آموزش دفاع و استقرار هوش مصنوعی توسط Pearson - آخرین آپدیت

سرفصل ها و درس ها

مقدمه Introduction

• مقدمه Introduction

1. معرفی ابزارهای مبتنی بر هوش مصنوعی 1. Introduction to AI-Powered Tools

• معرفی LangChain، LangGraph، Llama Index و سایر چارچوب‌های ارکستراسیون Introducing LangChain, LangGraph, Llama Index, and other orchestration frameworks

• مروری بر مدل‌های هوش مصنوعی متن‌باز و Hugging Face An overview of open-source AI models and Hugging Face

• معرفی مدل‌های Embedding Introducing embedding models

• معرفی تولید متکی بر بازیابی (RAG) Introducing retrieval augmented generation (RAG)

• معرفی پایگاه داده‌های برداری: pgvector، Chroma، MongoDB Atlas Vector Search و سایرین Introducing vector databases: pgvector, Chroma, MongoDB Atlas Vector Search, and others

• اهداف یادگیری Learning objectives

• معرفی جستجوی معنایی (Semantic Search) Introducing semantic search

• مدل‌های زبانی بزرگ (LLMs) و مدل‌های زبانی کوچک (SLMs) Large language models (LLMs) and small language models (SLMs)

• مروری بر تکامل ابزارهای مبتنی بر هوش مصنوعی Overview of the evolution of AI-driven tools

2. استفاده از هوش مصنوعی برای امنیت سایبری 2. Using AI for Cybersecurity

• بررسی فرآیندهای امنیت شبکه با استفاده از ابزارهای هوش مصنوعی Exploring network security processes incorporating AI tools

• اهداف یادگیری Learning objectives

• امنیت بخش‌های پیاده‌سازی شده با هوش مصنوعی Securing AI implementations

• مهندسی پرومپت برای امنیت سایبری Prompt engineering for cybersecurity

• شتاب‌بخشی به وظایف امنیت شبکه با هوش مصنوعی Accelerating network security tasks with AI

3. استفاده از هوش مصنوعی برای توسعه نرم‌افزار 3. Using AI for Software Development

• بررسی چگونگی تحول توسعه نرم‌افزار توسط هوش مصنوعی Exploring how AI is revolutionizing software development

• بررسی GitHub Copilot، Cursor و Cody Surveying GitHub Copilot, Cursor, and Cody

• تولید کد از طریق پرومپت Generating code from a prompt

• اهداف یادگیری Learning objectives

• بررسی مدل CODEX Exploring the CODEX model

• تولید کامنت‌ها Generating comments

• توضیح کدهای موجود Explaining existing code

• مهندسی پرومپت برای توسعه نرم‌افزار Prompt engineering for software development

4. استفاده از هوش مصنوعی برای شبکه‌سازی 4. Using AI for Networking

• بررسی مدل‌های هوش مصنوعی برای کاربردهای شبکه‌سازی Exploring AI models for networking use cases

• مهندسی پرومپت برای شبکه‌سازی Prompt engineering for networking

• استفاده از GitHub Copilot برای وظایف برنامه‌نویسی مربوط به شبکه Using GitHub Copilot for programming tasks related to networking

• بررسی چگونگی تحول شبکه‌سازی توسط هوش مصنوعی Exploring how AI is revolutionizing networking

• اهداف یادگیری Learning objectives

5. روندهای آینده و فناوری‌های نوظهور اضافی 5. Future Trends and Additional Emerging Technologies

• بررسی کاربردهای تکمیلی هوش مصنوعی در فناوری‌های نوظهور Exploring additional applications of AI in emerging technologies

• به‌روز ماندن در مورد پیشرفت‌های هوش مصنوعی و امنیت سایبری Staying updated on advancements in AI and cybersecurity

• چارچوب‌های قانونی و سیاست‌گذاری Regulatory and policy frameworks

• اهداف یادگیری Learning objectives

6. برنامه‌نویسی، شبکه‌سازی و امنیت سایبری مبتنی بر هوش مصنوعی: خلاصه 6. AI-Enabled Programming, Networking, and Cybersecurity: Summary

• خلاصه Summary

7. امنیت هوش مصنوعی مولد: مقدمه 7. Securing Generative AI: Introduction

• مقدمه Introduction

8. معرفی تهدیدات هوش مصنوعی و امنیت LLM 8. Introduction to AI Threats and LLM Security

• درک اهمیت LLMها در چشم‌انداز هوش مصنوعی Understanding the significance of LLMs in the AI landscape

• درک ۱۰ خطر برتر OWASP برای LLMها Understanding the OWASP Top 10 risks for LLMs

• درک تاکسونومی و ترمینولوژی حملات و اقدامات متقابل NIST Understanding the NIST taxonomy and terminology of attacks and mitigations

• بررسی منابع این دوره: مخازن GitHub و سایرین Exploring the resources for this course: GitHub repositories and others

• اهداف یادگیری Learning objectives

• معرفی تولید متکی بر بازیابی (RAG) Introducing retrieval-augmented generation (RAG)

• بررسی چارچوب MITRE ATLAS (چشم‌انداز تهدیدات متخاصم برای سیستم‌های هوش مصنوعی) Exploring the MITRE ATLAS™ (Adversarial Threat Landscape for Artificial-Intelligence Systems) framework

9. درک تزریق پرومپت و مدیریت خروجی‌های ناامن 9. Understanding Prompt Injection and Insecure Output Handling

• استفاده از ChatML برای فراخوانی‌های API OpenAI جهت مشخص کردن منبع ورودی پرومپت به LLM Using ChatML for OpenAI API calls to indicate to the LLM the source of prompt input

• اعمال کنترل دسترسی سطح دسترسی بر دسترسی LLM به سیستم‌های بک‌اند Enforcing privilege control on LLM access to back-end systems

• بررسی حملات تزریق پرومپت در دنیای واقعی Exploring real-life prompt injection attacks

• استفاده از OWASP ASVS برای محافظت در برابر مدیریت خروجی ناامن Using the OWASP ASVS to protect against insecure output handling

• درک حملات مدیریت خروجی ناامن Understanding insecure output handling attacks

• تعریف حملات تزریق پرومپت Defining prompt injection attacks

• بهترین روش‌ها در مورد توکن‌های API برای پلاگین‌ها، دسترسی به داده‌ها و مجوزهای سطح تابع Best practices around API tokens for plugins, data access, and function-level permissions

• اهداف یادگیری Learning objectives

10. مسموم کردن داده‌های آموزشی، عدم دسترسی به مدل (DoS) و آسیب‌پذیری‌های زنجیره تأمین 10. Training Data Poisoning, Model Denial of Service, and Supply Chain Vulnerabilities

• بررسی حملات عدم دسترسی به مدل (Model DoS) Exploring model denial of service attacks

• درک ریسک‌های زنجیره تأمین هوش مصنوعی و یادگیری ماشین (ML) Understanding the risks of the AI and ML supply chain

• اهداف یادگیری Learning objectives

• امنیت Amazon Bedrock، SageMaker، Microsoft Azure AI Services و سایر محیط‌ها Securing Amazon Bedrock, SageMaker, Microsoft Azure AI Services, and other environments

• درک حملات مسموم کردن داده‌های آموزشی Understanding training data poisoning attacks

• بهترین روش‌ها هنگام استفاده از مدل‌های متن‌باز Hugging Face و سایر منابع Best practices when using open-source models from Hugging Face and other sources

11. افشای اطلاعات حساس، طراحی ناامن پلاگین‌ها و دسترسی‌های بیش از حد 11. Sensitive Information Disclosure, Insecure Plugin Design, and Excessive Agency

• اهداف یادگیری Learning objectives

• بهره‌برداری از طراحی ناامن پلاگین‌ها Exploiting insecure plugin design

• جلوگیری از دسترسی‌های بیش از حد (Excessive Agency) Avoiding excessive agency

• درک افشای اطلاعات حساس Understanding sensitive information disclosure

12. اتکای بیش از حد، سرقت مدل و ردتیمینگ مدل‌های هوش مصنوعی 12. Overreliance, Model Theft, and Red Teaming AI Models

• اهداف یادگیری Learning objectives

• بررسی حملات سرقت مدل Exploring model theft attacks

• درک ردتیمینگ (Red Teaming) مدل‌های هوش مصنوعی Understanding red teaming of AI models

• درک اتکای بیش از حد Understanding overreliance

13. محافظت از پیاده‌سازی‌های تولید متکی بر بازیابی (RAG) 13. Protecting Retrieval-Augmented Generation (RAG) Implementations

• امنیت مدل‌های Embedding Securing embedding models

• اهداف یادگیری Learning objectives

• امنیت پایگاه داده‌های برداری Securing vector databases

• مانیتورینگ و پاسخ به حوادث Monitoring and incident response

• درک RAG، LangChain، Llama Index و ارکستراسیون هوش مصنوعی Understanding the RAG, LangChain, Llama Index, and AI orchestration

14. امنیت هوش مصنوعی مولد: خلاصه 14. Securing Generative AI: Summary

• خلاصه Summary

15. ساخت آزمایشگاه هوش مصنوعی شخصی: مقدمه 15. Build Your Own AI Lab: Introduction

• مقدمه Introduction

16. معرفی آزمایشگاه‌ها و سندباکس‌های هوش مصنوعی 16. Introduction to AI Labs and Sandboxes

• مروری بر آزمایشگاه‌های هوش مصنوعی و سندباکس‌ها: خانگی در مقابل ابری Overview of AI labs and sandboxes: Home-based vs. cloud-based

• انتخاب سیستم‌عامل: لینوکس، ویندوز و مک Choosing the operating system: Linux, Windows, and macOS

• بررسی RAG Exploring RAG

• بررسی API REST مربوط به Ollama Exploring the Ollama REST API

• نصب Ollama Installing Ollama

• بررسی نرم‌افزارهای ضروری: پایتون، Anaconda، Jupyter Notebooks و سایر چارچوب‌ها Surveying essential software: Python, Anaconda, Jupyter Notebooks, and other frameworks

• انتخاب سخت‌افزار مناسب: GPUها، CPUها و حافظه Choosing the right hardware: GPUs, CPUs, and memory

• معرفی Hugging Face Introducing Hugging Face

• بهره‌برداری از RAGFlow Leveraging RAGFlow

• ساخت یا خرید سیستم‌های پیش‌ساخته Building or buying prebuilt systems

• یکپارچه‌سازی‌های Ollama Ollama integrations

• اهداف یادگیری Learning objectives

• معرفی Ollama Introducing Ollama

17. آزمایشگاه‌ها و سندباکس‌های هوش مصنوعی مبتنی بر ابر 17. Cloud-Based AI Labs and Sandboxes

• استفاده از Microsoft Azure AI Foundry Using Microsoft Azure AI Foundry

• معرفی Amazon Bedrock Introducing Amazon Bedrock

• بررسی Amazon SageMaker Surveying Amazon SageMaker

• بحث در مورد مدیریت هزینه و امنیت Discussing cost management and security

• مزایا و معایب آزمایشگاه‌های ابری هوش مصنوعی و سندباکس‌ها Advantages and disadvantages of cloud AI labs and sandboxes

• بررسی Google Vertex AI Exploring Google Vertex AI

• استفاده از Terraform برای استقرار Ollama در ابر Using Terraform to deploy Ollama in the cloud

• اهداف یادگیری Learning objectives

18. یکپارچه‌سازی و بهره‌برداری از محیط‌های هوش مصنوعی 18. Integrating and Leveraging AI Environments

• معرفی LangChain Introducing LangChain

• همگام‌سازی داده‌ها و پروژه‌ها Synchronizing data and projects

• معرفی LlamaIndex Introducing LlamaIndex

• استفاده از پایگاه داده‌های برداری Using vector databases

• استفاده از آزمایشگاه‌های ترکیبی هوش مصنوعی: ترکیب منابع خانگی و ابری Using hybrid AI labs: combining home and cloud resources

• درک مدل‌های Embedding Understanding embedding models

• اجرای مدل‌های متن‌باز موجود در Hugging Face Running open-source models available on Hugging Face

• اهداف یادگیری Learning objectives

• بهره‌برداری از نقاط قوت هر دو محیط Leveraging the strengths of both environments

19. مباحث پیشرفته 19. Advanced Topics

• رایانش با عملکرد بالا (HPC) و هوش مصنوعی لبه (Edge AI) High-performance computing and edge AI

• بهره‌برداری از LangSmith و LangGraph Leveraging LangSmith and LangGraph

• اهداف یادگیری Learning objectives

• استفاده از چارچوب‌های Fine-tuning Using fine-tuning frameworks

20. ساخت آزمایشگاه هوش مصنوعی شخصی: خلاصه 20. Build Your Own AI Lab: Summary

• خلاصه Summary

21. عوامل هوش مصنوعی و Agentic RAG برای امنیت سایبری: مقدمه 21. AI Agents and Agentic RAG for Cybersecurity: Introduction

• مقدمه Introduction

22. معرفی RAG در امنیت سایبری 22. Introduction to RAG in Cybersecurity

• معرفی پروتکل بافتار مدل (MCP) Introducing the Model Context Protocol (MCP)

• RAG، RAG Fusion و RAPTOR RAG, RAG Fusion, and RAPTOR

• اهداف یادگیری Learning objectives

• ضروریات RAG The essentials of RAG

• استراتژی‌های تکه‌بندی (Chunking) Chunking strategies

• بررسی مخازن GitHub و منابع اضافی Exploring the GitHub repositories and additional resources

• Embeddingها و مدل‌های Embedding Embeddings and embedding models

• بررسی Open WebUI و سایر پلاگین‌های Ollama Exploring Open WebUI and other Ollama plugins

• اجرای مدل‌های با وزن باز (Open Weight) با Ollama Running open-weight models with Ollama

• تکنیک‌های ایندکس‌گذاری Indexing techniques

• پایگاه داده‌های برداری Vector databases

• معرفی A2A و AGNTCY Introducing A2A and AGNTCY

• معرفی عوامل هوش مصنوعی و پیاده‌سازی‌های Agentic Introduction to AI agents and agentic implementations

• معرفی Agentic RAG Introduction to agentic RAG

• RAG در مقابل Fine-tuning RAG vs. fine-tuning

23. معرفی LangChain، LangGraph و LLamaIndex 23. Introducing LangChain, LangGraph, and LLamaIndex

• قالب‌های پرومپت و پرومپت‌های سیستمی Prompt templates and system prompts

• معرفی LangChain Introducing LangChain

• اهداف یادگیری Learning objectives

• معرفی LangSmith Introducing LangSmith

• LangChain در مقابل LlamaIndex LangChain vs. LlamaIndex

24. مهندسی پرومپت، زنجیره‌های پرومپت و مثال‌های RAG 24. Prompt Engineering, Prompt Chains, and RAG Examples

• بررسی زنجیره‌های پرومپت موازی Exploring parallel prompt chains

• ایجاد زنجیره‌های شاخه‌ای پرومپت Creating prompt branching chains

• ایجاد یک اپلیکیشن RAG کامل Creating a complete RAG application

• تسلط بر مهندسی پرومپت Mastering prompt engineering

• اهداف یادگیری Learning objectives

• ایجاد یک اپلیکیشن RAG پایه Creating a basic RAG application

• بررسی مثال‌های پایه زنجیره پرومپت Exploring basic prompt chain examples

25. عوامل هوش مصنوعی و Agentic RAG برای امنیت سایبری: خلاصه 25. AI Agents and Agentic RAG for Cybersecurity: Summary

• بررسی مثالی از عوامل با سرورهای MCP Exploring an example of agents with MCP servers

• امنیت پیاده‌سازی‌های Agentic Securing agentic implementations

• بررسی مثال‌های عملی LangGraph Exploring examples of LangGraph in action

• معرفی LangGraph Introducing LangGraph

• معرفی چارچوب‌های عوامل هوش مصنوعی Introduction to AI agent frameworks

• اهداف یادگیری Learning objectives

• بررسی CrewAI Surveying CrewAI

25. عوامل هوش مصنوعی و Agentic RAG برای امنیت سایبری: خلاصه 25. AI Agents and Agentic RAG for Cybersecurity: Summary

• خلاصه Summary