ಓಪನ್-ಸೋರ್ಸ್ AI ಒಂದು ವ್ಯಾಪಕವಾದ ಪರಿಸರ ವ್ಯವಸ್ಥೆಯಾಗಿ ಬೆಳೆದಿದೆ, ಇಲ್ಲಿ ಒಂದು ಉತ್ಪನ್ನವು ಡಜನ್ಗಟ್ಟಲೆ ರೆಪೊಸಿಟರಿಗಳಿಂದ ಕೋಡ್ ಅನ್ನು ಪಡೆಯಬಹುದು, ಬಹು ಮೂಲಗಳಿಂದ ತರಬೇತಿ ಡೇಟಾವನ್ನು ಅವಲಂಬಿಸಿರಬಹುದು ಮತ್ತು ಕೆಲವೇ ತಂಡಗಳು ಸಂಪೂರ್ಣವಾಗಿ ದಾಖಲಿಸಿರುವ ವಿಶೇಷ ಹಾರ್ಡ್ವೇರ್ ಕಾನ್ಫಿಗರೇಶನ್ಗಳ ಮೇಲೆ ಕಾರ್ಯನಿರ್ವಹಿಸಬಹುದು. ಈ ಅವಲಂಬನೆಗಳನ್ನು (dependencies) ಪತ್ತೆಹಚ್ಚುವುದು ಕಷ್ಟಕರವಾಗಿದೆ. ಆ ಸ್ಟ್ಯಾಕ್ನ ಯಾವ ಭಾಗಗಳು ಇಂಟರ್ನೆಟ್ಗೆ ತೆರೆlವಾಗಿವೆ ಎಂಬುದನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವುದು ಇನ್ನೂ ಕಷ್ಟ. Current AI ಸಂಸ್ಥೆಯು ಬಿಡುಗಡೆ ಮಾಡಿರುವ 'Open Source AI Gap Map v0.1' ಈ ಗೊಂದಲಕ್ಕೆ ಒಂದು ವ್ಯವಸ್ಥೆಯನ್ನು ತರಲು ಪ್ರಯತ್ನಿಸುತ್ತದೆ, ಮತ್ತು ಭದ್ರತಾ ತಂಡಗಳು ಇದನ್ನು ಕಡ್ಡಾಯವಾಗಿ ಓದಬೇಕಾದ ಮಾಹಿತಿಯಾಗಿ ಪರಿಗಣಿಸಬೇಕು.
ಈ ಸೂಚ್ಯಂಕವು 421 ಓಪನ್-ಸೋರ್ಸ್ AI ಉತ್ಪನ್ನಗಳನ್ನು ಪಟ್ಟಿ ಮಾಡುತ್ತದೆ. ಅವುಗಳನ್ನು ನಾಲ್ಕು ವರ್ಗಗಳಾಗಿ ವಿಂಗಡಿಸಲಾಗಿದೆ: AI ಮಾದರಿಗಳು (AI models), ಡೇಟಾಸೆಟ್ಗಳು (datasets), ಸಾಫ್ಟ್ವೇರ್ ಪರಿಕರಗಳು (software tools) ಮತ್ತು ಹಾರ್ಡ್ವೇರ್ (hardware). ಇದರ ಅಂತರಾಳದಲ್ಲಿ, ಇಡೀ ಯೋಜನೆಯು 16,000 ಕ್ಕೂ ಹೆಚ್ಚು GitHub ರೆಪೊಸಿಟರಿಗಳನ್ನು ಟ್ರ್ಯಾಕ್ ಮಾಡುವ 1,184 YAML ಫೈಲ್ಗಳ ಮೇಲೆ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತದೆ. 421 ಉತ್ಪನ್ನಗಳು ಮತ್ತು 16,000 ರೆಪೊಸಿಟರಿಗಳ ನಡುವಿನ ಆ ಅಂತರವು ತನ್ನದೇ ಆದ ಕಥೆಯನ್ನು ಹೇಳುತ್ತದೆ. ಹೆಚ್ಚಿನ AI ಅಪ್ಲಿಕೇಶನ್ಗಳು ಸ್ವತಂತ್ರವಾದ ಏಕಕಾಲದ (monoliths) ವ್ಯವಸ್ಥೆಗಳಲ್ಲ. ಅವು ಇನ್ಫರೆನ್ಸ್ ಇಂಜಿನ್ಗಳು, ಫೈನ್-ಟ್ಯೂನಿಂಗ್ ಸ್ಕ್ರಿಪ್ಟ್ಗಳು, ಡೇಟಾ ಲೋಡರ್ಗಳು, ಇವ್ಯಾಲ್ಯೂಯೇಶನ್ ಬೆಂಚ್ಮಾರ್ಕ್ಗಳು ಮತ್ತು ಡ್ರೈವರ್ ಲೇಯರ್ಗಳ ಸಂಯೋಜನೆಯಾಗಿವೆ, ಇವುಗಳಲ್ಲಿ ಪ್ರತಿಯೊಂದೂ ತನ್ನದೇ ಆದ ರೆಪೊಸಿಟರಿ, ನಿರ್ವಹಕರು, ಕಮಿಟ್ ಇತಿಹಾಸ ಮತ್ತು ವಲ್ನರಬಿಲಿಟಿ ಪ್ರೊಫೈಲ್ಗಳನ್ನು ಹೊಂದಿರುತ್ತದೆ.
Current AI ಈ ಡೇಟಾಸೆಟ್ ಅನ್ನು MIT ಲೈಸೆನ್ಸ್ ಅಡಿಯಲ್ಲಿ ಪ್ರಕಟಿಸಿದೆ ಮತ್ತು ಅದನ್ನು ಸಂಪೂರ್ಣವಾಗಿ ಸಾರ್ವಜನಿಕಗೊಳಿಸಿದೆ. ಈ ಮುಕ್ತತೆಯೇ ಇದರ ಮುಖ್ಯ ಉದ್ದೇಶವಾಗಿದೆ. ಯಾರೇ ಬೇಕಾದರೂ ಇದನ್ನು ಡೌನ್ಲೋಡ್ ಮಾಡಬಹುದು, YAML ಅನ್ನು ವಿಶ್ಲೇಷಿಸಬಹುದು ಮತ್ತು ಅದರ ಮೇಲೆ ಹೊಸ ಪರಿಕರಗಳನ್ನು ನಿರ್ಮಿಸಬಹುದು. ರಕ್ಷಣೆ ಮಾಡುವವರಿಗೆ (defenders), ಈ ಸುಲಭ ಲಭ್ಯತೆಯು ಒಂದು ಅವಕಾಶವಾಗಿದೆ. ಆದರೆ ದಾಳಿಕೋರರಿಗೆ (attackers), ಇದು ಅಷ್ಟೇ ಅನುಕೂಲಕರವಾಗಿದೆ.
ಈ ಮ್ಯಾಪ್ ವಾಸ್ತವವಾಗಿ ಏನನ್ನು ಟ್ರ್ಯಾಕ್ ಮಾಡುತ್ತದೆ
AI ಬಳಸುವ ಹೆಚ್ಚಿನ ಸಂಸ್ಥೆಗಳು ತಮಗೆ ಅಳವಡಿಸಿಕೊಂಡಿರುವವುಗಳ ಬಗ್ಗೆ ಸ್ಪಷ್ಟವಾದ ದಾಸ್ತಾನು ಪಟ್ಟಿಯನ್ನು ಹೊಂದಿಲ್ಲ. ಒಂದು ತಂಡವು ಜನಪ್ರಿಯ ಹಬ್ನಿಂದ ಒಂದು ಲ್ಯಾಂಗ್ವೇಜ್ ಮಾಡೆಲ್ ಅನ್ನು ಡೌನ್ಲೋಡ್ ಮಾಡಬಹುದು, ಅದನ್ನು ರನ್ ಮಾಡಲು ಕೆಲವು Python ಪ್ಯಾಕೇಜ್ಗಳನ್ನು ಇನ್ಸ್ಟಾಲ್ ಮಾಡಬಹುದು ಮತ್ತು ಕೆಲಸ ಮುಗಿದಿದೆ ಎಂದು ಭಾವಿಸಬಹುದು. ಆದರೆ ಆ ಸರಳ ಕೆಲಸದ ಪ್ರಕ್ರಿಯೆಯ ಅಡಿಯಲ್ಲಿ ಅವಲಂಬನೆಗಳ ಒಂದು ಸಂಕೀರ್ಣ ಜಾಲವಿರುತ್ತದೆ. ಮಾಡೆಲ್ ತೂಕಗಳು (model weights) ಒಂದು ರೆಪೊಸಿಟರಿಯಿಂದ ಬರುತ್ತವೆ. ಟೋಕನೈಜರ್ ಕಾನ್ಫಿಗರೇಶನ್ ಇನ್ನೊಂದರಿಂದ ಬರುತ್ತದೆ. ಇನ್ಫರೆನ್ಸ್ ಫ್ರೇಮ್ವರ್ಕ್ ಮೂರನೇ ಪ್ರಾಜೆಕ್ಟ್ನ ಫೋರ್ಕ್ ಆಗಿರಬಹುದು. CUDA ಡ್ರೈವರ್ಗಳು ಮತ್ತು ಕಂಟೇನರ್ ಇಮೇಜ್ಗಳು ಇನ್ನೂ ಹೆಚ್ಚಿನ ಮೂಲಗಳಿಂದ ಬರುತ್ತವೆ.
Gap Map ಇದನ್ನು 421 ವಿಭಿನ್ನ AI ಉತ್ಪನ್ನಗಳ ಸುತ್ತ 1,184 YAML ಫೈಲ್ಗಳನ್ನು ಸಂಘಟಿಸುವ ಮೂಲಕ ಸೆರೆಹಿಡಿಯುತ್ತದೆ. ಇಲ್ಲಿ ನಕ್ಷೆ ಮಾಡಲಾದ 16,000 ಕ್ಕೂ ಹೆಚ್ಚು GitHub ರೆಪೊಸಿಟರಿಗಳು ಆ ಉತ್ಪನ್ನಗಳು ಕಾರ್ಯನಿರ್ವಹಿಸಲು ಅಗತ್ಯವಿರುವ ನೈಜ ಕೋಡ್, ಕಾನ್ಫಿಗರೇಶನ್ಗಳು ಮತ್ತು ಆರ್ಟಿಫ್ಯಾಕ್ಟ್ಗಳನ್ನು ಪ್ರತಿನಿಧಿಸುತ್ತವೆ. ಎಂಟ್ರಿಗಳನ್ನು ಮಾದರಿಗಳು, ಡೇಟಾಸೆಟ್ಗಳು, ಸಾಫ್ಟ್ವೇರ್ ಪರಿಕರಗಳು ಮತ್ತು ಹಾರ್ಡ್ವೇರ್ ಎಂದು ಪ್ರತ್ಯೇಕಿಸುವ ಮೂಲಕ, ಈ ಸೂಚ್ಯಂಕವು ಒಂದು ಮೂಲಭೂತ ಪ್ರಶ್ನೆಯನ್ನು ಕೇಳುತ್ತದೆ: ನಿಮ್ಮប្រಮದ ವ್ಯವಸ್ಥೆಗಳು ಈ ನಾಲ್ಕು ಪದರಗಳಲ್ಲಿ ಯಾವುದನ್ನು ವಾಸ್ತವವಾಗಿ ಸ್ಪರ್ಶಿಸುತ್ತವೆ ಎಂಬುದು ನಿಮಗೆ ತಿಳಿದಿದೆಯೇ?
ನೀವು ಪ್ರೊಡಕ್ಷನ್ನಲ್ಲಿ ಓಪನ್-ಸೋರ್ಸ್ ಲಾರ್ಜ್ ಲ್ಯಾಂಗ್ವೇಜ್ ಮಾಡೆಲ್ ಅನ್ನು ರನ್ ಮಾಡುತ್ತಿದ್ದರೆ, ನೀವು ಬಹುಶಃ ನಾಲ್ಕೂ ಪದರಗಳನ್ನು ಬಳಸುತ್ತಿರಬಹುದು. ನೀವು ಮಾಡೆಲ್ ತೂಕಗಳು ಮತ್ತು ಆರ್ಕಿಟೆಕ್ಚರ್ ಮೇಲೆ ಅವಲಂಬಿತರಾಗಿದ್ದೀರಿ. ನೀವು ಅವುಗಳನ್ನು ನೇರವಾಗಿ ಡೌನ್ಲೋಡ್ ಮಾಡದಿದ್ದರೂ ಸಹ, ಪ್ರಿ-ಟ್ರೈನಿಂಗ್ ಅಥವಾ ಫೈನ್-ಟ್ಯೂನಿಂಗ್ಗಾಗಿ ಬಳಸಲಾದ ಡೇಟಾಸೆಟ್ಗಳ ಮೇಲೆ ನೀವು ಅವಲಂಬಿತರಾಗಿದ್ದೀರಿ. ಮಾಡೆಲ್ ಅನ್ನು ಪರಿವರ್ತಿಸಲು, ಕ್ವಾಂಟೈಸ್ ಮಾಡಲು ಅಥವಾ ಸರ್ವ್ ಮಾಡಲು ನೀವು ಸಾಫ್ಟ್ವೇರ್ ಪರಿಕರಗಳನ್ನು ಅವಲಂಬಿಸಿದ್ದೀರಿ. ಮತ್ತು ನೀವು GPU ಅಥವಾ ವಿಶೇಷ ಆಕ್ಸಿಲರೇಟರ್ಗಳ ಮೇಲೆ ರನ್ ಮಾಡುತ್ತಿದ್ದರೆ, ನೀವು ಹಾರ್ಡ್ವೇರ್ ವರ್ಗದ ಅಡಿಯಲ್ಲಿ ಬರುವ ಫರ್ಮ್ವೇರ್ ಮತ್ತು ಡ್ರೈವರ್ ಸ್ಟ್ಯಾಕ್ಗಳ ಮೇಲೆ ಅವಲಂಬಿತರಾಗಿದ್ದೀರಿ.
ಭದ್ರತೆಯ ಎರಡು ಅಂಚಿನ ಕತ್ತಿ
ಈ ಡೇಟಾಸೆಟ್ ಎರಡು ವಿಧದ ಬಳಕೆದಾರರಿಗೆ ಸಹಕಾರಿಯಾಗಿದೆ, ಮತ್ತು ಭದ್ರತಾ ನಾಯಕರು ಎರಡೂ ಬದಿಗಳನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವ ಅಗತ್ಯವಿದೆ.
ರಕ್ಷಣಾತ್ಮಕ ದೃಷ್ಟಿಕೋನದಿಂದ (defensive side), Gap Map ನಿಮ್ಮ AI ಪೂರೈಕೆ ಸರಪಳಿಯ (supply chain) ಫೋನ್ ಬುಕ್ನಂತೆ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತದೆ. ನಿಮ್ಮ ಸಂಸ್ಥೆಯು ಅವಲಂಬಿಸಿರುವ ರೆಪೊಸಿಟರಿಗಳು ಮತ್ತು ಪರಿಕರಗಳನ್ನು ಈ ಸೂಚ್ಯಂಕದೊಂದಿಗೆ ಹೋಲಿಕೆ ಮಾಡಿ ಮತ್ತು ನಿಮ್ಮ ದೃಷ್ಟಿಕೋನದಲ್ಲಿರುವ ಕೊರತೆಗಳನ್ನು ಪತ್ತೆಹಚ್ಚಬಹುದು. ಒಂದು ನಿರ್ಣಾಯಕ ರೆಪೊಸಿಟರಿ ಮ್ಯಾಪ್ನಲ್ಲಿ ಕಾಣಿಸಿಕೊಂಡರೆ ಆದರೆ ನಿಮ್ಮ ಸಾಫ್ಟ್ವೇರ್ ಬಿಲ್ ಆಫ್ ಮೆಟೀರಿಯಲ್ಸ್ನಲ್ಲಿ (software bill of materials) ಇಲ್ಲದಿದ್ದರೆ, ನೀವು ಬಹುಶಃ 'ಶ್ಯಾಡೋ AI' ಮೂಲಸೌಕರ್ಯವನ್ನು ಪತ್ತೆಹಚ್ಚಿದ್ದೀರಿ ಎಂದರ್ಥ. ಒಬ್ಬ ಶತ್ರು ಅದನ್ನು ಪತ್ತೆಹಚ್ಚುವ ಮೊದಲೇ ಇದನ್ನು ತಿಳಿದುಕೊಳ್ಳುವುದು ಉತ್ತಮ.
ಆಕ್ರಮಣಕಾರಿ ದೃಷ್ಟಿಕೋನದಿಂದ (offensive side), ಈ ಡೇಟಾಸೆಟ್ ಮಾಹಿತಿಯ ಸಂಗ್ರಹಣೆಗೆ (reconnaissance) ಒಂದು ಚಿನ್ನದ ಗಣಿಯಿದ್ದಂತೆ. ದಾಳಿಕೋರರು ನಿರಂತರವಾಗಿ ತೆರೆlವಾಗಿರುವ AI ಮೂಲಸೌಕರ್ಯ, ಮಾಡೆಲ್ ಸರ್ವಿಂಗ್ ಎಂಡ್ಪಾಯಿಂಟ್ಗಳು ಮತ್ತು ಜನಪ್ರಿಯ ML ಪೈಪ್ಲೈನ್ಗಳಲ್ಲಿನ ದುರ್ಬಲ ಅವಲಂಬನೆಗಳಿಗಾಗಿ ಹುಡುಕಾಟ ನಡೆಸುತ್ತಿರುತ್ತಾರೆ. Gap Map ಅವರಿಗೆ ಅವರು ಕಾಳಜಿ ವಹಿಸುವ ವರ್ಗಗಳ ಪ್ರಕಾರವೇ ಸಂಘಟಿಸಲಾದ ಗುರಿಗಳ ಯಂತ್ರ-ಓದಬಲ್ಲ (machine-readable) ಮತ್ತು ರಚನಾತ್ಮಕ ಪಟ್ಟಿಯನ್ನು ನೀಡುತ್ತದೆ. ಒಂದು ಸಿಂಗಲ್ YAML ಪಾರ್ಸರ್ ಸಾವಿರಾರು ರೆಪೊಸಿಟರಿ URLಗಳನ್ನು ಹೊರತೆಗೆಯಬಹುದು, ಮತ್ತು ಅಲ್ಲಿಂದ ದಾಳಿಕೋರನು ತಿಳಿದಿರುವ ವಲ್ನರಬಿಲಿಟಿಗಳನ್ನು ಪರಿಶೀಲಿಸಬಹುದು, ತಪ್ಪಾಗಿ ಕಾನ್ಫಿಗರ್ ಮಾಡಲಾದ ಸಾರ್ವಜನಿಕ ಇನ್ಸ್ಟೆನ್ಸ್ಗಳನ್ನು ಹುಡುಕಬಹುದು ಅಥವಾ ಡಿಪೆಂಡೆನ್ಸಿ ಕನ್ಫ್ಯೂಷನ್ ಅಟ್ಯಾಕ್ಗಳಿಗಾಗಿ ಹೆಚ್ಚಿನ ಮೌಲ್ಯದ ಗುರಿಗಳನ್ನು ಗುರುತಿಸಬಹುದು.
ಡೇಟಾ MIT-ಲೈಸೆನ್ಸ್ ಹೊಂದಿದ್ದು ಮತ್ತು ಸಾರ್ವಜನಿಕವಾಗಿರುವುದರಿಂದ, ಇದನ್ನು ಬಳಸಲು ಯಾವುದೇ ಅಡೆತಡೆಗಳಿಲ್ಲ. ಯಾವುದೇ ಚಂದಾದಾರಿಕೆ ಇಲ್ಲ, ಯಾವುದೇ ಅನುಮೋದನಾ ಪ್ರಕ್ರಿಯೆ ಇಲ್ಲ. ಈ ವಿನ್ಯಾಸವು ಸಂಶೋಧಕರು ಮತ್ತು ರಕ್ಷಕರಿಗೆ ಉಪಯುಕ್ತತೆಯನ್ನು ಹೆಚ್ಚಿಸುತ್ತದೆ, ಆದರೆ ಇದು ಬೆದರಿಕೆ ಉಂಟುಮಾಡುವವರಿಗೂ (threat actors) ಅಷ್ಟೇ ಉಪಯುಕ್ತತೆಯನ್ನು ನೀಡುತ್ತದೆ. ನಿಮ್ಮ ಸ್ಟ್ಯಾಕ್ ಅನ್ನು ಬಲಪಡಿಸಲು ಸಹಾಯ ಮಾಡುವ ಅದೇ ಫೈಲ್, ಇನ್ನೊಬ್ಬರಿಗೆ ಗುರಿ ಪಟ್ಟಿಯನ್ನು ತಯಾರಿಸಲು ಸಹಾಯ ಮಾಡುತ್ತದೆ.
ಈ ಮಾಹಿತಿಯೊಂದಿಗೆ ಏನು ಮಾಡಬೇಕು
ಈ ಡೇಟಾಸೆಟ್ ಅನ್ನು ಬೆದರಿಕೆ ಮಾಹಿತಿ ಫೀಡ್ (threat intelligence feed) ರೀತಿ ಪರಿಗಣಿಸಿ. ಇದನ್ನು ಕೇವಲ ಬುಕ್ಮಾರ್ಕ್ ಮಾಡಿ ಮರೆತುಬಿಡಬೇಡಿ. ನಿಮ್ಮ ಪರಿಸರ ವ್ಯವಸ್ಥೆಯ ವಿರುದ್ಧ ಸಕ್ರಿಯವಾಗಿ ಪರಿಶೀಲನೆ ನಡೆಸಿ.
Start by pulling a list of every open-source AI component your teams currently use. Look beyond the obvious. Ask which repositories supply your tokenizers, your evaluation scripts, your quantization libraries, and your container base images. Then check those repositories against the 16,000 tracked in the Gap Map. If you find matches, you have confirmed that your dependencies live in one of the most prominently indexed corners of the open-source AI world. That prominence cuts both ways. It usually means active maintenance and community scrutiny, but it also means attackers know these repositories exist.
Next, look at the YAML structure itself. Each of the 1,184 files connects products to their underlying repositories in a standardized format. You can write a simple script to compare your dependency manifests, package lists, or SBOM exports against these mappings. If you discover that your production stack relies on repositories you had never heard of, dig deeper. Unknown dependencies are where supply chain attacks hide.
Pay special attention to the hardware layer. Security teams often focus on software and models while treating drivers and firmware as background noise. The Gap Map explicitly indexes hardware-related repositories, which should remind you that GPU driver stacks, compiler toolchains, and accelerator firmware are code too. They have bugs. They get updated. And when they are out of date, they can be the softest target in your pipeline.
Finally, use the