لطفا جهت اطلاع از آخرین دوره ها و اخبار سایت در
کانال تلگرام
عضو شوید.
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
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.
نمایش نظرات