تخفیف ویژه همین الان — دوره‌های تخفیف‌دار را ببینید.
روز
:
ساعت
:
دقیقه
:
ثانیه
تخفیف‌های ویژه
دوره آموزشی امنیت هوش مصنوعی مولد: استراتژی‌ها، روش‌ها، ابزارها و بهترین شیوه‌ها

دوره آموزشی امنیت هوش مصنوعی مولد: استراتژی‌ها، روش‌ها، ابزارها و بهترین شیوه‌ها

3 ساعت 39 دقیقهمتوسط2025-01-23

مدرسین

Pearson

Pearson

Omar Santos

Omar Santos

جزئیات دوره

این دوره، بررسی جامعی در زمینه تدابیر امنیتی ضروری برای پیاده‌سازی و توسعه انواع مختلف هوش مصنوعی، از جمله مدل‌های زبان بزرگ (LLMs) و نسل‌گیری افزوده بازیابی (RAG) ارائه می‌دهد. با کشف نکات کلیدی و تدابیر کاهش ریسک در فرایندهای توسعه سیستم‌های هوش مصنوعی سازمان‌ها، شما با اصول طراحی ایمن، نتایج امنیتی، شفافیت رادیکال و ساختارهای سازمانی که اولویت امنیتی دارند آشنا خواهید شد. مدرس این دوره، Omar Santos، مواردی از تهدیدات هوش مصنوعی، امنیت LLM، تزریق دستورات، مدیریت نادرست خروجی، مدل‌های تست قرمز و موارد دیگر را پوشش می‌دهد. پس از پایان این دوره، شما قادر خواهید بود مهارت‌های جدید خود را برای محافظت از پیاده‌سازی‌های RAG، تأمین پایگاه داده‌های برداری، انتخاب مدل‌های جاسازی و بهره‌گیری از کتابخانه‌های ارکستراسیون قدرتمند مانند LangChain و LlamaIndex به کار بگیرید.

اهداف یادگیری دوره
بررسی امنیت برای پیاده‌سازی و توسعه برنامه‌های هوش مصنوعی، نسل‌گیری افزوده بازیابی (RAG)، عامل‌ها و سایر پیاده‌سازی‌های هوش مصنوعی
بهره‌برداری از مهارت‌های عملی آموخته‌شده در مسائل دنیای واقعی هوش مصنوعی و یادگیری ماشین
اعمال تدابیر امنیتی کلیدی در هر مرحله از توسعه، پیاده‌سازی و عملیات هوش مصنوعی

مهارت ها

Incident ResponseGenerative AICybersecurityArtificial Intelligence (AI)One-Off

سرفصل ها

0. مقدمه

  • 01 - ایمن سازی هوش مصنوعی مولد - مقدمه

1. مقدمه ای بر تهدیدات هوش مصنوعی و امنیت LLM

  • 02 - اهداف آموزشی
  • 03 - درک اهمیت LLM‌ها در چشم انداز هوش مصنوعی
  • 04 - بررسی منابع این دوره - مخازن GitHub و دیگران
  • 05 - معرفی نسل افزوده بازیابی (RAG)
  • 06 - درک 10 خطر برتر OWASP برای LLM
  • 07 - بررسی چارچوب MITER ATLAS (چشم انداز تهدید متخاصم برای سیستم‌های هوش مصنوعی)
  • 08 - درک طبقه بندی NIST و اصطلاحات حملات و کاهش

2. درک سریع مدیریت ناامن خروجی تزریق

  • 09 - اهداف آموزشی
  • 10 - تعریف حملات تزریق سریع
  • 11 - بررسی حملات تزریق فوری در زندگی واقعی
  • 12 - استفاده از ChatML برای فراخوانی‌های OpenAI API برای نشان دادن منبع ورودی سریع به LLM
  • 13 - اعمال کنترل امتیاز در دسترسی LLM به سیستم‌های بک اند
  • 14 - بهترین روش‌ها در مورد توکن‌های API برای پلاگین ‌ها , دسترسی به داده‌ها و مجوزهای سطح عملکرد
  • 15 - درک حملات مدیریت ناامن خروجی
  • 16 - استفاده از OWASP ASVS برای محافظت در برابر کنترل ناامن خروجی

3. مسمومیت داده‌های آموزشی، آسیب‌پذیری‌های زنجیره تامین خدمات انکار مدل

  • 17 - اهداف آموزشی
  • 18 - درک حملات مسمومیت داده‌های آموزشی
  • 19 - بررسی مدل حملات انکار سرویس
  • 20 - درک خطرات زنجیره تامین هوش مصنوعی و ML
  • 21 - بهترین روش‌ها هنگام استفاده از مدل‌های منبع باز از Hugging face و منابع دیگر
  • 22 - ایمن سازی Amazon Bedrock، Amazon SageMaker، خدمات هوش مصنوعی MicrosoftAzure و سایر محیط ها

4. افشای اطلاعات حساس، طراحی پلاگین ناامن و نمایندگی بیش از حد

  • 23 - هدف یادگیری
  • 24 - درک افشای اطلاعات حساس
  • 25 - بهره برداری از طراحی پلاگین ناامن
  • 26 - پرهیز از عاملیت زیاد

5. مدل‌های هوش مصنوعی بیش از حد، سرقت مدل و تیم قرمز

  • 27 - اهداف آموزشی
  • 28 - درک بیش از حد اتکا
  • 29 - بررسی حملات مدل سرقت
  • 30 - درک تیم قرمز مدل‌های هوش مصنوعی

6. حفاظت از پیاده سازی‌های نسل افزوده بازیابی (RAG).

  • 31 - اهداف آموزشی
  • 32 - درک RAG، LangChain، Llama index، و ارکستراسیون هوش مصنوعی
  • 33 - ایمن سازی مدل‌های تعبیه شده
  • 34 - ایمن سازی پایگاه‌های داده برداری
  • 35 - نظارت و واکنش به حوادث

نتیجه گیری

  • 36 - ایمن سازی هوش مصنوعی مولد - خلاصه

دوره های مرتبط

درباره ما

لینداکده یک بستر یادگیری پیشرو است که به افراد کمک می کند تا کسب و کار ، نرم افزار ، فناوری و مهارت‌های خلاقانه را برای دستیابی به اهداف شخصی و حرفه ای بیاموزد.

شماره تلفنکانال آپاراتپشتیبانی تلگرامکانال تلگرامپیج اینستاگرام

کلیه‌ی حقوق این سایت متعلق به لینداکده می باشد

قوانین و شرایط|حریم خصوصی

نماد الکترونیک enamad در صورت اتصال با آی‌پی داخل کشور، نمایش داده خواهد شد.
logo-samandehi - لوگو ساماندهی
zarinpal
zibal