آموزش مقدمه ای بر MLSecOps

Introduction to MLSecOps

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره:

هرچه بیشتر به هوش مصنوعی (AI) و یادگیری ماشین (ML) تکیه کنیم، بیشتر به آن سیستم‌ها نیاز داریم که قابل اعتماد و انعطاف‌پذیر باشند. در این دوره آموزشی – که برای مهندسان ML، دانشمندان داده، شاغلین AppSec یا MLSec و رهبران کسب و کار طراحی شده است – به مدرس دایانا کلی بپیوندید تا با تمرکز بر تاثیرگذارترین مسائل امنیتی، مروری جامع از نحوه ایجاد امنیت در یادگیری ماشین و هوش مصنوعی ارائه دهد. استراتژی های پیشگیری با استفاده از چارچوب MLSecOps.

بررسی کنید که چگونه چرخه حیات MLOps با DevSecOps همپوشانی و همگرایی دارد تا دریابید که چگونه و کجا امنیت را می توان در خط لوله ML بافته کرد. دیانا به شما نشان می‌دهد که چگونه می‌توانید مدل‌های یادگیری ماشین را ایمن کنید، ارزیابی‌های ریسک آگاه از هوش مصنوعی را انجام دهید، زنجیره‌های تامین را ممیزی و پایش کنید، طرح‌های واکنش به حادثه را اجرا کنید، و تیم رویایی MLSecOps خود را بسازید. در پایان این دوره، شما آماده خواهید بود که به افراد و سازمان ها کمک کنید تا در مورد ایمن سازی سیستم های هوش مصنوعی و ML خود فعال تر باشند.


سرفصل ها و درس ها

معرفی Introduction

  • قدرت MLSecOps The power of MLSecOps

1. مقدمه ای بر MLSecOps 1. Introduction to MLSecOps

  • آشنایی با چارچوب MLSecOps Understanding the MLSecOps framework

  • MLSecOps چیست؟ What is MLSecOps?

  • مزایای آگاهی از خطر هوش مصنوعی در سازمان ها The benefits of AI risk awareness in organizations

  • دسته بندی های کلیدی تضمین MLSecOps توضیح داده شده است Key MLSecOps categories of assurance explained

2. استفاده از MLSecOps برای ایمن کردن چرخه حیات هوش مصنوعی 2. Applying MLSecOps to Secure the AI Lifecycle

  • بردارها و آسیب پذیری های حمله هوش مصنوعی AI attack vectors and vulnerabilities

  • اطمینان از استحکام دشمن Ensuring adversarial robustness

  • نقشه برداری، اندازه گیری، مدیریت و حکومت کنید Map, measure, manage, and govern

  • مقدمه ای بر مدل سازی تهدید برای سیستم های هوش مصنوعی Introduction to threat modeling for AI systems

  • تحلیل تهدید استراتژیک Strategic threat analysis

  • مدل های تهدید سفارشی Customized threat models

  • استقرار و نظارت مدل ایمن Secure model deployment and monitoring

3. تیم رویایی MLSecOps 3. The MLSecOps Dream Team

  • توانمندسازی ذینفعان MLSecOps با آموزش تیمی Empowering MLSecOps stakeholders with team training

  • ساخت تیم: مالکیت و نقش ها Building the team: Ownership and roles

  • تسهیل همکاری متقابل برای پیاده سازی MLSecOps Facilitating cross-collaboration for MLSecOps implementation

  • مقدمه ای بر چارچوب یکپارچه تیم سازی ویولت Introduction to the Violet teaming integrative framework

4. پیاده سازی و استراتژی MLSecOps: ارزیابی ریسک و واکنش به حادثه 4. MLSecOps Implementation and Strategy: Risk Assessment and Incident Response

  • مبانی ارزیابی و تضمین خطر AI/ML Foundations for AI/ML risk assessments and assurance

  • برنامه های واکنش به حوادث هوش مصنوعی AI incident response plans

  • گام به گام: تزریق MLSecOps به فرآیندهای موجود Step-by-step: Infusing MLSecOps into existing processes

  • حسابرسی، موجودی و زنجیره تامین Audit, inventory, and supply chain

نتیجه Conclusion

  • تسلط بر MLSecOps: حفاظت از هوش مصنوعی در عصر مدرن Mastering MLSecOps: Safeguarding AI in the modern era

نمایش نظرات

آموزش مقدمه ای بر MLSecOps
جزییات دوره
1h 2m
21
Linkedin (لینکدین) Linkedin (لینکدین)
(آخرین آپدیت)
462
- از 5
ندارد
دارد
دارد
Diana Kelley
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Diana Kelley Diana Kelley

CTO و Coflounding SecurityCurve

Diana Kelley CTO و Cofounder SecurityCurve، یک استراتژی مستقل، مشاوره و مشاوره شرکت است.

دیانا در حال حاضر اصلی VCISO در SALT Cybersecurity، عضو هیئت مدیره اجرایی زنان در امنیت سایبری و آینده سایبر است بنیاد و مشاور در فن آوری های Comptia و Woplli. او سری #mycyberwhy را تولید می کند و میزبان عمل متعادل سازی (امنیت) توسط BrightTalk و میزبان پادکست پادکست روزانه سایبر است. یک میدان سابق امنیت سایبری CTO در مایکروسافت و مشاور امنیت جهانی اجرایی IBM، او 2020 مدیر اجرایی سال 2009 توسط انجمن زنان اجرایی در مورد امنیت اطلاعات، مدیریت ریسک و حفظ حریم خصوصی نامگذاری شد و همکاران معماری سایبری عملی و کتابخانه های رمزنگاری است برای توسعه دهندگان.