دوره آموزشی دفاع و استقرار هوش مصنوعی
15 ساعتمتوسط2026-02-19
مدرسین

Pearson
جزئیات دوره
هوش مصنوعی بهسرعت در حال تغییر نحوه کار متخصصان امنیت سایبری، شبکه و توسعه نرمافزار است. امروزه توانایی استفاده از ابزارهای AI برای تحلیل اطلاعات، خودکارسازی فرآیندها، افزایش بهرهوری و طراحی راهکارهای امنیتی، به یکی از مهارتهای کلیدی متخصصان فناوری تبدیل شده است. با این حال، استفاده مؤثر از هوش مصنوعی نیازمند درک اصول، شناخت ابزارها و آگاهی از چالشهای امنیتی مرتبط با این فناوری است.
این دوره یک مسیر عملی برای یادگیری استفاده از ابزارهای پیشرفته هوش مصنوعی در حوزههای Cybersecurity (امنیت سایبری)، Networking (شبکه) و Programming (برنامهنویسی) ارائه میدهد. در این دوره، متخصص امنیت سایبری و مهندس برجسته Cisco، Omar Santos، شما را با روشهای استفاده از AI برای ساخت و استقرار مدلهای امن بدون نیاز به نوشتن حتی یک خط کد آشنا میکند.
در ابتدای دوره، با مفاهیم پایه و کاربردهای عملی ابزارهای هوش مصنوعی آشنا میشوید و یاد میگیرید چگونه از AI برای بازیابی هوشمند اطلاعات (Dynamic Information Retrieval)، پردازش دادهها و انجام فعالیتهای پیچیده به شکل سریعتر و کارآمدتر استفاده کنید.
سپس به سراغ اتوماسیون مبتنی بر هوش مصنوعی (AI-Powered Automation) میروید و یاد میگیرید چگونه ابزارهای AI میتوانند وظایف تکراری را سادهسازی کرده، فرآیندهای کاری را بهینه کنند و بهرهوری متخصصان فناوری را افزایش دهند.
یکی از بخشهای مهم دوره به امنیت سیستمهای هوش مصنوعی اختصاص دارد. در این بخش با چالشهای امنیتی مانند LLM Security (امنیت مدلهای زبانی بزرگ)، حملات Prompt Injection (تزریق پرامپت) و تکنیکهای AI Red Teaming (تست نفوذ و ارزیابی امنیت مدلهای AI) آشنا میشوید. همچنین یاد میگیرید چگونه تهدیدهای مرتبط با مدلهای هوش مصنوعی را شناسایی کرده و راهکارهای دفاعی مناسب را پیادهسازی کنید.
در ادامه، نحوه ایجاد محیطهای تحقیقاتی امن برای توسعه و آزمایش AI بررسی میشود. شما با طراحی محیطهای آزمایشگاهی مبتنی بر سیستمهای شخصی (Home Lab) و زیرساختهای ابری (Cloud Environment) آشنا خواهید شد و نکات مهم مربوط به انتخاب سختافزار، نرمافزار و مدیریت هزینهها را یاد میگیرید.
این دوره همچنین شامل فعالیتهای عملی و سناریوهای واقعی است که به شما کمک میکند مهارتهای کسبشده را در محیطهای نزدیک به دنیای واقعی آزمایش کنید. از آزمایش ابزارهای AI گرفته تا بررسی روشهای ایمنسازی مدلها، تمرکز دوره بر یادگیری کاربردی و قابل استفاده در پروژههای واقعی است.
این دوره برای متخصصان امنیت سایبری، کارشناسان شبکه، توسعهدهندگان نرمافزار، مهندسان فناوری اطلاعات و افرادی طراحی شده است که میخواهند بدون ورود عمیق به برنامهنویسی، توانایی استفاده حرفهای از ابزارهای هوش مصنوعی را در حوزههای فنی و امنیتی به دست آورند.
پس از پایان این دوره، توانایی استفاده از ابزارهای AI برای افزایش بهرهوری، طراحی محیطهای امن هوش مصنوعی، شناسایی تهدیدهای مرتبط با مدلهای زبانی و بهکارگیری اصول امنیتی در پروژههای AI را خواهید داشت.
🎯 اهداف یادگیری
استفاده از ابزارهای پیشرفته هوش مصنوعی برای بهبود فرآیندهای امنیت سایبری، شبکه و برنامهنویسی
راهاندازی و استفاده از مدلهای AI امن بدون نیاز به توسعه کدنویسی
بهکارگیری ابزارهای AI برای Dynamic Information Retrieval و پردازش هوشمند اطلاعات
طراحی و اجرای فرآیندهای Automation مبتنی بر هوش مصنوعی برای افزایش بهرهوری
شناسایی تهدیدهای امنیتی مرتبط با LLMها و مدلهای هوش مصنوعی
مقابله با حملات Prompt Injection و آسیبپذیریهای رایج در سیستمهای AI
اجرای تکنیکهای AI Red Teaming برای ارزیابی امنیت مدلهای هوش مصنوعی
ایجاد محیطهای تحقیقاتی امن AI در زیرساختهای Home Lab و Cloud
انتخاب تجهیزات سختافزاری، نرمافزاری و مدیریت هزینه برای پروژههای AI
اجرای سناریوهای عملی برای استفاده امن و مؤثر از فناوریهای هوش مصنوعی
این دوره یک مسیر عملی برای یادگیری استفاده از ابزارهای پیشرفته هوش مصنوعی در حوزههای Cybersecurity (امنیت سایبری)، Networking (شبکه) و Programming (برنامهنویسی) ارائه میدهد. در این دوره، متخصص امنیت سایبری و مهندس برجسته Cisco، Omar Santos، شما را با روشهای استفاده از AI برای ساخت و استقرار مدلهای امن بدون نیاز به نوشتن حتی یک خط کد آشنا میکند.
در ابتدای دوره، با مفاهیم پایه و کاربردهای عملی ابزارهای هوش مصنوعی آشنا میشوید و یاد میگیرید چگونه از AI برای بازیابی هوشمند اطلاعات (Dynamic Information Retrieval)، پردازش دادهها و انجام فعالیتهای پیچیده به شکل سریعتر و کارآمدتر استفاده کنید.
سپس به سراغ اتوماسیون مبتنی بر هوش مصنوعی (AI-Powered Automation) میروید و یاد میگیرید چگونه ابزارهای AI میتوانند وظایف تکراری را سادهسازی کرده، فرآیندهای کاری را بهینه کنند و بهرهوری متخصصان فناوری را افزایش دهند.
یکی از بخشهای مهم دوره به امنیت سیستمهای هوش مصنوعی اختصاص دارد. در این بخش با چالشهای امنیتی مانند LLM Security (امنیت مدلهای زبانی بزرگ)، حملات Prompt Injection (تزریق پرامپت) و تکنیکهای AI Red Teaming (تست نفوذ و ارزیابی امنیت مدلهای AI) آشنا میشوید. همچنین یاد میگیرید چگونه تهدیدهای مرتبط با مدلهای هوش مصنوعی را شناسایی کرده و راهکارهای دفاعی مناسب را پیادهسازی کنید.
در ادامه، نحوه ایجاد محیطهای تحقیقاتی امن برای توسعه و آزمایش AI بررسی میشود. شما با طراحی محیطهای آزمایشگاهی مبتنی بر سیستمهای شخصی (Home Lab) و زیرساختهای ابری (Cloud Environment) آشنا خواهید شد و نکات مهم مربوط به انتخاب سختافزار، نرمافزار و مدیریت هزینهها را یاد میگیرید.
این دوره همچنین شامل فعالیتهای عملی و سناریوهای واقعی است که به شما کمک میکند مهارتهای کسبشده را در محیطهای نزدیک به دنیای واقعی آزمایش کنید. از آزمایش ابزارهای AI گرفته تا بررسی روشهای ایمنسازی مدلها، تمرکز دوره بر یادگیری کاربردی و قابل استفاده در پروژههای واقعی است.
این دوره برای متخصصان امنیت سایبری، کارشناسان شبکه، توسعهدهندگان نرمافزار، مهندسان فناوری اطلاعات و افرادی طراحی شده است که میخواهند بدون ورود عمیق به برنامهنویسی، توانایی استفاده حرفهای از ابزارهای هوش مصنوعی را در حوزههای فنی و امنیتی به دست آورند.
پس از پایان این دوره، توانایی استفاده از ابزارهای AI برای افزایش بهرهوری، طراحی محیطهای امن هوش مصنوعی، شناسایی تهدیدهای مرتبط با مدلهای زبانی و بهکارگیری اصول امنیتی در پروژههای AI را خواهید داشت.
🎯 اهداف یادگیری
استفاده از ابزارهای پیشرفته هوش مصنوعی برای بهبود فرآیندهای امنیت سایبری، شبکه و برنامهنویسی
راهاندازی و استفاده از مدلهای AI امن بدون نیاز به توسعه کدنویسی
بهکارگیری ابزارهای AI برای Dynamic Information Retrieval و پردازش هوشمند اطلاعات
طراحی و اجرای فرآیندهای Automation مبتنی بر هوش مصنوعی برای افزایش بهرهوری
شناسایی تهدیدهای امنیتی مرتبط با LLMها و مدلهای هوش مصنوعی
مقابله با حملات Prompt Injection و آسیبپذیریهای رایج در سیستمهای AI
اجرای تکنیکهای AI Red Teaming برای ارزیابی امنیت مدلهای هوش مصنوعی
ایجاد محیطهای تحقیقاتی امن AI در زیرساختهای Home Lab و Cloud
انتخاب تجهیزات سختافزاری، نرمافزاری و مدیریت هزینه برای پروژههای AI
اجرای سناریوهای عملی برای استفاده امن و مؤثر از فناوریهای هوش مصنوعی
سرفصل ها
مقدمه
- مقدمه
مقدمهای بر ابزارهای مبتنی بر هوش مصنوعی
- اهداف یادگیری
- مروری بر تکامل ابزارهای مبتنی بر هوش مصنوعی
- مدلهای زبان بزرگ (LLM) و مدلهای زبان کوچک (SLM)
- معرفی LangChain، LangGraph، Llama Index و سایر چارچوبهای هماهنگسازی
- مروری بر مدلهای هوش مصنوعی متنباز و چهره در آغوش گرفته
- معرفی نسل افزوده بازیابی (RAG)
- معرفی مدلهای جاسازی
- معرفی پایگاههای داده برداری - pgvector، Chroma، MongoDB Atlas Vector Search و موارد دیگر
- معرفی جستجوی معنایی
استفاده از هوش مصنوعی برای امنیت سایبری
- اهداف یادگیری
- تسریع وظایف امنیت شبکه با هوش مصنوعی
- مهندسی سریع برای امنیت سایبری
- ایمنسازی پیادهسازیهای هوش مصنوعی
- بررسی فرآیندهای امنیت شبکه با استفاده از ابزارهای هوش مصنوعی
استفاده از هوش مصنوعی برای توسعه نرمافزار
- اهداف یادگیری
- بررسی چگونگی ایجاد انقلابی در توسعه نرمافزار توسط هوش مصنوعی
- نقشهبرداری گیتهاب، کمکخلبان، مکاننما و کدی
- بررسی مدل CODEX
- تولید کد از یک اعلان
- توضیح کد موجود
- ایجاد نظرات
- مهندسی سریع برای توسعه نرمافزار
استفاده از هوش مصنوعی برای شبکهسازی
- اهداف یادگیری
- بررسی چگونگی متحول کردن شبکه توسط هوش مصنوعی
- استفاده از GitHub Copilot برای کارهای برنامهنویسی مربوط به شبکه
- بررسی مدلهای هوش مصنوعی برای موارد استفاده از شبکه
- مهندسی سریع برای شبکهسازی
روندهای آینده و فناوریهای نوظهور دیگر
- اهداف یادگیری
- بررسی کاربردهای دیگر هوش مصنوعی در فناوریهای نوظهور
- چارچوبهای نظارتی و سیاستگذاری
- بهروز ماندن در مورد پیشرفتهای هوش مصنوعی و امنیت سایبری
برنامهنویسی، شبکهسازی و امنیت سایبری مبتنی بر هوش مصنوعی - خلاصه
- خلاصه
ایمنسازی هوش مصنوعی مولد - مقدمه
- مقدمه
مقدمهای بر تهدیدات هوش مصنوعی و امنیت LLM
- اهداف یادگیری
- درک اهمیت LLMها در چشمانداز هوش مصنوعی
- بررسی منابع این دوره - مخازن GitHub و موارد دیگر
- معرفی تولید افزوده بازیابی (RAG)
- آشنایی با 10 ریسک برتر OWASP برای دانشجویان کارشناسی ارشد مدیریت بازرگانی
- بررسی چارچوب MITER ATLAS (چشمانداز تهدیدهای تخاصمی برای سیستمهای هوش مصنوعی)
- درک طبقهبندی و اصطلاحات NIST در مورد حملات و راهکارهای مقابله با آنها
درک تزریق سریع و مدیریت خروجی ناامن
- اهداف یادگیری
- تعریف حملات تزریق سریع
- بررسی حملات تزریق سریع در دنیای واقعی
- استفاده از ChatML برای فراخوانیهای API OpenAI برای نشان دادن منبع ورودی سریع به LLM
- اعمال کنترل امتیاز بر دسترسی LLM به سیستمهای back-end
- بهترین شیوهها در مورد توکنهای API برای افزونهها، دسترسی به دادهها و مجوزهای سطح عملکرد
- آشنایی با حملات مدیریت خروجی ناامن
- استفاده از OWASP ASVS برای محافظت در برابر مدیریت خروجی ناامن
آلودگی دادههای آموزشی، انکار سرویس مدل و آسیبپذیریهای زنجیره تأمین
- اهداف یادگیری
- آشنایی با حملات مسمومیت با دادههای آموزشی
- بررسی حملات انکار سرویس مدل
- درک خطرات زنجیره تامین هوش مصنوعی و یادگیری ماشینی
- بهترین شیوهها هنگام استفاده از مدلهای متنباز از Hugging Face و سایر منابع
- ایمنسازی Amazon Bedrock، SageMaker، سرویسهای هوش مصنوعی Microsoft Azure و سایر محیطها
افشای اطلاعات حساس، طراحی افزونه ناامن و دخالت بیش از حد
- اهداف یادگیری
- درک افشای اطلاعات حساس
- سوءاستفاده از طراحی ناامن افزونه
- اجتناب از دخالت بیش از حد
اتکای بیش از حد، سرقت مدل و مدلهای هوش مصنوعی تیم قرمز
- اهداف یادگیری
- درک اتکای بیش از حد
- بررسی حملات سرقت مدل
- درک تیم قرمز مدلهای هوش مصنوعی
محافظت از پیادهسازیهای بازیابی-تولید افزوده (RAG)
- اهداف یادگیری
- درک RAG، LangChain، Llama Index، و ارکستراسیون هوش مصنوعی
- ایمنسازی مدلهای جاسازی
- ایمنسازی پایگاههای داده برداری
- نظارت و واکنش به حوادث
ایمنسازی هوش مصنوعی مولد - خلاصه
- خلاصه
آزمایشگاه هوش مصنوعی خودتان را بسازید - مقدمه
- مقدمه
مقدمهای بر آزمایشگاهها و محیطهای شبیهسازی هوش مصنوعی
- اهداف یادگیری
- مروری بر آزمایشگاهها و محیطهای آزمایشی هوش مصنوعی - محیط خانگی در مقابل محیط ابری
- انتخاب سختافزار مناسب - پردازندههای گرافیکی (GPU)، پردازندههای مرکزی (CPU) و حافظه
- ساخت یا خرید سیستمهای از پیش ساخته شده
- انتخاب سیستم عامل - لینوکس، ویندوز و macOS
- نرمافزارهای ضروری نقشهبرداری - پایتون، آناکوندا، ژوپیتر نوتبوک و سایر چارچوبها
- معرفی چهره در آغوش گیرنده
- معرفی اولاما
- نصب اولاما
- ادغامهای اولاما
- بررسی API مربوط به REST در Ollama
- کاوش در RAG
- استفاده از RAGFlow
آزمایشگاهها و محیطهای آزمایشی هوش مصنوعی مبتنی بر ابر
- اهداف یادگیری
- مزایا و معایب آزمایشگاهها و محیطهای آزمایشی هوش مصنوعی ابری
- معرفی بستر آمازون
- نقشهبرداری Amazon SageMaker
- بررسی هوش مصنوعی گوگل ورتکس
- استفاده از Microsoft Azure AI Foundry
- بحث در مورد مدیریت هزینه و امنیت
- استفاده از Terraform برای استقرار Ollama در فضای ابری
ادغام و بهرهبرداری از محیطهای هوش مصنوعی
- اهداف یادگیری
- استفاده از آزمایشگاههای ترکیبی هوش مصنوعی - ترکیب منابع خانگی و ابری
- همگامسازی دادهها و پروژهها
- بهرهگیری از نقاط قوت هر دو محیط
- اجرای مدلهای متنباز موجود در Hugging Face
- معرفی LangChain
- معرفی LlamaIndex
- درک مدلهای تعبیه
- استفاده از پایگاههای داده برداری
مباحث پیشرفته
- اهداف یادگیری
- استفاده از LangSmith و LangGraph
- استفاده از چارچوبهای تنظیم دقیق
- محاسبات با کارایی بالا و هوش مصنوعی لبهای
آزمایشگاه هوش مصنوعی خودتان را بسازید - خلاصه
- خلاصه
عاملهای هوش مصنوعی و RAG عاملدار برای امنیت سایبری - مقدمه
- مقدمه
مقدمهای بر RAG در امنیت سایبری
- اهداف یادگیری
- ملزومات RAG
- بررسی مخازن گیتهاب و منابع اضافی
- جاسازیها و مدلهای جاسازی
- تکنیکهای نمایهسازی
- پایگاههای داده برداری
- استراتژیهای قطعهبندی
- RAG در مقابل تنظیم دقیق
- RAG، RAG Fusion و RAPTOR
- اجرای مدلهای وزنه آزاد با اولاما
- بررسی Open WebUI و سایر افزونههای Ollama
- مقدمهای بر عاملهای هوش مصنوعی و پیادهسازیهای عاملمحور
- مقدمهای بر RAG عاملی
- معرفی پروتکل زمینه مدل (MCP)
- معرفی A2A و AGNTCY
معرفی LangChain، LangGraph و LLamaIndex
- اهداف یادگیری
- معرفی LangChain
- LangChain در مقابل LlamaIndex
- قالبهای اعلان و اعلانهای سیستم
- معرفی لانگ اسمیت
مهندسی سریع، زنجیرههای سریع و مثالهای RAG
- اهداف یادگیری
- تسلط بر مهندسی سریع
- بررسی مثالهای اولیه زنجیره اعلان
- ایجاد زنجیرههای شاخهبندی سریع
- بررسی زنجیرههای اعلان موازی
- ایجاد یک برنامه کاربردی RAG پایه
- ایجاد یک برنامه کامل RAG
عاملهای هوش مصنوعی و RAG عاملدار برای امنیت سایبری - خلاصه
- اهداف یادگیری
- مقدمهای بر چارچوبهای عامل هوش مصنوعی
- گروه نقشهبرداری
- معرفی LangGraph
- بررسی نمونههایی از LangGraph در عمل
- بررسی نمونهای از عاملها با سرورهای MCP
- ایمنسازی پیادهسازیهای عاملمحور
- خلاصه