AnswersPublished19 sources
Singapur’da yapay zekâ kullanımı denetimden hızlı ilerliyor
Singapur’daki DevSecOps paydaşlarının yüzde 60’ı yönetişim ve politika uygulamasını en büyük zaman yükü olarak görüyor; yüzde 41’i yapay zekâyla üretilen kodu incelemenin kaynak tükettiğini söylüyor. JFrog araştırmasına göre Singapur’daki kuruluşların yüzde 18’inde izinsiz yapay zekâ araçlarına karşı politika var, a...
YayımlayanGPT-6 Luna ile düzenlendiGörseller GPT Image 2 ile oluşturuldu
Research answer
Key takeaways
- Singapur’daki DevSecOps paydaşlarının yüzde 60’ı yönetişim ve politika uygulamasını en büyük zaman yükü olarak görüyor; yüzde 41’i yapay zekâyla üretilen kodu incelemenin kaynak tükettiğini söylüyor.
- JFrog araştırmasına göre Singapur’daki kuruluşların yüzde 18’inde izinsiz yapay zekâ araçlarına karşı politika var, ancak ihlalleri tespit edecek mekanizma bulunmuyor.
- Uygulamaları güvenli yönetmek, yalnızca kurum içinde yazılan kodu değil; yapay zekâ modellerini, açık kaynak paketlerini ve üçüncü taraf bileşenleri de izlemeyi gerektiriyor.
AI Prompt
openai.comCreate a landscape editorial hero image for this Studio Global article: How is employee adoption of shadow AI outpacing governance controls in Singapore companies, and what do JFrog’s Sunny Rao and Splunk’s Chris. Article summary: Employee use of unapproved AI is moving faster than Singapore companies can discover it, review its outputs and enforce internal rules, creating a gap between written governance and operational control. The reported cons. Topic tags: general, general web, user generated. Style: premium digital editorial illustration, source-backed research mood, clean composition, high detail, modern web publication hero. Use reference image context only for broad subject, composition, and topical grounding; do not copy the exact image. Avoid: logos, brand marks, copyrighted characters, real person likenesses, fake screenshots, UI text, readable text, watermarks, charts with fa
Çalışanların iş için yapay zekâ araçlarına yönelmesi, şirketlerin bu araçları tespit etme, üretilen kodu inceleme ve kuralları uygulama kapasitesinden daha hızlı ilerleyebiliyor. Singapur’a ilişkin araştırmalar, politika sahibi olmakla bu politikaları yazılım geliştirme süreçlerinde gerçekten uygulayabilmek arasında bir boşluğa işaret ediyor. 3
5
6
Asıl mesele kural koymak değil, uygulayabilmek
“Gölge yapay zekâ”, çalışanların kurumun onayı veya denetimi olmadan iş amacıyla kullandığı yapay zekâ araçlarını ifade ediyor. Bu araçlar işleri hızlandırabilir; ancak BT ve güvenlik ekipleri nerede kullanıldıklarını ya da hangi bilgilerin paylaşıldığını göremeyebilir. 14
Bu nedenle yazılı bir politika tek başına yeterli değil. JFrog araştırmasına göre Singapur’daki kuruluşların yüzde 18’inde izinsiz yapay zekâ araçlarını yasaklayan kurallar bulunuyor, ancak ihlalleri tespit edecek bir mekanizma yok. 3
Yazılım geliştikçe inceleme yükü de artıyor
Modern uygulamalar yalnızca kurum içinde yazılan koddan oluşmuyor. Açık kaynak paketleri, bulut hizmetleri, yapay zekânın ürettiği kod, modeller ve üçüncü taraf araçlar da uygulamaların parçası olabiliyor. Şirketlerin bu bileşenleri de takip edip değerlendirmesi gerekiyor. 5
JFrog bulguları, bu işin ekipler üzerindeki yükünü gösteriyor: Singapur’daki DevSecOps paydaşlarının yüzde 60’ı yönetişim ve politika uygulamasını en büyük zaman yükü olarak tanımlarken, yüzde 41’i yapay zekâ tarafından üretilen kodu incelemenin kaynak tükettiğini belirtiyor. 5 Bu oranlar, araştırmaya katılan paydaşların bildirdiği baskıları yansıtıyor; her kuruluşun aynı düzeyde risk taşıdığını göstermiyor.
Ayrı bir JFrog araştırması haberinde denetime hazırlık da öne çıkıyor: Katılımcıların yüzde 54’ünün tek bir uygulama için uyumluluk kanıtlarını hazırlaması en az bir hafta sürüyor. 7 Bir uygulamanın kime ait olduğunu bilmek ile bileşenlerini ve uyumluluk durumunu hızla belgeleyebilmek aynı şey değil.
Risk yalnızca kod incelemesinden ibaret değil
Onaylanmamış yapay zekâ araçları güvenlik denetiminin dışında kaldığında çalışanlar kaynak kodu veya müşteri verisi gibi hassas bilgileri bu araçlara girebilir. Güvenlik rehberleri, hassas verilerin kurumun kontrolü dışına çıkmasını gölge yapay zekânın risklerinden biri olarak gösteriyor. 23
24
Yapay zekâ tarafından üretilen kod ve diğer çıktılar da kullanılmadan önce incelenmeli. Singapur bulguları bu incelemenin ciddi kaynak gerektirebildiğini ortaya koyuyor; ancak burada yer alan veriler, hataların ne sıklıkta müşterilere ya da kritik sistemlere ulaştığını göstermiyor. 5
Çalışanlar yasaklı araçları kullanmayı sürdürüyorsa, yalnızca yasak koymak görünürlük sorununu çözmeyebilir. Araştırmadaki denetim bulgusu, şirketlerin sadece neyin yasak olduğunu yazmakla kalmayıp yapay zekâ kullanımını tespit edebilmesi ve kuralları uygulayabilmesi gerektiğine işaret ediyor. 3
Güvenlik için tüm yazılım bileşenlerini görmek gerekiyor
JFrog’un Asya-Pasifik kıdemli başkan yardımcısı Sunny Rao, güncel uygulamaları kurum içi kod, açık kaynak paketleri, bulut hizmetleri, yapay zekâ tarafından üretilen kod, modeller ve üçüncü taraf araçların birleşimi olarak tanımlıyor. Bu yaklaşım, güvenlik odağını yalnızca kaynak kodundan uygulamaya giren tüm bileşenlere genişletiyor. 5
Splunk’tan Christine Low ise yapay zekâyı ölçeklendirmek isteyen kuruluşların uyumluluk beklentileri, veri yönetişimi gereklilikleri ve sürekli değişimin operasyonel yüküyle karşı karşıya olduğunu vurguluyor. 4 Bu iki bakış, yapay zekâ denetiminin yalnızca geliştiricilerin kod incelemesiyle sınırlı olmadığını; değişen sistemlerde verileri ve bağımlılıkları yönetmenin de önemli olduğunu gösteriyor.
Şirketler hangi adımları atabilir?
Görünürlüğü uygulanabilir kontrollerle birleştiren bir yaklaşım, şirketlerin kuralları günlük işleyişe taşımasına yardımcı olabilir:
- Uygulama bileşenlerini izleyin. Kurum içinde yazılan kodun yanı sıra yapay zekâ modellerini, paketleri ve diğer yazılım bileşenlerini de envantere alın.
5
8
- Politikaları tespit ve uygulama mekanizmalarıyla destekleyin. İzinsiz araç kullanımını saptayamayan kuruluşlara ilişkin yüzde 18’lik bulgu, kural koymanın tek başına yeterli olmadığını gösteriyor.
3
- Uyumluluk kanıtlarını hazırlamayı kolaylaştırın. Denetime hazırlığın haftalar alabilmesi, yalnızca uygulama sahipliğini kaydetmenin yetmeyebileceğine; bileşenler ve yönetişim hakkında erişilebilir bilgi gerektiğine işaret ediyor.
7
- Yapay zekâ çıktılarının incelemesini yazılım güvenliği sürecine dahil edin. Yapay zekâyla üretilmiş kodu, daha hızlı üretildiği için güvenli olduğu varsayılan bir çıktı olarak değil, değerlendirilmesi gereken bir bileşen olarak ele alın.
JFrog, modellerin, paketlerin, eklentilerin ve yapay zekâ tarafından üretilen bileşenlerin ortak bir kayıt sistemi üzerinden yönetilmesini öneriyor. 8 Kuruluşlar hangi araçları seçerse seçsin temel ihtiyaç aynı: Yazılım ve yapay zekâ tedarik zincirinin tamamında görülebilen unsurları, uygulanabilir kontrollerle eşleştirmek.
Studio Global AI
Continue your research
This page includes a source-backed answer you can continue inside Studio Global.
People also ask
What is the short answer to "Singapur’da yapay zekâ kullanımı denetimden hızlı ilerliyor"?
Singapur’daki DevSecOps paydaşlarının yüzde 60’ı yönetişim ve politika uygulamasını en büyük zaman yükü olarak görüyor; yüzde 41’i yapay zekâyla üretilen kodu incelemenin kaynak tükettiğini söylüyor.
What are the key points to validate first?
Singapur’daki DevSecOps paydaşlarının yüzde 60’ı yönetişim ve politika uygulamasını en büyük zaman yükü olarak görüyor; yüzde 41’i yapay zekâyla üretilen kodu incelemenin kaynak tükettiğini söylüyor. JFrog araştırmasına göre Singapur’daki kuruluşların yüzde 18’inde izinsiz yapay zekâ araçlarına karşı politika var, ancak ihlalleri tespit edecek mekanizma bulunmuyor.
What should I do next in practice?
Uygulamaları güvenli yönetmek, yalnızca kurum içinde yazılan kodu değil; yapay zekâ modellerini, açık kaynak paketlerini ve üçüncü taraf bileşenleri de izlemeyi gerektiriyor.
Sources
frontier-enterprise.comSingapore's innovation faces a new risk: Shadow AI