மைக்ரோசாஃப்டின் புதிய MAI-Cyber-1-Flash மாடல், CyberGym பெஞ்ச்மார்க்கில் 96% மதிப்பெண்களைப் பெற்றுள்ளது, இது Anthropic, Google மற்றும் OpenAI ஆகியவற்றின் ஒத்த பாதுகாப்பு மாடல்களை விட சிறப்பானது. இந்த அணுகுமுறை பெரும்பாலான குறியீடு சார்ந்த (code-level) குறைபாடுகளைக் கண்டறிவதோடு மட்டுமல்லாமல், நிறுவனங்களின் பாதுகாப்பு இயந்திரச் செலவுகளை (enterprise security-engine costs) தோராயமாக பாதியாகக் குறைக்க உதவும் என்று மைக்ரோசாஃப்ட் கூறுகிறது.
இந்த மாடல் எவ்வாறு செயல்படுகிறது
MAI-Cyber-1-Flash என்பது ஒரு சிறிய மற்றும் அதிகத் திறன் கொண்ட (high-throughput) மாடல் ஆகும், இது வழக்கமான பாதுகாப்புப் பணிகளில் சுமார் 90% ஐத் தானாகவே கையாண்டுவிடும். மீதமுள்ள கடினமான பணிகளை, “smart routing” அல்லது “model-cascading” அமைப்பு மூலம், OpenAI-ன் GPT-5.4 போன்ற பெரிய மற்றும் அதிகச் செலவுமிக்க மாடலுக்கு மைக்ரோசாஃப்ட் மாற்றுகிறது. மலிவான மாடல் பெரும்பாலான வேலைகளைச் செய்கிறது; விலையுயர்ந்த மாடல் மிகவும் சிக்கலான (edge-case) சவால்களுக்கு மட்டுமே பயன்படுத்தப்படுகிறது. இந்த முறையினால் ஒட்டுமொத்தச் செலவு 50% குறையும் என்று மைக்ரோசாஃப்ட் கூறுகிறது.
CyberGym மதிப்பெண் ஏன் முக்கியமானது
CyberGym என்பது மூலக் குறியீட்டில் (source code) உள்ள பாதுகாப்பு ஓட்டைகளைக் கண்டறியும் ஒரு மாடலின் திறனை அளவிடுகிறது. 96% தேர்ச்சி விகிதம் என்பது, சோதனைத் தொகுப்பில் (test suite) உள்ள கிட்டத்தட்ட அனைத்துக் குறைபாடுகளையும் மாடல் சரியாகக் கண்டறிந்துவிடுகிறது என்பதைக் குறிக்கிறது. இந்தத் துல்லியத்தையும், செலவைக் குறைக்கும் வழிமுறையையும் இணைத்து, பெரிய அளவிலான குறியீடு-பாதுகாப்பு வழிமுறைகளுக்கான (code-security pipelines) புதிய தரநிலையாக மைக்ரோசாஃப்ட் முன்வைக்கிறது.
நிறுவனங்களுக்கான முக்கியத்துவம்
மைக்ரோசாஃப்ட் ஒவ்வொரு நாளும் தோராயமாக 100 டிரில்லியன் பாதுகாப்புத் தகவல்களை (security signals) செயலாக்குகிறது. பல்வேறு சிறப்பு மாடல்களை ஒருங்கிணைப்பதன் மூலம், தனது Azure வாடிக்கையாளர்களுக்கு ஒரு மைய “security orchestrator” ஆகச் செயல்படுவதையும், பட்ஜெட்டைப் பாதிக்காத வகையில் விரிவாக்கக்கூடிய (scale) ஒரு சேவையை வழங்குவதையும் நிறுவனம் நோக்கமாகக் கொண்டுள்ளது. இந்தச் செலவுக் குறைப்பு உறுதி செய்யப்பட்டால், நிறுவனங்கள் தங்களின் பாதுகாப்புச் செலவில் கணிசமான பகுதியை அச்சுறுத்தல் தேடல் (threat-hunting) அல்லது இணக்க அறிக்கையிடலுக்கு (compliance reporting) மாற்ற முடியும்.
கவனிக்க வேண்டிய மாற்று கருத்துக்கள்
பெஞ்ச்மார்க் முடிவுகள் எப்போதும் நிஜ உலகச் சூழல்களுக்குப் பொருந்தாது என்று விமர்சகர்கள் எச்சரிக்கின்றனர்; ஏனெனில் அங்கு குறியீட்டுத் தொகுப்புகள் (codebases), மொழிகள் மற்றும் அச்சுறுத்தல் முறைகள் (threat vectors) பெருமளவில் மாறுபடுகின்றன. மிகவும் கடினமான பணிகளுக்கு ஒரு வெளிப்புற மாடலை (GPT-5.4) சார்ந்திருப்பது தரவு இருப்பிடம் (data-residency), தாமதம் (latency) மற்றும் ஒரு குறிப்பிட்ட விற்பனையாளரைச் சார்ந்திருக்கும் நிலை (vendor-lock-in) போன்ற கவலைகளையும் எழுப்புகிறது. மேலும், 50% சேமிப்பு என்பது மைக்ரோசாஃப்டின் உள்ப்பயன்பாட்டுப் போக்குவரத்திற்கு (internal traffic) இணையான பணிப்பரப்பைக் கருத்தில் கொண்டு கணக்கிடப்பட்டுள்ளது; சில நிறுவனங்களுக்கு இதன் தாக்கம் குறைவாக இருக்கலாம்.
அடுத்து என்ன கவனிக்க வேண்டும்
மைக்ரோசாஃப்ட் இந்த மாடலை Azure-ன் பாதுகாப்புச் சேவைகள் மூலம் அறிமுகப்படுத்தி வருகிறது, எனவே நிறுவன வாடிக்கையாளர்களிடையே இதன் பயன்பாட்டு விகிதமே முதல் உண்மையான சோதனையாக இருக்கும். மேலும், சுகாதாரம் மற்றும் நிதி போன்ற ஒழுங்குமுறைப்படுத்தப்பட்ட துறைகளில் இந்த 'cascading' அணுகுமுறை விரிவாக்கப்படுமா என்பதையும் ஆய்வாளர்கள் கவனிப்பார்கள்; ஏனெனில் அங்கு தரவுத் தனியுரிமை விதிகள் மூன்றாம் தரப்பு மாடல்களைப் பயன்படுத்துவதில் சிக்கல்களை ஏற்படுத்தக்கூடும்.
சுருக்கம்: ஆய்வகத்திற்கு வெளியேயும் இதன் செயல்பாடு சிறப்பாகத் தொடர்ந்தால் மற்றும் வழிமுறைச் செலவுகள் (routing overhead) குறைவாக இருந்தால், ஒரு கலப்பின மாடல் உத்தி (hybrid model strategy) மிகச்சிறந்த கண்டறிதலை வழங்குவதோடு கணிசமான செலவுக் குறைப்பையும் உறுதி செய்யும் என்பதை MAI-Cyber-1-Flash காட்டுகிறது.