دوره آموزشی امنیت هوش مصنوعی مولد: استراتژیها، روشها، ابزارها و بهترین شیوهها
3 ساعت 39 دقیقهمتوسط2025-01-23
مدرسین

Pearson

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
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
- دوره آموزشی RAG، اپهای هوش مصنوعی و عوامل هوش مصنوعی برای امنیت سایبری و شبکهها
- دوره آموزشی مقدمهای بر رمزنگاری کاربردی و رمزکاوی
- دوره آموزشی آمادگی برای مدرک ISC2 Systems Security Certified Practitioner (SSCP)
- دوره آموزشی آمادگی برای دریافت گواهی CCNA امنیت سایبری (200-201) نسخه ۱.۲
- دوره آموزشی تشخیص خودکار تهدیدها: ساخت راهکارهای SOC با Splunk، TheHive و Snort
- دوره آموزشی Azure Event Hubs برای توسعهدهندگان
- دوره آموزشی کاربرد عملی ChatGPT در امنیت سایبری
- دوره آموزشی سیاستهای امنیتی سازمانی