آموزش ریسک‌های امنیتی در هوش مصنوعی و یادگیری ماشین: دسته‌بندی حملات و حالت‌های شکست - آخرین آپدیت

دانلود Security Risks in AI and Machine Learning: Categorizing Attacks and Failure Modes

نکته: ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره:

یادگیری ماشین (ML) مانند هر نرم‌افزار یا فرآیند دیگری، در برابر حملات آسیب‌پذیر است. برای محافظت از یک سیستم، ابتدا باید بدانید که این سیستم در کجا و چگونه آسیب‌پذیر است. در این دوره، دیانا کلی به مدل‌سازان باتجربه تهدیدات نشان می‌دهد که چگونه یادگیری ماشین بر اساس تأثیرات احتمالی و حجم عظیم داده‌های مورد نیاز برای عملیات خود، تمرکز امنیتی را تغییر می‌دهد. دیانا توضیح می‌دهد که یادگیری ماشین در هنگام حمله مهاجمان چگونه می‌تواند به روش‌های مختلف شکست بخورد و چگونه نقص‌های طراحی می‌تواند منجر به شکست عملیاتی، نشت داده‌ها و سایر ریسک‌های امنیتی و حریم خصوصی شود.

اهمیت ساخت مدل‌های یادگیری ماشین تاب‌آور، پیامدهای عدم ادغام امنیت در ML و نقاط آسیب‌پذیری در برابر مهاجمان عمدی و مشکلات طراحی و پیاده‌سازی را بیاموزید. علاوه بر این، برخی از مؤثرترین رویکردها و تکنیک‌ها برای ساخت سیستم‌های یادگیری ماشین مستحکم و تاب‌آور را کشف کنید.


سرفصل ها و درس ها

مقدمه Introduction

  • دغدغه‌های امنیتی در یادگیری ماشین Machine learning security concerns

1. مبانی هوش مصنوعی 1. AI Foundations

  • چرا امنیت هوش مصنوعی اهمیت دارد Why AI security matters

  • چگونه سیستم‌های هوش مصنوعی شکست می‌خورند و راه محافظت از آن‌ها How AI systems can fail and how to protect them

  • اهداف امنیتی برای یادگیری ماشین: مثلث CIA Security goals for ML: CIA

  • چارچوب‌های امنیتی یادگیری ماشین ML security frameworks

  • حملات در مقابل حالت‌های شکست غیرعمدی Attacks vs. unintentional failure modes

2. حالت‌های شکست عمدی و حملات 2. Intentional Failure Modes and Attacks

  • حملات زنجیره تأمین Supply chain attacks

  • دستکاری سیستم System manipulation

  • دامنه فیزیکی: اشیاء متخاصم سه بعدی Physical domain: 3D adversarial objects

  • حملات مسموم‌سازی داده‌ها Poisoning attacks

  • درهای پشتی (Backdoors) و اکسپلویت‌های موجود Backdoors and existing exploits

  • معکوس‌سازی مدل Model inversion

  • حملات اختلال و ورودی‌های مخرب Perturbation attacks and malicious input

  • استنتاج عضویت و سرقت مدل Membership inference and model stealing

  • برنامه‌ریزی مجدد (Reprogramming) Reprogramming

3. حالت‌های شکست غیرعمدی و نقص‌های ذاتی طراحی 3. Unintentional Failure Modes and Intrinsic Design Flaws

  • تغییرات توزیعی و تست‌های ناقص Distributional shifts and incomplete testing

  • عوارض جانبی و عدم هم‌راستایی Side effects and misalignment

  • بیش‌برازش (Overfitting) و کم‌برازش (Underfitting) Overfitting and underfitting

  • ملاحظات مربوط به سوگیری داده‌ها Data bias considerations

  • هک پاداش (Reward Hacking) Reward hacking

4. ساخت هوش مصنوعی تاب‌آور 4. Building Resilient AI

  • تکنیک‌های مؤثر برای ایجاد تاب‌آوری در هوش مصنوعی Effective techniques for building resilience in AI

  • مدل تهدید مجموعه داده‌ها Dataset threat model

  • زنجیره تأمین Supply chain

  • تست‌های متخاصم و تیم قرمز (Red Teaming) Adversarial testing and red teaming

  • دسترسی به API و اجزای پشتیبان API access and supporting components

  • مدل‌سازی تهدیدات هوش مصنوعی Threat modeling AI

نتیجه‌گیری Conclusion

  • گام‌های بعدی در مسیر امنیت هوش مصنوعی Next steps in your AI security journey

نمایش نظرات

آموزش ریسک‌های امنیتی در هوش مصنوعی و یادگیری ماشین: دسته‌بندی حملات و حالت‌های شکست
جزییات دوره
1h 46m
27
(آخرین آپدیت)
3,436
- 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.