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