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

Generative AIIncident ResponseArtificial Intelligence (AI)CybersecurityOne-Off

سرفصل ها

مقدمه

  • ایمن سازی هوش مصنوعی مولد - مقدمه

مقدمه ای بر تهدیدات هوش مصنوعی و امنیت LLM

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

درک سریع مدیریت ناامن خروجی تزریق

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

مسمومیت داده‌های آموزشی، آسیب‌پذیری‌های زنجیره تامین خدمات انکار مدل

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

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

  • هدف یادگیری
  • درک افشای اطلاعات حساس
  • بهره برداری از طراحی پلاگین ناامن
  • پرهیز از عاملیت زیاد

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

  • اهداف آموزشی
  • درک بیش از حد اتکا
  • بررسی حملات مدل سرقت
  • درک تیم قرمز مدل‌های هوش مصنوعی

حفاظت از پیاده سازی‌های نسل افزوده بازیابی (RAG).

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

نتیجه گیری

  • ایمن سازی هوش مصنوعی مولد - خلاصه
۸۰,۰۰۰ تومان