता येईल का, ही software industryची पुढील परीक्षा आहे. तोपर्यंत automated discovery ही security pipelineची केवळ अर्धी बाजू राहील.
- Microsoft’s FORGE Labने आपल्या MDASH AI scanning systemमधून upstream Linux kernelच्या 59 bug reportsची नोंद केली.
- हे निष्कर्ष reportsमध्ये रूपांतरित करण्यासाठी चार person-monthsपेक्षा अधिक मानवी श्रम लागले.
- AI-generated volumeमुळे review capacityवर वाढता दबाव असल्याचे Linux मेंटेनर सांगतात.
हा लेख ZDNETच्या वृत्तांकनावर आधारित आहे. मूळ लेख वाचा.
Originally published on zdnet.com


