కృత్రిమ మేధస్సు సాఫ్ట్వేర్ బగ్లను కనుగొనడాన్ని సులభం చేస్తోంది. అయితే ఆ విజయంతో కొత్త సమస్య ఏర్పడింది: నివేదికలను ధృవీకరించి పరిష్కరించాల్సినవారు అదే వేగంతో పని చేయలేకపోతున్నారు.
Linux kernel మెయింటైనర్లపై ఒత్తిడి గురించి వచ్చిన నివేదిక ఈ అసమతుల్యతను చూపిస్తుంది. Microsoft’s FORGE Lab తన AI scanning system MDASH upstream Linux kernelలో 59 బగ్ నివేదికలను గుర్తించిందని తెలిపింది. వాటిలో ఒక లోపం కనీసం 21 ఏళ్ల పాతదిగా వివరించబడింది. అయితే ఆ కనుగొన్న విషయాలను ఉపయోగకరమైన నివేదికలుగా మార్చడానికి నాలుగు person-months కంటే ఎక్కువ మానవ శ్రమ అవసరమైంది.
పాఠం కేవలం AI పాత లోపాలను కనుగొనే కొత్త మార్గాన్ని గుర్తించిందన్నది కాదు. ఆటోమేటెడ్ డిస్కవరీ కొరతగా ఉన్న వనరును గుర్తింపునుంచి నిపుణుల తీర్పు వైపు మళ్లిస్తుంది. నివేదిక నిజమా, ఆచరణలో దాని ప్రాముఖ్యత ఏమిటి, పరిష్కారం ఎక్కడ చేయాలి, దానివల్ల ఏమి విరిగిపోవచ్చు, చివరి patchను సురక్షితంగా merge చేయవచ్చా వంటి విషయాలను ఎవరో ఇంకా నిర్ణయించాలి.
డిస్కవరీ మాత్రమే ఇక ఏకైక అడ్డంకి కాదు
Linux kernel దీనికి ముఖ్యమైన ఉదాహరణ. ఇది smartphones, గృహ పరికరాల నుంచి supercomputers వరకు విస్తృతమైన వ్యవస్థల్లో నడుస్తుంది. ఒక defect ఒక వాతావరణంలో తీవ్రంగా ఉండవచ్చు; మరొకదానిలో అసంబద్ధంగా లేదా పునరుత్పత్తి చేయలేనిదిగా ఉండవచ్చు. అందువల్ల నిజమైన vulnerabilityని సిద్ధాంతపరమైన లేదా సందర్భానుసారమైన bug నుంచి వేరు చేయడానికి లోతైన సాంకేతిక సమీక్ష అవసరం.
ZDNET నివేదిక ప్రకారం, Linux Common Vulnerabilities and Exposures బృందం 2026 నవంబర్ 2 వరకు రోజుకు సగటున 27 CVEలను నమోదు చేసింది. ఈ స్థాయిలో ప్రతి కొత్త సమస్యను సమానంగా అత్యవసరంగా చూడటం కష్టం. మరిన్ని నివేదికలు కనిపించే సమస్యలను పెంచవచ్చు; అయితే ఇప్పటికే ఒత్తిడిలో ఉన్న మెయింటైనర్ల triage పనిని కూడా పెంచవచ్చు.
Windows వైపున Microsoft కూడా ఇలాంటి సమస్యను ఎదుర్కొంటోంది. నివేదిక ప్రకారం, దాని తాజా Patch Tuesday security releaseలో 726 CVEలు ఉన్నాయి. సాధారణ సమస్య సంభావ్య ఫలితాల కొరత కాదు; వాటిని అంచనా వేసి, ప్రాధాన్యత ఇచ్చి, మరమ్మతు చేసే సామర్థ్యం.
సమీక్ష సామర్థ్యంపై ఒత్తిడి
ఈ అసమతుల్యత ఓపెన్-సోర్స్ సమాజాలపై నేరుగా ప్రభావం చూపుతుంది. అక్కడ సమీక్ష పని సాధారణంగా కొద్దిమంది అత్యంత అనుభవజ్ఞులైన కాంట్రిబ్యూటర్లపై ఆధారపడుతుంది. 2014 నుంచి కాంట్రిబ్యూట్ చేస్తున్న ARM ఇంజనీర్, Linux kernel మెయింటైనర్ Lorenzo Stoakes, AI-generated series వల్ల ఏర్పడిన పని పరిమాణం కారణంగా తాను మెయింటైన్ చేసే ప్రాంతాల వెలుపల codeను సాధారణంగా సమీక్షించలేనని నవంబర్ 10న చెప్పినట్లు నివేదిక పేర్కొంది.
ఆయన బాధ్యతల్లో memory management, miscellaneous, reclaim ప్రాంతాలు, అలాగే Rust-సంబంధిత విభాగాల సమీక్ష ఉన్నాయి. AI ప్రభావం security scannersకే పరిమితం కాలేదని ఇది స్పష్టమైన సంకేతం. AI-generated code, AI-assisted reports రెండూ మెయింటైనర్ల వద్దకు వచ్చే పరిమాణాన్ని పెంచగలవు.
FORGE Lab వివరణలో, “బగ్లను కనుగొనడం, వాటిని పరిష్కరించడం తీవ్రంగా అసమతుల్యంగా ఉన్నాయి.” ఈ వాక్యం ఆపరేషనల్ సవాలును స్పష్టంగా చూపిస్తుంది. ఆటోమేటెడ్ వ్యవస్థ విస్తృతంగా, పదేపదే వెతికి, మానవ బృందాలు అందుకోలేని వేగంతో leads ఉత్పత్తి చేయగలదు. అయితే బాధ్యతాయుతమైన ప్రతిస్పందన సహజంగానే నెమ్మదిగా ఉంటుంది: సమీక్షకులకు సందర్భం, పునరుత్పత్తి చేయగల ఆధారం, పరిష్కారం మరింత తీవ్రమైన వైఫల్యాన్ని సృష్టించదనే నమ్మకం అవసరం.
మరిన్ని కనుగొన్న విషయాలు స్వయంగా మరింత భద్రతను ఎందుకు ఇవ్వవు
సెక్యూరిటీ రిపోర్టింగ్ సాఫ్ట్వేర్ను మెరుగుపరిచే చర్యకు దారితీసినప్పుడే విలువైనది. తక్కువ నాణ్యత, నకిలీ లేదా సరైన సందర్భం లేని నివేదికలు తక్షణ శ్రద్ధకు అర్హమైన సమస్యలను కప్పివేయవచ్చు. ఖచ్చితమైన findings కూడా మెయింటైనర్లు వాటిని సమర్థంగా పునరుత్పత్తి చేసి అంచనా వేయడానికి సరిపడ సమాచారం లేకపోతే ఖర్చు పెంచుతాయి.
దీంతో AI-assisted bug discovery పనికిరాదని కాదు. దశాబ్దాల పాత లోపాన్ని గుర్తించడం, సంప్రదాయ workflowలు మిస్ చేసిన సమస్యలను automated analysis బయటపెట్టగలదనే ఆధారం. కానీ దాని ఆచరణాత్మక ప్రయోజనం ఆ findings ఎంత బాగా సిద్ధం చేసి, ప్రాధాన్యత ఇచ్చి, ప్రభావిత codebaseను అర్థం చేసుకున్న మానవులకు అప్పగిస్తారనే దానిపై ఆధారపడి ఉంటుంది.
అందువల్ల AI scanners అమలు చేసే సంస్థలు reportingను తరువాతి ఆలోచనగా కాకుండా productలో భాగంగా చూడాల్సి ఉంటుంది. raw output stream భద్రతా సహకారంతో సమానం కాదు. ఉపయోగకరమైన నివేదికలకు తగిన ఆధారం, స్పష్టమైన ప్రభావ విశ్లేషణ, remediationకు దారి అవసరం.
నమ్మదగిన పరిష్కారాల వెనుక మానవ శ్రమ
సమీక్షకులు ప్రతిపాదిత patchను అంగీకరించడమో తిరస్కరించడమో మాత్రమే చేయరు. వారు compatibility, performance ప్రభావాలు, regressions, అలాగే అసలు సమస్యను కనుగొన్న వ్యక్తి లేదా సాధనానికి కనిపించని వ్యవస్థలతో పరస్పర ప్రభావాలను అంచనా వేస్తారు. Linux వంటి విస్తృతంగా ఉపయోగించే ప్రాజెక్ట్లో ఈ నిర్ణయాలు అనేక downstream వినియోగదారులు, పరికరాలను ప్రభావితం చేయవచ్చు.
AI-assisted software developmentలోని విస్తృత విరోధాభాసాన్ని కూడా నివేదిక చూపిస్తుంది. code తయారీ, లోపాల గుర్తింపును చౌకగా చేసే అదే సాంకేతికతలు నిపుణుల సమీక్ష అవసరాన్ని పెంచగలవు. కాంట్రిబ్యూటర్ సమాజాలకు తగిన మద్దతు లభించకపోతే burnout, ఆలస్యమైన పరిష్కారాలు, అనుభవజ్ఞులైన మెయింటైనర్ల భాగస్వామ్యం తగ్గడం జరుగుతుంది.
తర్వాత ఏమిటి
తక్షణ అవసరం మరింత గుర్తింపు మాత్రమే కాదు; బలమైన triage, review సామర్థ్యం. duplicate నివేదికలను సమూహపరిచే మెరుగైన సాధనాలు, స్పష్టమైన reporting standards, మెయింటైనర్లకు ఎక్కువ మద్దతు, బలమైన ఆధారం మరియు అధిక ప్రభావం ఉన్న findingsపై మానవ దృష్టిని కేంద్రీకరించే workflowలు దీనిలో భాగం కావచ్చు.
సంభావ్య బగ్లను కనుగొనే ఆర్థిక వ్యవస్థను AI మార్చింది. వాటిని బాధ్యతాయుతంగా పరిష్కరించే ఆర్థిక వ్యవస్థను కూడా మార్చగలదా అనేదే software industryకి తదుపరి పరీక్ష. అప్పటివరకు automated discovery security pipelineలో సగం మాత్రమే.
- Microsoft’s FORGE Lab తన MDASH AI scanning system నుంచి 59 upstream Linux kernel bug reportsను నివేదించింది.
- ఆ findingsను reportsగా మార్చడానికి నాలుగు person-months కంటే ఎక్కువ మానవ శ్రమ అవసరమైంది.
- AI-generated volume వల్ల review capacityపై ఒత్తిడి పెరుగుతోందని Linux మెయింటైనర్లు చెబుతున్నారు.
ఈ కథనం ZDNET నివేదిక ఆధారంగా రూపొందించబడింది. అసలు కథనాన్ని చదవండి.
Originally published on zdnet.com


