آموزش حریم خصوصی و امنیت هوش مصنوعی مولد برای توسعه‌دهندگان - آخرین آپدیت

دانلود Generative AI Privacy and Safety for Developers

نکته: ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره: توسعه‌دهندگانی که قابلیت‌های هوش مصنوعی مولد را پیاده‌سازی می‌کنند، اغلب بدون اینکه متوجه شوند، ریسک‌های حریم خصوصی، نقاط ضعف امنیتی و شکاف‌های انطباق ایجاد می‌کنند. در این دوره آموزشی با عنوان «حریم خصوصی و امنیت هوش مصنوعی مولد برای توسعه‌دهندگان»، شما توانایی ساخت اپلیکیشن‌های هوش مصنوعی مولد را کسب خواهید کرد که امن، حافظ حریم خصوصی و آماده برای نظارت و حاکمیت داده‌ها باشند. ابتدا، نحوه جریان داده‌ها در یک سیستم هوش مصنوعی مولد و نقاط ظهور ریسک‌های حریم خصوصی در هر مرز اعتماد، از جمله نشت پرامپت (Prompt Leakage)، نگهداری داده‌ها و به‌خاطرسپاری ناخواسته را بررسی می‌کنید. سپس، با ۱۰ تهدید امنیتی برتر OWASP برای اپلیکیشن‌های LLM آشنا شده و یاد می‌گیرید چگونه لایه‌های حفاظتی شامل اعتبارسنجی ورودی، ریل‌های بازیابی (Retrieval Rails)، فیلتر کردن خروجی و گیت‌های ارزیابی را پیاده‌سازی کنید. در نهایت، نحوه به‌کارگیری اصول هوش مصنوعی مسئولانه و اجرای کنترل‌های حاکمیتی را می‌آموزید که شواهد قابل حسابرسی برای چارچوب‌هایی مانند قانون هوش مصنوعی اتحادیه اروپا (EU AI Act) و NIST AI RMF تولید می‌کنند. پس از اتمام این دوره، شما مهارت‌ها و دانش لازم در زمینه حریم خصوصی داده‌ها و استفاده ایمن از هوش مصنوعی مولد را خواهید داشت تا اپلیکیشن‌های عملیاتی بسازید که از داده‌های کاربر محافظت کرده، در برابر حملات مقاوم باشند، از گیت‌های ارزیابی عبور کنند و آمادگی لازم برای رعایت چارچوب‌های قانونی را داشته باشند.

سرفصل ها و درس ها

جریان داده‌ها و ریسک‌های حریم خصوصی در سیستم‌های هوش مصنوعی مولد Data flow and privacy risks in GenAI systems

  • جریان داده‌های RAG و مرزهای اعتماد در یک اپلیکیشن هوش مصنوعی مولد RAG data flow and trust boundaries in a generative AI application

  • افشای داده‌های حساس، به‌خاطرسپاری و تصمیم‌گیری بین API بدون وضعیت در مقابل وضعیت‌دار Sensitive data exposure, memorization, and the stateless vs. stateful API decision

  • تکنیک‌های حفظ حریم خصوصی: کمینه‌سازی، ماسک کردن و پیکربندی امن Privacy-preserving techniques: Minimization, masking, and secure configuration

  • دمو: ماسک کردن اطلاعات شناسایی شخصی (PII) با Presidio در دستیار RAG مبتنی بر FastAPI Demo: Presidio PII masking in the FastAPI RAG assistant

تهدیدات امنیتی LLM: ۱۰ مورد برتر OWASP برای اپلیکیشن‌های هوش مصنوعی مولد LLM security threats: OWASP Top 10 for generative AI applications

  • ۱۰ مورد برتر OWASP برای اپلیکیشن‌های LLM سال ۲۰۲۵: نقشه تهدیدات برای دستیار RAG OWASP top 10 for LLM applications 2025: Threat map for the RAG assistant

  • تزریق پرامپت، جیل‌بریک و استخراج داده‌ها در خط لوله‌های RAG Prompt injection, jailbreaks, and data exfiltration in RAG pipelines

  • نمایندگی بیش از حد، ریسک‌های زنجیره تأمین و آگاهی از تهدیدات عامل‌محور (Agentic) Excessive agency, supply chain risks, and agentic threat awareness

  • دمو: تزریق پرامپت و نشت پرامپت سیستم در دستیار RAG Demo: Prompt injection and system prompt leakage on the RAG assistant

لایه‌های حفاظتی، گیت‌های ارزیابی و هوش مصنوعی مسئولانه Safeguards, evaluation gates, and responsible AI

  • اعتبارسنجی ورودی، ریل‌های بازیابی و کنترل‌های اجرا با NeMo guardrails Input validation, retrieval rails, and execution controls with NeMo guardrails

  • فیلتر کردن خروجی، تعدیل محتوا و نظارت بر استفاده Output filtering, content moderation, and usage monitoring

  • گیت‌های ارزیابی، ریسک‌های اخلاقی و تصمیم‌گیری برای انتشار Evaluation gates, ethical risks, and the ship decision

  • دمو: مسدود کردن تزریق پرامپت و نشت PII توسط NeMo guardrails در انواع ریل‌ها Demo: NeMo guardrails blocking prompt injection and PII leakage across rail types

حاکمیت، شواهد حسابرسی و آمادگی برای عرضه هوش مصنوعی مولد Governance, audit evidence, and ship-readiness for generative AI

  • آنچه استقرارکنندگان باید بدانند: سواد هوش مصنوعی، شفافیت و محرک‌های ریسک بالا What deployers must know: AI literacy, transparency, and high-risk triggers

  • ثبت لاگ‌های حسابرسی ساختاریافته برای چرخه حیات درخواست‌های هوش مصنوعی مولد Structured audit logging for generative AI request lifecycles

  • گزارش‌های ارزیابی، گیت‌های انتشار و مستندات پیش از استقرار Evaluation reports, release gates, and pre-deployment documentation

  • دمو: لاگ‌های حسابرسی JSON، گزارش ارزیابی و داشبورد حاکمیتی Demo: JSON audit logs, evaluation report, and governance dashboard

نمایش نظرات

آموزش حریم خصوصی و امنیت هوش مصنوعی مولد برای توسعه‌دهندگان
جزییات دوره
1h 6m
16
(آخرین آپدیت)
از 5
دارد
دارد
دارد
Rupesh Tiwari
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Rupesh Tiwari Rupesh Tiwari

روپش یک مشاور مستقل با بیش از 12 سال تجربه در زمینه تولید نرم افزار است. Rupesh به عنوان یک معمار نرم افزار ، برنامه های وب را برای صنایع مختلف دامنه با استفاده از JavaScript ، Node ، Angular ، C # و .Net ایجاد می کند. روپش بیش از 100 توسعه دهنده نرم افزار را در کنفرانس ها و شرکت های سراسر جهان در زمینه توسعه بخش ، آزمایش ، کد تمیز ، طراحی دامنه محور ، خدمات خرد و معماری سرویس گرا آموزش داد. او در نیوجرسی زندگی می کند ، جایی که در codeproject.com وبلاگ می نویسد و به عنوانroopkt در توییتر فعال است.