Nous avons décidé de réfléchir à des critères de défense afin d’éviter la collecte de données malveillantes lors du processus de collecte
Le code ou la documentation générés par l’IA peuvent contenir des caractères ASCII altérés, des caractères Unicode trompeurs, des caractères de contrôle invisibles, des chaînes obfusquées, etc. ; il faut donc déterminer comment les détecter et les normaliser dès la phase de collecte
Il est plus important d’établir d’abord des critères de filtrage des données malveillantes/contaminées/obfusquées que de simplement accumuler beaucoup de données GitHub
En raison de problèmes de condition, le travail pourra être légèrement retardé pendant un certain temps