Périphériques technologiques
IA
Étude : les assistants de codage IA peuvent conduire à du code dangereux, les développeurs doivent faire preuve de prudence
Étude : les assistants de codage IA peuvent conduire à du code dangereux, les développeurs doivent faire preuve de prudence
Les chercheurs affirment que les développeurs qui s'appuient sur des assistants d'IA (intelligence artificielle) lors de l'écriture du code les rendront trop confiants dans leur travail de développement, ce qui entraînera un code moins sécurisé.
Une étude récente menée par l'Université de Stanford a révélé que les assistants de codage basés sur l'IA (tels que Copilot de GitHub) peuvent rendre les développeurs confus quant à la qualité de leur travail, ce qui entraîne des logiciels qui peuvent être bogués et moins sécurisés. Un expert en IA affirme qu'il est important que les développeurs gèrent leurs attentes lorsqu'ils utilisent des assistants IA pour de telles tâches.
Le codage IA introduit davantage de vulnérabilités de sécurité
L'étude a mené une expérience auprès de 47 développeurs, dont 33 ont utilisé un assistant IA pour écrire du code, tandis qu'un groupe témoin de 14 personnes a écrit du code seul. Ils doivent effectuer cinq tâches de programmation liées à la sécurité, notamment le cryptage ou le déchiffrement de chaînes à l'aide de clés symétriques. Ils peuvent tous obtenir de l’aide à l’aide d’un navigateur Web.
Les outils d'assistance IA pour le codage et d'autres tâches deviennent de plus en plus populaires, et GitHub, propriété de Microsoft, lancera Copilot en tant qu'aperçu technologique en 2021 pour augmenter la productivité des développeurs.
Microsoft a souligné dans un rapport de recherche publié en septembre de cette année que GitHub rend les développeurs plus efficaces. 88 % des personnes interrogées ont déclaré que Copilot est plus efficace lors du codage, et 59 % ont déclaré que ses principaux avantages étaient d'effectuer les tâches répétitives plus rapidement et de terminer le codage plus rapidement.
Des chercheurs de l'Université de Stanford ont voulu savoir si les utilisateurs écrivaient du code plus non sécurisé avec des assistants IA, et ont découvert que c'était effectivement le cas. Les développeurs qui utilisent des assistants IA restent déçus quant à la qualité de leur code, affirment-ils.
L'équipe a écrit dans le document : « Nous avons observé que par rapport aux développeurs du groupe témoin, les développeurs qui ont reçu l'aide d'un assistant IA étaient plus susceptibles d'introduire des vulnérabilités de sécurité dans la plupart des tâches de programmation, mais étaient également plus susceptibles d'introduire des vulnérabilités de sécurité. Les réponses non sécurisées ont été jugées sûres. De plus, l'étude a révélé que les développeurs qui investissaient davantage dans la création de requêtes pour l'assistant IA (comme l'adoption de fonctionnalités de l'assistant IA ou l'ajustement des paramètres) étaient plus susceptibles de fournir des solutions sûres. . »
Ce projet de recherche a utilisé uniquement trois langages de programmation : Python, C et Verilog. Il implique un nombre relativement restreint de participants ayant une expérience de développement variée, allant des récents diplômés universitaires aux professionnels chevronnés, utilisant des applications spécialement développées et surveillées par les administrateurs.
Les premières expériences ont été écrites en Python, tandis que celles écrites avec l'aide d'assistants IA étaient plus susceptibles d'être dangereuses ou incorrectes. Dans le groupe témoin sans l'aide d'un assistant IA, 79 % des développeurs ont écrit du code sans problèmes de qualité ; dans le groupe témoin avec l'aide d'un assistant IA, seulement 67 % des développeurs ont écrit du code sans problèmes de qualité.
Utilisez les assistants de codage IA avec précaution
Les choses empirent en ce qui concerne la sécurité du code qu'ils créent, car les développeurs employant des assistants IA sont plus susceptibles de fournir des solutions non sécurisées ou d'utiliser de simples mots de passe pour crypter et déchiffrer une chaîne de caractères. Ils sont également moins susceptibles d'effectuer des contrôles de plausibilité sur les valeurs finales pour garantir que le processus fonctionne comme prévu.
Des chercheurs de l'Université de Stanford affirment que les résultats suggèrent que les développeurs moins expérimentés pourraient être enclins à faire confiance aux assistants IA, mais au risque d'introduire de nouvelles vulnérabilités de sécurité. Par conséquent, cette recherche contribuera à améliorer et à orienter la conception des futurs assistants de code d’IA.
Peter van der Putten, directeur du laboratoire d'IA chez l'éditeur de logiciels Pegasystems, a déclaré que même si l'échelle est petite, la recherche est très intéressante et que les résultats peuvent inspirer de nouvelles recherches sur l'utilisation des assistants d'IA dans le codage et dans d'autres domaines. . "Cela est également cohérent avec les résultats de certaines de nos recherches plus larges sur la dépendance aux assistants IA", a-t-il déclaré.
Il a averti que les développeurs qui adoptent les assistants IA devraient gagner progressivement confiance dans l'outil. en faire trop et comprendre ses limites. Il a déclaré : « L’acceptation d’une technologie dépend non seulement des attentes en matière de qualité et de performances, mais aussi de la question de savoir si elle permet d’économiser du temps et des efforts. Dans l’ensemble, les gens ont une attitude positive à l’égard de l’utilisation des assistants IA, à condition que leurs attentes soient gérées. Cela signifie définir les meilleures pratiques sur la façon d'utiliser ces outils, ainsi que d'adopter d'éventuelles fonctionnalités supplémentaires pour tester la qualité du code »
.Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!
Outils d'IA chauds
Undresser.AI Undress
Application basée sur l'IA pour créer des photos de nu réalistes
AI Clothes Remover
Outil d'IA en ligne pour supprimer les vêtements des photos.
Undress AI Tool
Images de déshabillage gratuites
Clothoff.io
Dissolvant de vêtements AI
AI Hentai Generator
Générez AI Hentai gratuitement.
Article chaud
Outils chauds
Bloc-notes++7.3.1
Éditeur de code facile à utiliser et gratuit
SublimeText3 version chinoise
Version chinoise, très simple à utiliser
Envoyer Studio 13.0.1
Puissant environnement de développement intégré PHP
Dreamweaver CS6
Outils de développement Web visuel
SublimeText3 version Mac
Logiciel d'édition de code au niveau de Dieu (SublimeText3)
Bytedance Cutting lance le super abonnement SVIP : 499 yuans pour un abonnement annuel continu, offrant une variété de fonctions d'IA
Jun 28, 2024 am 03:51 AM
Ce site a rapporté le 27 juin que Jianying est un logiciel de montage vidéo développé par FaceMeng Technology, une filiale de ByteDance. Il s'appuie sur la plateforme Douyin et produit essentiellement du contenu vidéo court pour les utilisateurs de la plateforme. Il est compatible avec iOS, Android et. Windows, MacOS et autres systèmes d'exploitation. Jianying a officiellement annoncé la mise à niveau de son système d'adhésion et a lancé un nouveau SVIP, qui comprend une variété de technologies noires d'IA, telles que la traduction intelligente, la mise en évidence intelligente, l'emballage intelligent, la synthèse humaine numérique, etc. En termes de prix, les frais mensuels pour le clipping SVIP sont de 79 yuans, les frais annuels sont de 599 yuans (attention sur ce site : équivalent à 49,9 yuans par mois), l'abonnement mensuel continu est de 59 yuans par mois et l'abonnement annuel continu est de 59 yuans par mois. est de 499 yuans par an (équivalent à 41,6 yuans par mois) . En outre, le responsable de Cut a également déclaré que afin d'améliorer l'expérience utilisateur, ceux qui se sont abonnés au VIP d'origine
Assistant de codage d'IA augmenté par le contexte utilisant Rag et Sem-Rag
Jun 10, 2024 am 11:08 AM
Améliorez la productivité, l’efficacité et la précision des développeurs en intégrant une génération et une mémoire sémantique améliorées par la récupération dans les assistants de codage IA. Traduit de EnhancingAICodingAssistantswithContextUsingRAGandSEM-RAG, auteur JanakiramMSV. Bien que les assistants de programmation d'IA de base soient naturellement utiles, ils ne parviennent souvent pas à fournir les suggestions de code les plus pertinentes et les plus correctes, car ils s'appuient sur une compréhension générale du langage logiciel et des modèles d'écriture de logiciels les plus courants. Le code généré par ces assistants de codage est adapté à la résolution des problèmes qu’ils sont chargés de résoudre, mais n’est souvent pas conforme aux normes, conventions et styles de codage des équipes individuelles. Cela aboutit souvent à des suggestions qui doivent être modifiées ou affinées pour que le code soit accepté dans l'application.
Le réglage fin peut-il vraiment permettre au LLM d'apprendre de nouvelles choses : l'introduction de nouvelles connaissances peut amener le modèle à produire davantage d'hallucinations
Jun 11, 2024 pm 03:57 PM
Les grands modèles linguistiques (LLM) sont formés sur d'énormes bases de données textuelles, où ils acquièrent de grandes quantités de connaissances du monde réel. Ces connaissances sont intégrées à leurs paramètres et peuvent ensuite être utilisées en cas de besoin. La connaissance de ces modèles est « réifiée » en fin de formation. À la fin de la pré-formation, le modèle arrête effectivement d’apprendre. Alignez ou affinez le modèle pour apprendre à exploiter ces connaissances et répondre plus naturellement aux questions des utilisateurs. Mais parfois, la connaissance du modèle ne suffit pas, et bien que le modèle puisse accéder à du contenu externe via RAG, il est considéré comme bénéfique de l'adapter à de nouveaux domaines grâce à un réglage fin. Ce réglage fin est effectué à l'aide de la contribution d'annotateurs humains ou d'autres créations LLM, où le modèle rencontre des connaissances supplémentaires du monde réel et les intègre.
Sept questions d'entretien technique Cool GenAI et LLM
Jun 07, 2024 am 10:06 AM
Pour en savoir plus sur l'AIGC, veuillez visiter : 51CTOAI.x Community https://www.51cto.com/aigc/Translator|Jingyan Reviewer|Chonglou est différent de la banque de questions traditionnelle que l'on peut voir partout sur Internet. nécessite de sortir des sentiers battus. Les grands modèles linguistiques (LLM) sont de plus en plus importants dans les domaines de la science des données, de l'intelligence artificielle générative (GenAI) et de l'intelligence artificielle. Ces algorithmes complexes améliorent les compétences humaines et stimulent l’efficacité et l’innovation dans de nombreux secteurs, devenant ainsi la clé permettant aux entreprises de rester compétitives. LLM a un large éventail d'applications. Il peut être utilisé dans des domaines tels que le traitement du langage naturel, la génération de texte, la reconnaissance vocale et les systèmes de recommandation. En apprenant de grandes quantités de données, LLM est capable de générer du texte
Afin de fournir un nouveau système de référence et d'évaluation de questions-réponses scientifiques et complexes pour les grands modèles, l'UNSW, Argonne, l'Université de Chicago et d'autres institutions ont lancé conjointement le cadre SciQAG.
Jul 25, 2024 am 06:42 AM
L'ensemble de données ScienceAI Question Answering (QA) joue un rôle essentiel dans la promotion de la recherche sur le traitement du langage naturel (NLP). Des ensembles de données d'assurance qualité de haute qualité peuvent non seulement être utilisés pour affiner les modèles, mais également évaluer efficacement les capacités des grands modèles linguistiques (LLM), en particulier la capacité à comprendre et à raisonner sur les connaissances scientifiques. Bien qu’il existe actuellement de nombreux ensembles de données scientifiques d’assurance qualité couvrant la médecine, la chimie, la biologie et d’autres domaines, ces ensembles de données présentent encore certaines lacunes. Premièrement, le formulaire de données est relativement simple, et la plupart sont des questions à choix multiples. Elles sont faciles à évaluer, mais limitent la plage de sélection des réponses du modèle et ne peuvent pas tester pleinement la capacité du modèle à répondre aux questions scientifiques. En revanche, les questions et réponses ouvertes
Cinq écoles d'apprentissage automatique que vous ne connaissez pas
Jun 05, 2024 pm 08:51 PM
L'apprentissage automatique est une branche importante de l'intelligence artificielle qui donne aux ordinateurs la possibilité d'apprendre à partir de données et d'améliorer leurs capacités sans être explicitement programmés. L'apprentissage automatique a un large éventail d'applications dans divers domaines, de la reconnaissance d'images et du traitement du langage naturel aux systèmes de recommandation et à la détection des fraudes, et il change notre façon de vivre. Il existe de nombreuses méthodes et théories différentes dans le domaine de l'apprentissage automatique, parmi lesquelles les cinq méthodes les plus influentes sont appelées les « Cinq écoles d'apprentissage automatique ». Les cinq grandes écoles sont l’école symbolique, l’école connexionniste, l’école évolutionniste, l’école bayésienne et l’école analogique. 1. Le symbolisme, également connu sous le nom de symbolisme, met l'accent sur l'utilisation de symboles pour le raisonnement logique et l'expression des connaissances. Cette école de pensée estime que l'apprentissage est un processus de déduction inversée, à travers les connaissances existantes.
Les performances de SOTA, la méthode d'IA de prédiction d'affinité protéine-ligand multimodale de Xiamen, combinent pour la première fois des informations sur la surface moléculaire
Jul 17, 2024 pm 06:37 PM
Editeur | KX Dans le domaine de la recherche et du développement de médicaments, il est crucial de prédire avec précision et efficacité l'affinité de liaison des protéines et des ligands pour le criblage et l'optimisation des médicaments. Cependant, les études actuelles ne prennent pas en compte le rôle important des informations sur la surface moléculaire dans les interactions protéine-ligand. Sur cette base, des chercheurs de l'Université de Xiamen ont proposé un nouveau cadre d'extraction de caractéristiques multimodales (MFE), qui combine pour la première fois des informations sur la surface des protéines, la structure et la séquence 3D, et utilise un mécanisme d'attention croisée pour comparer différentes modalités. alignement. Les résultats expérimentaux démontrent que cette méthode atteint des performances de pointe dans la prédiction des affinités de liaison protéine-ligand. De plus, les études d’ablation démontrent l’efficacité et la nécessité des informations sur la surface des protéines et de l’alignement des caractéristiques multimodales dans ce cadre. Les recherches connexes commencent par "S
Préparant des marchés tels que l'IA, GlobalFoundries acquiert la technologie du nitrure de gallium de Tagore Technology et les équipes associées
Jul 15, 2024 pm 12:21 PM
Selon les informations de ce site Web du 5 juillet, GlobalFoundries a publié un communiqué de presse le 1er juillet de cette année, annonçant l'acquisition de la technologie de nitrure de gallium (GaN) et du portefeuille de propriété intellectuelle de Tagore Technology, dans l'espoir d'élargir sa part de marché dans l'automobile et Internet. des objets et des domaines d'application des centres de données d'intelligence artificielle pour explorer une efficacité plus élevée et de meilleures performances. Alors que des technologies telles que l’intelligence artificielle générative (GenerativeAI) continuent de se développer dans le monde numérique, le nitrure de gallium (GaN) est devenu une solution clé pour une gestion durable et efficace de l’énergie, notamment dans les centres de données. Ce site Web citait l'annonce officielle selon laquelle, lors de cette acquisition, l'équipe d'ingénierie de Tagore Technology rejoindrait GF pour développer davantage la technologie du nitrure de gallium. g
