آموزش امنیت هوش مصنوعی مولد و مدل‌های زبانی بزرگ (LLM) - آخرین آپدیت

دانلود Generative AI and LLM Security

نکته: ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره: این برنامه آموزشی، متخصصان امنیت سایبری، مهندسان هوش مصنوعی و معماران امنیت را به تخصص لازم برای شناسایی، تحلیل و کاهش آسیب‌پذیری‌ها در هوش مصنوعی مولد (GenAI) و مدل‌های زبانی بزرگ (LLMs) مجهز می‌کند. شما با بررسی مبانی تهدیدات GenAI شروع خواهید کرد و بردارهای حمله رایج مانند تزریق پرامپت (Prompt Injection)، جیل‌بریک (Jailbreak)، سرقت مدل و دستکاری‌های خصمانه را بررسی می‌کنید. از طریق دموهای عملی، خواهید آموخت که مهاجمان چگونه از نقاط ضعف سیستم‌های مبتنی بر هوش مصنوعی سوءاستفاده می‌کنند و مدافعان چگونه می‌توانند این ریسک‌ها را در محیط‌های واقعی شناسایی کرده و به آن‌ها پاسخ دهند. با تکیه بر این اصول، تجربه‌ای عملی در ایمن‌سازی اپلیکیشن‌های LLM، هم‌راستاسازی خروجی‌های مدل با اهداف امنیتی و به‌کارگیری گاردریل‌ها (Guardrails)، واترمارکینگ و روش‌های ارزیابی ایمنی کسب خواهید کرد. همچنین با استفاده از APIهای Gemini و گوگل کولب (Google Colab)، نحوه استقرار امن و کاهش ریسک در سیستم‌های فعال را شبیه‌سازی خواهید کرد. در ادامه، برنامه به بررسی امنیت چرخه حیات هوش مصنوعی می‌پردازد و استراتژی‌های ایمن‌سازی داده‌های آموزشی، جلوگیری از حملات مسموم‌سازی (Poisoning) و محافظت از خط لوله‌های (Pipelines) هوش مصنوعی را پوشش می‌دهد. شما مباحثی چون منشأ مدل (Model Provenance)، اسکن وابستگی‌ها و خط لوله‌های استقرار امن را بررسی خواهید کرد تا یکپارچگی سیستم‌های هوش مصنوعی در کل زنجیره تأمین تضمین شود. این دوره همچنین بر اخلاق در هوش مصنوعی و انطباق قانونی تأکید دارد؛ از جمله شناسایی سوگیری (Bias)، عدالت در طراحی مدل و چارچوب‌های نظارتی جهانی مانند GDPR، CCPA، NIST AI RMF، استانداردهای ISO و قانون هوش مصنوعی اتحادیه اروپا (EU AI Act). با استفاده از ابزارهایی مانند Sola Security، شما حسابرسی، حاکمیت و مدیریت ریسک را برای عملیاتی کردن شیوه‌های اخلاقی و منطبق با قانون تمرین خواهید کرد. در نهایت، تهدیدات پیشرو در حوزه‌های نوظهور مانند هوش مصنوعی چندوجهی (Multimodal AI) و هوش مصنوعی عامل‌محور (Agentic AI) را بررسی کرده و حملات خصمانه و آسیب‌پذیری‌های متقاطع آن‌ها و پیامدهایشان برای امنیت سایبری سازمان‌ها را تحلیل می‌کنید. در پایان این برنامه، شما قادر خواهید بود: - بردارهای حمله هدفمند به GenAI و LLMها را شناسایی و ارزیابی کنید. - مهندسی پرامپت امن و استراتژی‌های دفاعی در برابر تزریق پرامپت و جیل‌بریک را پیاده‌سازی کنید. - گاردریل‌ها، مکانیسم‌های ایمنی و واترمارکینگ را در اپلیکیشن‌های LLM طراحی و اجرا کنید. - از داده‌های آموزشی، خط لوله‌ها و گردش‌کارهای استقرار هوش مصنوعی در برابر مسموم‌سازی و ریسک‌های زنجیره تأمین محافظت کنید. - انطباق با مقررات GDPR، CCPA، NIST، ISO و EU AI Act را ارزیابی و اجرا کنید. - تهدیدات پیشرو در سیستم‌های هوش مصنوعی چندوجهی و عامل‌محور را شناسایی و کاهش دهید. - شیوه‌های امنیتی اخلاقی، شفاف و تاب‌آور را در کل چرخه حیات هوش مصنوعی ادغام کنید. این تخصص برای مهندسان امنیت سایبری، توسعه‌دهندگان LLM، متخصصان امنیت هوش مصنوعی، مهندسان ML و معماران امنیت ابری/لبه طراحی شده است که می‌خواهند تخصص پیشرفته‌ای در حفاظت از سیستم‌های GenAI کسب کنند. به ما بپیوندید تا مهارت‌ها، ابزارها و استراتژی‌های لازم برای ایمن‌سازی نسل بعدی سیستم‌های هوش مصنوعی در برابر تهدیدات در حال تکامل را بیاموزید.

سرفصل ها و درس ها

تهدیدات در سیستم‌های هوش مصنوعی مولد Threats in Generative AI Systems

  • معرفی تخصص Specialization Introduction

  • معرفی دوره Course Introduction

  • بردارهای حمله رایج در سیستم‌های هوش مصنوعی مولد Common Attack Vectors in Generative AI Systems

  • حمله تزریق پرامپت (Prompt Injection) Prompt Injection Attack

  • حمله جیل‌بریک هوش مصنوعی (AI Jailbreak) AI Jailbreak Attack

  • دمو: شناسایی ریسک‌های تزریق پرامپت و جیل‌بریک Demonstration: Detecting Prompt Injection and Jailbreak Risks

  • حملات سرقت و استخراج مدل Model Theft and Extraction Attacks

  • استراتژی‌های کاهش ریسک در GenAI Mitigation Strategies for GenAI Risks

  • تهدیدات و ریسک‌های خاص مدل‌های زبانی بزرگ (LLM) LLM-Specific Threats and Risks

  • هم‌راستاسازی خروجی LLM با اهداف امنیتی Aligning LLM Output to Security Objectives

  • گاردریل‌ها و مکانیسم‌های ایمنی برای LLMها Guardrails and Safety Mechanisms for LLMs

  • آشنایی با APIهای LLM و انواع آن‌ها Understanding LLM APIs and Their Types

  • دمو: ادغام LLM با Gemini API Demonstration: LLM Integration with Gemini API

امنیت چرخه حیات هوش مصنوعی AI Lifecycle Security

  • اهمیت داده‌های امن در توسعه هوش مصنوعی The Importance of Secure Data in AI Development

  • مسموم‌سازی داده‌ها و تکنیک‌های شناسایی Data Poisoning and Detection Techniques

  • بهترین روش‌ها برای ایمن‌سازی خط لوله‌های داده AI Best Practices for Securing AI Data Pipelines

  • دمو: ایمن‌سازی داده‌های AI در برابر ریسک‌های مسموم‌سازی Demonstration: Securing AI Data Against Poisoning Risks

  • ردیابی منشأ و تبار مدل (Model Provenance) Model Provenance and Lineage Tracking

  • اسکن وابستگی‌ها و ریسک‌های مدل‌های شخص ثالث Dependency Scanning and Third-Party Model Risks

  • تکنیک‌های توزیع و تأیید امن مدل Secure Model Distribution and Verification Techniques

  • امضای آرتیفکت‌ها و بررسی یکپارچگی مدل Artifact Signing and Model Integrity Checks

  • ذخیره‌سازی امن و مدیریت کلید برای آرتیفکت‌های AI Secure Storage and Key Management for AI Artifacts

  • مانیتورینگ برای شناسایی دستکاری در مراحل قبل و بعد از استقرار Monitoring for Tampering in Pre/Post-Deployment

  • دمو: ردیابی منشأ مدل و اسکن وابستگی‌ها Demonstration: Tracking Model Provenance and Scanning Dependencies

اخلاق در هوش مصنوعی و انطباق نظارتی AI Ethics and Regulatory Compliance

  • سوگیری، عدالت و طراحی اخلاقی در سیستم‌های هوش مصنوعی Bias, Fairness, and Ethical Design in AI Systems

  • شفافیت و پاسخگویی در سیستم‌های GenAI Transparency and Accountability in GenAI Systems

  • چالش‌های اخلاقی در مدل‌های مولد Ethical Challenges in Generative Models

  • الزامات انطباق با GDPR، CCPA و قوانین AI GDPR, CCPA, and AI Compliance Requirements

  • درک چارچوب‌های ریسک AI در NIST و ISO Understanding NIST and ISO AI Risk Frameworks

  • حسابرسی AI و ملاحظات قانونی AI Auditing and Legal Considerations

  • دمو: بررسی قابلیت‌های Sola Security Demonstration: Exploring Sola Security Features

  • دمو: غربالگری اخلاقی با استفاده از Sola Security Demonstration: Ethical Screening using Sola Security

تهدیدات پیشرو در سیستم‌های هوش مصنوعی Frontier Threats in AI Systems

  • معرفی هوش مصنوعی چندوجهی (Multimodal AI) Introduction to Multimodal AI

  • تهدیدات امنیتی برای هوش مصنوعی چندوجهی Security Threats to Multimodal AI

  • دمو: استفاده از AI چندوجهی برای شناسایی تهدیدات ایمیلی Demonstration: Multimodal AI for Email Threat Detection

  • هوش مصنوعی عامل‌محور (Agentic AI) چیست؟ What is Agentic AI?

  • هوش مصنوعی عامل‌محور در امنیت سایبری Agentic AI in Cybersecuriy

  • دمو: استفاده از Agentic AI برای تریاژ امنیت سایبری Demonstration: Agentic AI for Cybersecurity Triage

جمع‌بندی دوره و ارزیابی Course Wrap-Up and Assessment

  • خلاصه دوره Course Summary

نمایش نظرات

آموزش امنیت هوش مصنوعی مولد و مدل‌های زبانی بزرگ (LLM)
جزییات دوره
13h 25m
39
(آخرین آپدیت)
1,152
- از 5
دارد
دارد
دارد
Chris Croft
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Chris Croft Chris Croft

مربی مدیریت، سخنران، نویسنده