آموزش امنیت هوش مصنوعی در طراحی - چارچوب‌های GenAI و سیستم‌های عامل (Agentic Systems) [ویدئویی] - آخرین آپدیت

دانلود Secure AI by Design - Frameworks for GenAI and Agentic Systems [Video]

نکته: ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره: با انتقال هوش مصنوعی مولد (GenAI) و سیستم‌های عامل خودمختار از مرحله آزمایش به استقرار سازمانی، امنیت و حاکمیت دیگر نمی‌توانند موضوعاتی ثانویه باشند. این دوره یک رویکرد ساختاریافته و چارچوب‌محور برای ایمن‌سازی سیستم‌های هوش مصنوعی معرفی می‌کند که بر اساس استانداردهای جهانی شناخته شده‌ای مانند OWASP LLMSecOps، NIST AI RMF، MITRE ATLAS و پروفایل چارچوب امنیت سایبری NIST برای هوش مصنوعی بنا شده است. شما خواهید آموخت که چگونه پذیرش سریع هوش مصنوعی باعث گسترش سطح حملات می‌شود و چرا اصول «امنیت در طراحی» (Secure-by-Design) ضروری هستند. این دوره چشم‌انداز در حال تحول ریسک‌های هوش مصنوعی، از جمله طبقه‌بندی ریسک‌های AI، ۱۰ ریسک برتر OWASP برای LLM و GenAI و تهدیدات نوظهور در برنامه‌های عامل‌محور را ترسیم می‌کند. شما ساختارهای حاکمیتی، مدیریت موجودی دارایی‌های AI، نقشه‌برداری انطباق، مستندسازی مدل‌ها و لیست مواد تشکیل‌دهنده هوش مصنوعی (AI BOM) را بررسی خواهید کرد. این اجزا به سازمان‌ها کمک می‌کند تا نوآوری در هوش مصنوعی را با الزامات رگولاتوری، انتظارات شفافیت و کنترل‌های ریسک عملیاتی همسو کنند. در نهایت، دوره به بررسی توسعه و عملیات امن از طریق چرخه حیات LLMSecOps می‌پردازد. شما امنیت داده‌های AI، حفاظت از مدل، هوش تهدید (Threat Intelligence)، تیم قرمز (Red Teaming)، امتیازدهی به آسیب‌پذیری‌ها و شاخص‌های کلیدی عملکرد (KPI) اختصاصی امنیت AI را بررسی خواهید کرد. در پایان، شما قادر خواهید بود سیستم‌های GenAI و عامل‌محوری را طراحی، مستقر و مدیریت کنید که از ابتدا امن، منطبق بر قوانین و تاب‌آور باشند. تفسیر و به‌کارگیری چارچوب‌های اصلی امنیت AI در استقرارهای سازمانی شناسایی و دسته‌بندی ریسک‌های خاص AI در حوزه‌های فنی و حاکمیتی ایجاد ساختارهای حاکمیتی AI همسو با الزامات رگولاتوری و انطباق پیاده‌سازی متدهای LLMSecOps در طول چرخه حیات سیستم AI طراحی فرآیندهای تیم قرمز و ارزیابی آسیب‌پذیری AI تعریف متریک‌های امنیتی و KPIهای هوش مصنوعی همسو با اهداف ریسک سازمانی این دوره برای معماران امنیت، مهندسان AI، متخصصان ریسک، مدیران انطباق و تصمیم‌گیرندگان فناوری که مسئول استقرار یا حاکمیت سیستم‌های AI هستند طراحی شده است. داشتن درک پایه‌ای از مفاهیم امنیت سایبری و آشنایی اولیه با سیستم‌های هوش مصنوعی یا یادگیری ماشین توصیه می‌شود. پوشش جامع OWASP، NIST AI RMF، MITRE ATLAS و چارچوب‌های رگولاتوری AI * تحلیل ساختاریافته طبقه‌بندی ریسک AI و OWASP Top 10 برای GenAI و سیستم‌های عامل * راهنمای عملی چرخه حیات LLMSecOps برای توسعه و عملیات امن AI

سرفصل ها و درس ها

بخش اول: مقدمه‌ای بر امنیت هوش مصنوعی Part 1 Introduction to AI Security

  • مقدمه Introduction

  • وضعیت پذیرش هوش مصنوعی The State of AI Adoption

  • استاندارد OWASP LLMSecOps OWASP LLMSecOps

  • راهنمایی‌های NIST Guidance from NIST

  • هسته اصلی AI RMF The AI RMF Core

  • کتابچه راهنمای AI RMF The AI RMF Playbook

  • چارچوب MITRE ATLAS MITRE ATLAS

  • پروفایل چارچوب امنیت سایبری NIST برای هوش مصنوعی NIST Cybersecurity Framework Profile for AI

  • از دوگانگی تا نظم و انضباط From Duality to Discipline

  • رگولاتوری جهانی AI و طبقه‌بندی ریسک اتحادیه اروپا Global AI Regulation and EU Risk Classification

بخش دوم: چشم‌انداز ریسک‌های هوش مصنوعی Part 2: The AI Risk Landscape

  • طبقه‌بندی ریسک‌های هوش مصنوعی AI Risk Taxonomy

  • طبقه‌بندی ریسک‌های هوش مصنوعی (بخش دوم) AI Risk Taxonomy - Part 2

  • ده ریسک برتر OWASP برای LLM و GenAI The OWASP Top 10 for LLM and GenAI

  • امنیت برنامه‌های عامل‌محور (Agentic App) Agentic App Security

  • ده ریسک برتر OWASP برای برنامه‌های عامل‌محور (ASI) OWASP Top 10 for Agentic Applications (ASI)

بخش سوم: حاکمیت و انطباق Part 3: Governance and Compliance

  • حاکمیت امنیت هوش مصنوعی AI Security Governance

  • موجودی دارایی‌های AI و پیشگیری از Shadow AI AI Asset Inventory and Shadow AI Prevention

  • انطباق رگولاتوری برای هوش مصنوعی Regulatory Compliance for AI

  • نقشه‌برداری انطباق: از کنترل‌ها تا مقررات Compliance Mapping: Controls to Regulations

  • مستندسازی مدل و شفافیت Model Documentation and Transparency

  • لیست مواد تشکیل‌دهنده هوش مصنوعی (AI BOM) AI Bill of Material

بخش چهارم: توسعه و عملیات امن Part 4: Secure Development and Operations

  • چرخه حیات LLMSecOps The LLMSecOps Lifecycle

  • نمای بصری LLMSecOps LLMSecOps Visual

  • امنیت داده‌های هوش مصنوعی AI Data Security

  • امنیت مدل‌های هوش مصنوعی AI Model Security

  • هوش تهدید در AI AI Threat Intelligence

  • راهنمای تیم قرمز (Red Team) در AI AI Red Team Guidance

  • سیستم امتیازدهی آسیب‌پذیری‌های AI AI Vulnerability Scoring System

  • متریک‌های امنیتی هوش مصنوعی AI Security Metrics

  • شاخص‌های کلیدی عملکرد (KPI) امنیت AI AI Security KPIs

نمایش نظرات

آموزش امنیت هوش مصنوعی در طراحی - چارچوب‌های GenAI و سیستم‌های عامل (Agentic Systems) [ویدئویی]
جزییات دوره
5h 28m
30
Packtpub Packtpub
(آخرین آپدیت)
از 5
ندارد
دارد
دارد
Derek Fisher
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Derek Fisher Derek Fisher

رهبر، سخنران، نویسنده، و مربی در امنیت سایبری