


Enam cara untuk membina chatbot AI dan model bahasa yang besar untuk meningkatkan keselamatan siber
Chatbot AI Generatif dan model bahasa besar boleh menjadi pedang bermata dua dari perspektif risiko, tetapi jika digunakan dengan betul, mereka juga boleh meningkatkan keselamatan siber dengan cara utama.
Peningkatan mendadak ChatGPT yang dibangunkan oleh syarikat OpenAI merupakan salah satu berita terbesar tahun ini, dan potensi kesan chatbot AI generatif dan model bahasa besar terhadap keselamatan siber adalah bidang utama perbincangan. Terdapat banyak perbincangan tentang risiko keselamatan yang boleh ditimbulkan oleh teknologi baharu ini, daripada kebimbangan mengenai perkongsian maklumat perniagaan yang sensitif dengan algoritma pembelajaran kendiri lanjutan kepada pelakon berniat jahat yang menggunakannya untuk meningkatkan serangan dengan ketara.
Sesetengah negara, negeri dan perusahaan telah melarang penggunaan teknologi kecerdasan buatan generatif seperti ChatGPT atas alasan keselamatan, perlindungan dan privasi data. Jelas sekali, risiko keselamatan yang ditimbulkan oleh chatbot AI generatif dan model bahasa yang besar dan besar adalah besar. Walau bagaimanapun, terdapat banyak cara di mana chatbot AI generatif boleh meningkatkan keselamatan siber perusahaan, memberikan pasukan keselamatan rangsangan yang amat diperlukan dalam memerangi jenayah siber.
Berikut ialah 6 cara chatbot AI generatif dan model bahasa besar boleh meningkatkan keselamatan.
Pengimbasan dan Penapisan Kerentanan
Menurut laporan Cloud Security Alliance (CSA) yang meneroka kesan keselamatan siber model bahasa besar, kecerdasan buatan generatif Model pintar boleh digunakan untuk meningkatkan pengimbasan dan penapisan kelemahan keselamatan dengan ketara. Dalam kertas itu, Cloud Security Alliance (CSA) menunjukkan bahawa OpenAI's Codex API ialah pengimbas kerentanan yang berkesan untuk bahasa pengaturcaraan seperti C, C#, Java dan JavaScript. "Kami dapat meramalkan bahawa model bahasa yang besar, seperti yang terdapat dalam keluarga Codex, akan menjadi bahagian standard pengimbas kerentanan pada masa hadapan," tulis kertas itu. Sebagai contoh, pengimbas boleh dibangunkan untuk mengesan dan membenderakan corak kod yang tidak selamat dalam pelbagai bahasa, membantu pembangun menangani potensi kelemahan sebelum ia menjadi risiko keselamatan yang kritikal.
Bagi penapisan, model AI generatif boleh mentafsir dan menambah konteks berharga kepada pengecam ancaman yang mungkin terlepas oleh kakitangan keselamatan manusia. Sebagai contoh, pengecam teknikal TT1059.001 dalam rangka kerja MITRATT&CK mungkin dilaporkan tetapi akan menjadi asing bagi sesetengah profesional keselamatan siber dan oleh itu memerlukan penjelasan ringkas. ChatGPT boleh mengenal pasti kod dengan tepat sebagai pengecam MITRATT&CK dan memberikan penjelasan tentang isu khusus yang berkaitan dengannya, yang melibatkan penggunaan skrip PowerShell yang berniat jahat. Ia juga memperincikan sifat PowerShell dan potensi penggunaannya dalam serangan keselamatan siber, dan menyediakan contoh yang berkaitan.
Pada bulan Mei tahun ini, OXSecurity mengumumkan pelancaran OX-gpt, penyepaduan ChatGPT yang direka untuk membantu pembangun menyediakan cadangan pembetulan kod tersuai dan pembetulan kod potong-tampal, termasuk cara kod Dieksploitasi oleh penggodam, kemungkinan kesan serangan dan kemungkinan kerosakan kepada organisasi.
Tambah songsang, analisa API fail PE
Matt Fulmer, pengurus kejuruteraan perisikan rangkaian DeepInstinct, berkata berdasarkan kejuruteraan terbalik rangka kerja seperti IDA dan Ghidra , teknologi AI generatif/model bahasa besar (LLM) boleh digunakan untuk membantu membina peraturan dan membalikkan alat tambah popular. "Jika anda menjelaskan keperluan anda dan membandingkannya dengan serangan dan strategi serangan MITRE, anda boleh mengambil keputusan di luar talian dan menggunakannya dengan lebih baik sebagai pertahanan." menganalisis API boleh laku mudah alih (PE) dan memberitahu anda untuk kegunaannya, tambahnya. "Ini boleh mengurangkan masa yang diluangkan oleh penyelidik keselamatan untuk menyemak fail PE dan menganalisis komunikasi API dalam mereka." CSA, pembela keselamatan boleh meningkatkan kecekapan dan mempercepatkan masa tindak balas dengan memanfaatkan ChatGPT dan LLM lain untuk mencipta pertanyaan carian ancaman. Dengan menjana pertanyaan untuk alat penyelidikan dan pengesanan perisian hasad seperti YARA, ChatGPT membantu mengenal pasti dan mengurangkan potensi ancaman dengan cepat, membolehkan pembela menumpukan pada aspek kritikal usaha keselamatan siber mereka. Keupayaan ini telah terbukti tidak ternilai dalam mengekalkan postur keselamatan yang teguh dalam persekitaran ancaman yang berkembang. Peraturan boleh disesuaikan berdasarkan keperluan dan ancaman khusus yang ingin dikesan atau dipantau oleh organisasi dalam persekitarannya.
AI boleh meningkatkan keselamatan rantaian bekalan
Model AI Generatif boleh menangani rantaian bekalan dengan mengenal pasti potensi kelemahan dalam pembekal Risiko keselamatan. Pada April tahun ini, SecurityScorecard mengumumkan pelancaran platform penarafan keselamatan baharu yang mencapai matlamat ini dengan menyepadukan dengan sistem GPT-4 OpenAI dan carian global bahasa semula jadi. Menurut syarikat itu, pelanggan boleh bertanya soalan terbuka tentang ekosistem perniagaan mereka, termasuk butiran vendor, dan dengan cepat menerima jawapan untuk mendorong keputusan pengurusan risiko. Contohnya, "Cari 10 vendor saya yang dinilai paling rendah" atau "Tunjukkan vendor utama saya yang mana telah terjejas pada tahun lalu" - SecurityScorecard mendakwa soalan ini akan menghasilkan keputusan yang membolehkan pasukan membuat keputusan pengurusan risiko dengan cepat membuat keputusan.
Kesan teks AI yang dijana dalam serangan
Menurut CSA, model bahasa besar bukan sahaja menjana teks, tetapi juga berfungsi untuk mengesan dan menanda air teks yang dijana AI, yang mungkin menjadi ciri umum perisian perlindungan e-mel. CSA berkata bahawa mengenal pasti teks yang dijana AI dalam serangan boleh membantu mengesan e-mel pancingan data dan kod polimorfik, dan boleh diandaikan bahawa llm boleh mengesan pengirim alamat e-mel atipikal atau domain yang sepadan dengan mudah, sambil dapat memeriksa lapisan asas dalam teks. . Sama ada pautan itu membawa kepada tapak web berniat jahat yang diketahui.
Penjanaan dan penghantaran kod selamat
LLM seperti ChatGPT boleh digunakan untuk menjana dan menghantar kod keselamatan. CSA memetik contoh kempen pancingan data yang berjaya menyasarkan beberapa pekerja dalam syarikat, yang berpotensi mendedahkan kelayakan mereka. Walaupun diketahui pekerja mana yang membuka e-mel pancingan data, tidak jelas sama ada mereka secara tidak sengaja melaksanakan kod hasad yang direka untuk mencuri bukti kelayakan mereka.
Untuk menyiasat isu ini, anda boleh menggunakan pertanyaan carian lanjutan Microsoft365Defender untuk mencari 10 peristiwa log masuk terakhir yang dilakukan oleh penerima e-mel dalam masa 30 minit selepas menerima e-mel berniat jahat yang diketahui. Pertanyaan ini membantu mengenal pasti sebarang aktiviti log masuk yang mencurigakan yang mungkin berkaitan dengan bukti kelayakan yang terjejas. ”
Di sini, ChatGPT boleh menyediakan pertanyaan carian Microsoft365Defender untuk menyemak percubaan log masuk untuk akaun e-mel yang terjejas, yang boleh membantu menghalang penyerang daripada memasuki sistem dan menjelaskan sama ada pengguna memerlukan Tukar kata laluan contoh hebat untuk mengurangkan masa untuk bertindak semasa respons insiden rangkaian
Berdasarkan contoh yang sama, anda mungkin mengalami masalah yang sama dan mencari pertanyaan carian Microsoft365Defender , tetapi sistem anda tidak menggunakan bahasa pengaturcaraan KQL Daripada mencari contoh yang betul dalam bahasa yang anda inginkan, "Contoh ini menggambarkan. Model Codex asas ChatGPT boleh mengambil contoh kod sumber dan menjananya dalam bahasa pengaturcaraan lain. Ia juga memudahkan proses untuk pengguna akhir dengan menambahkan butiran utama dalam jawapan yang diberikannya dan metodologi di sebalik ciptaan baharu. ”
Menurut CSA, pembela keselamatan boleh meningkatkan kecekapan dan mempercepatkan masa tindak balas dengan memanfaatkan ChatGPT dan LLM lain untuk mencipta pertanyaan carian ancaman Dengan menyediakan alat penyelidikan dan pengesanan perisian hasad ( As YARA ) menjana pertanyaan, ChatGPT membantu dengan cepat mengenal pasti dan mengurangkan potensi ancaman, membolehkan pembela menumpukan pada aspek kritikal usaha keselamatan siber mereka ini terbukti penting untuk mengekalkan keselamatan yang teguh dalam persekitaran ancaman yang semakin berkembang Peraturan boleh disesuaikan dengan keperluan dan ancaman khusus yang ingin dikesan atau dipantau oleh organisasi dalam persekitarannya. Kecerdasan buatan boleh meningkatkan keselamatan rantaian bekalan
Model AI Generatif boleh menangani risiko keselamatan rantaian bekalan dengan mengenal pasti potensi kelemahan dalam pembekal tahun ini, SecurityScorecard mengumumkan pelancaran platform penarafan keselamatan baharu melalui GPT-4 dengan OpenAI Systems dan carian global bahasa semula jadi disepadukan untuk mencapai ini, menurut syarikat itu, membenarkan pelanggan bertanya soalan terbuka tentang ekosistem perniagaan mereka. termasuk butiran tentang vendor, dan terima jawapan dengan cepat untuk mendorong keputusan pengurusan risiko , "Cari 10 vendor saya yang dinilai paling rendah" atau "Tunjukkan vendor utama saya yang telah terjejas pada tahun lalu" - SecurityScorecard mendakwa soalan ini akan menghasilkan keputusan yang. membolehkan pasukan membuat keputusan pengurusan risiko yang cepat . Teks AI Dijana dalam Serangan Pengesanan Menurut CSA, model bahasa besar bukan sahaja menjana teks tetapi juga bekerja pada pengesanan dan penanda air teks yang dijana AI, yang boleh menjadi ciri umum perisian perlindungan e-mel, CSA berkata mengenal pasti teks yang dijana AI dalam serangan boleh membantu mengesan e-mel pancingan data dan kod polimorfik, dan boleh diandaikan bahawa llm boleh dengan mudah mengesan e-mel atipikal. Alamatkan pengirim atau domainnya yang sepadan, sambil dapat menyemak sama ada pautan asas dalam teks menghala ke tapak web berniat jahat yang diketahui LLM seperti. ChatGPT boleh digunakan untuk menjana dan menghantar kod keselamatan CSA memetik contoh kempen pancingan data yang berjaya menyasarkan beberapa pekerja dalam syarikat, yang berpotensi mendedahkan kelayakan mereka Walaupun diketahui pekerja yang membuka e-mel pancingan data, tidak jelas sama ada mereka secara tidak sengaja melaksanakan kod berniat jahat yang direka untuk mencuri bukti kelayakan mereka Untuk menyiasat isu ini, Microsoft 365 Defender Advanced boleh digunakan untuk mencari 10 peristiwa log masuk terakhir yang dilakukan oleh penerima e-mel dalam masa 30 minit selepas menerima e-mel berniat jahat ini membantu mengenal pasti sebarang aktiviti log masuk yang mencurigakan yang mungkin berkaitan dengan bukti kelayakan yang terjejas." Di sini, ChatGPT boleh menyediakan pertanyaan carian Microsoft365Defender untuk menyemak percubaan log masuk untuk akaun e-mel yang terjejas, yang boleh membantu menghalang penyerang daripada memasuki sistem dan menjelaskan sama ada pengguna perlu menukar kata laluan mereka. Ini adalah contoh yang bagus untuk mengurangkan masa untuk bertindak semasa tindak balas insiden siber.Berdasarkan contoh yang sama, anda mungkin menghadapi masalah yang sama dan mencari pertanyaan carian Microsoft365Defender, tetapi sistem anda tidak menggunakan bahasa pengaturcaraan KQL. Daripada mencari contoh yang betul dalam bahasa yang anda mahukan, anda boleh melakukan peralihan gaya bahasa pengaturcaraan.
" Contoh ini menggambarkan bagaimana model Codex asas ChatGPT boleh mengambil contoh kod sumber dan menjananya dalam bahasa pengaturcaraan lain. Ia juga melakukannya melalui jawapan yang diberikan dan kaedah di sebalik penciptaannya Menambah butiran penting memudahkan proses untuk pengguna akhir "Pemimpin mesti memastikan penggunaan chatbot AI generatif yang selamat, seperti dengan banyak teknologi moden," kata Chaim Mazal, ketua pegawai strategi di Gigamon, dari perspektif risiko, kecerdasan buatan dan bahasa yang besar model boleh menjadi pedang bermata dua, jadi pemimpin mesti memastikan bahawa pasukan mereka menggunakan produk ini dengan selamat dan boleh dipercayai. "Pasukan keselamatan dan undang-undang harus bekerjasama untuk mencari jalan terbaik ke hadapan bagi organisasi mereka untuk memanfaatkan keupayaan teknologi ini tanpa menjejaskan harta intelek atau keselamatan." data berstruktur ketinggalan zaman, jadi ia hanya boleh digunakan sebagai titik permulaan apabila menilai aplikasinya dalam keselamatan dan pertahanan, kata Mo. Sebagai contoh, jika ia digunakan untuk mana-mana faedah di atas, outputnya perlu berasas. Letakkan output di luar talian dan biarkan orang ramai menjadikannya lebih baik, lebih tepat dan lebih boleh diambil tindakan. ”
Dari masa ke masa, chatbots AI generatif/model bahasa besar akhirnya secara semula jadi akan meningkatkan keupayaan keselamatan dan pertahanan, tetapi menggunakan AI/model bahasa besar untuk membantu Daripada merosakkan postur keselamatan siber, ia akan akhirnya datang kepada komunikasi dan tindak balas dalaman "Model AI/bahasa besar boleh menjadi sebahagian daripada membolehkan pihak berkepentingan menangani isu keselamatan secara menyeluruh dengan cara yang lebih pantas dan berkesan," kata Mazal. Pemimpin mesti berkomunikasi bagaimana alat boleh dimanfaatkan untuk menyokong matlamat organisasi sambil mendidik mereka tentang potensi ancaman. ”
Joshua Kaiser, pengarah teknologi kecerdasan buatan dan Ketua Pegawai Eksekutif TovieAI, berkata chatbot kecerdasan buatan juga perlu dikemas kini dengan kerap untuk mengekalkan pertahanan yang berkesan terhadap ancaman, dan pengawasan manusia adalah penting untuk memastikan Adalah penting untuk model bahasa besar berfungsi dengan baik, katanya, “Selain itu, model bahasa besar perlu memahami senario untuk memberikan respons yang tepat dan menangkap sebarang isu keselamatan, dan harus diuji dan dinilai secara berkala untuk mengenal pasti potensi kelemahan atau kelemahan. ”
Atas ialah kandungan terperinci Enam cara untuk membina chatbot AI dan model bahasa yang besar untuk meningkatkan keselamatan siber. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!

Alat AI Hot

Undresser.AI Undress
Apl berkuasa AI untuk mencipta foto bogel yang realistik

AI Clothes Remover
Alat AI dalam talian untuk mengeluarkan pakaian daripada foto.

Undress AI Tool
Gambar buka pakaian secara percuma

Clothoff.io
Penyingkiran pakaian AI

AI Hentai Generator
Menjana ai hentai secara percuma.

Artikel Panas

Alat panas

Notepad++7.3.1
Editor kod yang mudah digunakan dan percuma

SublimeText3 versi Cina
Versi Cina, sangat mudah digunakan

Hantar Studio 13.0.1
Persekitaran pembangunan bersepadu PHP yang berkuasa

Dreamweaver CS6
Alat pembangunan web visual

SublimeText3 versi Mac
Perisian penyuntingan kod peringkat Tuhan (SublimeText3)

Topik panas



Laman web ini melaporkan pada 27 Jun bahawa Jianying ialah perisian penyuntingan video yang dibangunkan oleh FaceMeng Technology, anak syarikat ByteDance Ia bergantung pada platform Douyin dan pada asasnya menghasilkan kandungan video pendek untuk pengguna platform tersebut Windows , MacOS dan sistem pengendalian lain. Jianying secara rasmi mengumumkan peningkatan sistem keahliannya dan melancarkan SVIP baharu, yang merangkumi pelbagai teknologi hitam AI, seperti terjemahan pintar, penonjolan pintar, pembungkusan pintar, sintesis manusia digital, dsb. Dari segi harga, yuran bulanan untuk keratan SVIP ialah 79 yuan, yuran tahunan ialah 599 yuan (nota di laman web ini: bersamaan dengan 49.9 yuan sebulan), langganan bulanan berterusan ialah 59 yuan sebulan, dan langganan tahunan berterusan ialah 499 yuan setahun (bersamaan dengan 41.6 yuan sebulan) . Di samping itu, pegawai yang dipotong juga menyatakan bahawa untuk meningkatkan pengalaman pengguna, mereka yang telah melanggan VIP asal

Tingkatkan produktiviti, kecekapan dan ketepatan pembangun dengan menggabungkan penjanaan dipertingkatkan semula dan memori semantik ke dalam pembantu pengekodan AI. Diterjemah daripada EnhancingAICodingAssistantswithContextUsingRAGandSEM-RAG, pengarang JanakiramMSV. Walaupun pembantu pengaturcaraan AI asas secara semulajadi membantu, mereka sering gagal memberikan cadangan kod yang paling relevan dan betul kerana mereka bergantung pada pemahaman umum bahasa perisian dan corak penulisan perisian yang paling biasa. Kod yang dijana oleh pembantu pengekodan ini sesuai untuk menyelesaikan masalah yang mereka bertanggungjawab untuk menyelesaikannya, tetapi selalunya tidak mematuhi piawaian pengekodan, konvensyen dan gaya pasukan individu. Ini selalunya menghasilkan cadangan yang perlu diubah suai atau diperhalusi agar kod itu diterima ke dalam aplikasi

Untuk mengetahui lebih lanjut tentang AIGC, sila layari: 51CTOAI.x Komuniti https://www.51cto.com/aigc/Translator|Jingyan Reviewer|Chonglou berbeza daripada bank soalan tradisional yang boleh dilihat di mana-mana sahaja di Internet memerlukan pemikiran di luar kotak. Model Bahasa Besar (LLM) semakin penting dalam bidang sains data, kecerdasan buatan generatif (GenAI) dan kecerdasan buatan. Algoritma kompleks ini meningkatkan kemahiran manusia dan memacu kecekapan dan inovasi dalam banyak industri, menjadi kunci kepada syarikat untuk kekal berdaya saing. LLM mempunyai pelbagai aplikasi Ia boleh digunakan dalam bidang seperti pemprosesan bahasa semula jadi, penjanaan teks, pengecaman pertuturan dan sistem pengesyoran. Dengan belajar daripada sejumlah besar data, LLM dapat menjana teks

Model Bahasa Besar (LLM) dilatih pada pangkalan data teks yang besar, di mana mereka memperoleh sejumlah besar pengetahuan dunia sebenar. Pengetahuan ini dibenamkan ke dalam parameter mereka dan kemudiannya boleh digunakan apabila diperlukan. Pengetahuan tentang model ini "diperbaharui" pada akhir latihan. Pada akhir pra-latihan, model sebenarnya berhenti belajar. Selaraskan atau perhalusi model untuk mempelajari cara memanfaatkan pengetahuan ini dan bertindak balas dengan lebih semula jadi kepada soalan pengguna. Tetapi kadangkala pengetahuan model tidak mencukupi, dan walaupun model boleh mengakses kandungan luaran melalui RAG, ia dianggap berfaedah untuk menyesuaikan model kepada domain baharu melalui penalaan halus. Penalaan halus ini dilakukan menggunakan input daripada anotasi manusia atau ciptaan LLM lain, di mana model menemui pengetahuan dunia sebenar tambahan dan menyepadukannya

Editor |ScienceAI Question Answering (QA) set data memainkan peranan penting dalam mempromosikan penyelidikan pemprosesan bahasa semula jadi (NLP). Set data QA berkualiti tinggi bukan sahaja boleh digunakan untuk memperhalusi model, tetapi juga menilai dengan berkesan keupayaan model bahasa besar (LLM), terutamanya keupayaan untuk memahami dan menaakul tentang pengetahuan saintifik. Walaupun pada masa ini terdapat banyak set data QA saintifik yang meliputi bidang perubatan, kimia, biologi dan bidang lain, set data ini masih mempunyai beberapa kekurangan. Pertama, borang data adalah agak mudah, kebanyakannya adalah soalan aneka pilihan. Ia mudah dinilai, tetapi mengehadkan julat pemilihan jawapan model dan tidak dapat menguji sepenuhnya keupayaan model untuk menjawab soalan saintifik. Sebaliknya, Soal Jawab terbuka

Pembelajaran mesin ialah cabang penting kecerdasan buatan yang memberikan komputer keupayaan untuk belajar daripada data dan meningkatkan keupayaan mereka tanpa diprogramkan secara eksplisit. Pembelajaran mesin mempunyai pelbagai aplikasi dalam pelbagai bidang, daripada pengecaman imej dan pemprosesan bahasa semula jadi kepada sistem pengesyoran dan pengesanan penipuan, dan ia mengubah cara hidup kita. Terdapat banyak kaedah dan teori yang berbeza dalam bidang pembelajaran mesin, antaranya lima kaedah yang paling berpengaruh dipanggil "Lima Sekolah Pembelajaran Mesin". Lima sekolah utama ialah sekolah simbolik, sekolah sambungan, sekolah evolusi, sekolah Bayesian dan sekolah analogi. 1. Simbolisme, juga dikenali sebagai simbolisme, menekankan penggunaan simbol untuk penaakulan logik dan ekspresi pengetahuan. Aliran pemikiran ini percaya bahawa pembelajaran adalah proses penolakan terbalik, melalui sedia ada

Editor |. KX Dalam bidang penyelidikan dan pembangunan ubat, meramalkan pertalian pengikatan protein dan ligan dengan tepat dan berkesan adalah penting untuk pemeriksaan dan pengoptimuman ubat. Walau bagaimanapun, kajian semasa tidak mengambil kira peranan penting maklumat permukaan molekul dalam interaksi protein-ligan. Berdasarkan ini, penyelidik dari Universiti Xiamen mencadangkan rangka kerja pengekstrakan ciri berbilang mod (MFE) novel, yang buat pertama kalinya menggabungkan maklumat mengenai permukaan protein, struktur dan jujukan 3D, dan menggunakan mekanisme perhatian silang untuk membandingkan ciri modaliti yang berbeza penjajaran. Keputusan eksperimen menunjukkan bahawa kaedah ini mencapai prestasi terkini dalam meramalkan pertalian mengikat protein-ligan. Tambahan pula, kajian ablasi menunjukkan keberkesanan dan keperluan maklumat permukaan protein dan penjajaran ciri multimodal dalam rangka kerja ini. Penyelidikan berkaitan bermula dengan "S

Menurut berita dari laman web ini pada 5 Julai, GlobalFoundries mengeluarkan kenyataan akhbar pada 1 Julai tahun ini, mengumumkan pemerolehan teknologi power gallium nitride (GaN) Tagore Technology dan portfolio harta intelek, dengan harapan dapat mengembangkan bahagian pasarannya dalam kereta dan Internet of Things dan kawasan aplikasi pusat data kecerdasan buatan untuk meneroka kecekapan yang lebih tinggi dan prestasi yang lebih baik. Memandangkan teknologi seperti AI generatif terus berkembang dalam dunia digital, galium nitrida (GaN) telah menjadi penyelesaian utama untuk pengurusan kuasa yang mampan dan cekap, terutamanya dalam pusat data. Laman web ini memetik pengumuman rasmi bahawa semasa pengambilalihan ini, pasukan kejuruteraan Tagore Technology akan menyertai GLOBALFOUNDRIES untuk membangunkan lagi teknologi gallium nitride. G
