آموزش بوت‌کمپ جامع امنیت هوش مصنوعی عامل‌محور (Agentic AI) و حاکمیت LLM - آخرین آپدیت

دانلود Agentic AI Security & LLM Governance Career Bootcamp

نکته: ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره: آموزش عملی در زمینه امنیت هوش مصنوعی، سیستم‌های عامل‌محور (Agentic) و حاکمیت مدل‌های زبانی بزرگ (LLM) برای تبدیل شدن به مهندس ارشد امنیت هوش مصنوعی. درک تفاوت‌های امنیت هوش مصنوعی با امنیت سنتی برنامه‌ها و شناسایی ریسک‌های منحصر به فرد در LLMها، سیستم‌های RAG، برنامه‌های فراخوانی ابزار (Tool-calling) و حافظه. طراحی معماری‌های امن برای هوش مصنوعی عامل‌محور با استفاده از کنترل‌های لایه‌ای، مرزهای اعتماد، اصل کمترین امتیاز، تأییدیه‌های انسانی و اجرای سیاست‌ها. شناسایی، اجرا و دفاع در برابر تزریق پرامپت (Prompt Injection)، جیل‌بریک (Jailbreak)، مسموم‌سازی اسناد، مسموم‌سازی حافظه، تزریق پارامتر و اقدامات غیرمجاز عامل‌ها. ساخت برنامه‌های امن هوش مصنوعی شامل رابط‌های چت، خط‌لوله‌های RAG، فراخوانی ابزار، حافظه پایدار و عامل‌های خودمختار. پیاده‌سازی اعتبارسنجی پرامپت، پاکسازی ورودی‌ها، امتیازدهی ریسک، فیلترینگ خروجی، جداسازی کانتکست، اعتبارسنجی منابع مورد اعتماد و گاردریل‌های هوش مصنوعی. ایجاد یک درگاه امنیتی یکپارچه (AI Security Gateway) برای محافظت از پرامپت‌ها، محتوای بازیابی شده، ابزارها، حافظه، پاسخ‌های مدل و جریان‌های کاری عامل‌ها. برقراری حاکمیت هوش مصنوعی سازمانی با استفاده از موجودی‌ها، مدل‌های مالکیت، کنترل‌های چرخه عمر، ارزیابی ریسک، گیت‌های تأیید، سیاست‌ها و مدیریت شواهد. ساخت داشبوردهای حاکمیتی برای نظارت بر مصرف، هزینه، ریسک، ارزیابی مدل، رانش (Drift)، کیفیت پرامپت، افشای داده‌های حساس، حوادث و نظارت انسانی. تطبیق کنترل‌های عملیاتی هوش مصنوعی با چارچوب‌ها و استانداردهای جهانی از جمله NIST AI RMF، ISO/IEC 42001 و قانون هوش مصنوعی اتحادیه اروپا (EU AI Act). ارتباط موثر درباره ریسک‌های امنیتی، شکاف‌های کنترلی، اولویت‌های اصلاحی و توصیه‌های حاکمیتی به مدیران اجرایی، مهندسان، تیم‌های ریسک، حسابرسان و سایرین. پیشنیازها: هیچ تجربه قبلی در زمینه امنیت یا حاکمیت هوش مصنوعی مورد نیاز نیست؛ دوره با مفاهیم بنیادی آغاز می‌شود. آشنایی اولیه با کامپیوتر، نرم‌افزارها و فناوری‌های اینترنتی مفید خواهد بود. دانش مقدماتی زبان پایتون توصیه می‌شود، اما تمرینات عملی به صورت گام‌به‌گام توضیح داده شده‌اند. داشتن کامپیوتری با قابلیت اجرای Python، Visual Studio Code و فایل‌های پروژه دوره ضروری است. دانشجویان باید در نصب نرم‌افزار و اجرای دستورات در ترمینال یا Command Prompt راحت باشند. آگاهی اولیه از APIها، پایگاه داده‌ها، برنامه‌های ابری یا مفاهیم امنیت سایبری مفید است اما اجباری نیست. داکر (Docker) برای بسته‌بندی نهایی برنامه امن هوش مصنوعی معرفی می‌شود؛ تجربه قبلی در داکر مورد نیاز نیست. علاقه به امنیت هوش مصنوعی، هوش مصنوعی مولد، مدیریت ریسک، تطبیق (Compliance) یا حاکمیت سازمانی مهم‌ترین پیش‌نیاز است.

این دوره شامل استفاده از هوش مصنوعی است.

با بوت‌کمپ جامع امنیت هوش مصنوعی عامل‌محور و حاکمیت LLMوارد یکی از سریع‌ترین مسیرهای شغلی در دنیای فناوری شوید؛ برنامه‌ای جامع و عملی که برای کمک به شما در جهت ایمن‌سازی، نظارت، حاکمیت و رهبری سیستم‌های مدرن هوش مصنوعی طراحی شده است.

با پذیرش هوش مصنوعی مولد، مدل‌های زبانی بزرگ، تولید تقویت‌شده با بازیابی (RAG)و عامل‌های خودمختار هوش مصنوعیتوسط سازمان‌ها، روش‌های سنتی امنیت سایبری دیگر کافی نیستند. برنامه‌های هوش مصنوعی ریسک‌های جدیدی را معرفی می‌کنند، از جمله تزریق پرامپت، حملات جیل‌بریک، مسموم‌سازی اسناد، دستکاری حافظه، اجرای غیرمجاز ابزارها، افشای داده‌های حساس، توهمات (Hallucinations) و رفتارهای کنترل‌نشده عامل‌ها. این دوره مهارت‌های عملی لازم برای درک این تهدیدات، حمله مسئولانه به سیستم‌های آسیب‌پذیر، پیاده‌سازی دفاع‌های موثر و ایجاد کنترل‌های حاکمیتی در سطح سازمانی را به شما می‌آموزد.

شما با مسئولیت‌های اصلی یک مهندس ارشد امنیت هوش مصنوعیشروع خواهید کرد، شامل معماری امن هوش مصنوعی، ارزیابی ریسک، کنترل‌های سازمانی، رهبری فنی و ارتباط با مدیران، تیم‌های حقوقی، حسابرسان و مدیران محصول. سپس دستیار چت هوش مصنوعی خود را خواهید ساخت و به تدریج آن را با قابلیت‌های RAG، فراخوانی ابزار، حافظه پایدار و قابلیت‌های عامل خودمختار ارتقا می‌دهید.

در طول دوره، سناریوهای واقعی حملات هوش مصنوعی را آزمایش کرده و دفاع‌های عملی مانند اعتبارسنجی پرامپت، امتیازدهی ریسک، فیلترینگ ورودی، گاردریل‌های خروجی، جداسازی کانتکست، اعتبارسنجی منابع مورد اعتماد، مجوزهای ابزار با کمترین امتیاز، جریان‌های تایید انسانی، کنترل‌های حافظه امن و اعتبارسنجی تصمیمات عامل را پیاده‌سازی می‌کنید. همچنین یک درگاه امنیتی هوش مصنوعی (AI Security Gateway)کامل خواهید ساخت که امنیت را در تمام مراحل پرامپت‌ها، مدل‌ها، اسناد بازیابی شده، ابزارها، حافظه و جریان‌های کاری عامل ادغام می‌کند.

بخش حاکمیت دوره شما را از مهندسی امنیت به سمت حاکمیت هوش مصنوعی سازمانی، هوش مصنوعی مسئولانه، مدیریت ریسک هوش مصنوعیو تطبیق با مقرراتمی‌برد. یاد می‌گیرید چگونه موجودی هوش مصنوعی سازمان را ایجاد کنید، مصرف و هزینه را ردیابی نمایید، عملکرد مدل را ارزیابی کنید، رانش را نظارت کرده، پرامپت‌ها و پاسخ‌ها را مدیریت کنید، بر اقدامات عامل‌ها نظارت داشته باشید، از داده‌های حساس محافظت کنید و شواهد حاکمیتی را مدیریت نمایید.

شما داشبوردها و پروژه‌های عملی را در زمینه‌های امتیازدهی ریسک هوش مصنوعی، ارزیابی مدل، نظارت بر توهمات، ردیابی پرامپت، نظارت انسانی، حاکمیت RAG، مدیریت سیاست‌ها، تطبیق با استانداردها، جریان‌های تایید، مدیریت حوادث، ردپای حسابرسی و گزارش‌های مدیریتی خواهید ساخت. همچنین یاد می‌گیرید چگونه کنترل‌های عملیاتی را با چارچوب‌های اصلی مانند چارچوب مدیریت ریسک NIST AI، ISO/IEC 42001و قانون هوش مصنوعی اتحادیه اروپاهمسو کنید.

در پایان دوره، شما مجموعه‌ای از پروژه‌های عملی امنیت و حاکمیت هوش مصنوعی خواهید داشت، از جمله درگاه امنیتی هوش مصنوعی، موتور اصلاح ریسک، داشبورد ارزیابی مدل، مانیتور فعالیت عامل، سرویس اجرای گاردریل، مرکز حوادث و یک مرکز فرماندهی حاکمیت هوش مصنوعی سازمانی.

این بوت‌کمپ برای متخصصان امنیت سایبری، مهندسان هوش مصنوعی، توسعه‌دهندگان، معماران، متخصصان حاکمیت، حسابرسان، مشاوران، رهبران مدیریت ریسک و افرادی که قصد تغییر مسیر شغلی به سمت نقش‌هایی مانند مهندس امنیت هوش مصنوعی، مهندس امنیت LLM، مهندس ارشد امنیت هوش مصنوعی، متخصص حاکمیت هوش مصنوعی، رهبر هوش مصنوعی مسئولانهیا مدیر ریسک هوش مصنوعیدارند، ایده‌آل است.

مهارت‌های فنی، حاکمیتی و رهبری مورد نیاز برای ایمن‌سازی نسل بعدی سیستم‌های هوشمند را کسب کنید.


سرفصل ها و درس ها

حوزه‌های اصلی مهندسی ارشد امنیت هوش مصنوعی Principal AI Security Engineer Core Domains

  • مبانی امنیت هوش مصنوعی Foundations of AI Security

  • معماری‌های هوش مصنوعی عامل‌محور و ریسک‌ها Agentic AI Architectures & Risk

  • حاکمیت LLM و کنترل‌های سازمانی LLM Governance & Enterprise Controls

  • طراحی و پیاده‌سازی امن برای سیستم‌های هوش مصنوعی Secure Design & Implementation for AI Systems

  • رهبری و ارتباطات در سطح مهندس ارشد Principal-Level Leadership & Communication

مبانی امنیت هوش مصنوعی AI Security Foundations

  • تفاوت امنیت هوش مصنوعی با امنیت سنتی برنامه‌ها How AI Security Differs from Traditional Application Security

  • درک چشم‌انداز تهدیدات هوش مصنوعی Understanding the AI Threat Landscape

  • ده تهدید برتر OWASP برای برنامه‌های LLM OWASP Top 10 for LLM Applications

  • لایه‌های امنیتی در سیستم‌های مدرن هوش مصنوعی Security Layers in Modern AI Systems

  • ساخت اولین دستیار چت هوش مصنوعی Build Your First AI Chat Assistant

  • بررسی نقاط ضعف امنیتی در دستیار چت Explore Security Weaknesses in the Chat Assistant

تزریق مستقیم پرامپت Direct Prompt Injection

  • درک تزریق مستقیم پرامپت (Direct Prompt Injection) Understanding Direct Prompt Injection

  • سلسله مراتب پرامپت: پیام‌های سیستم، توسعه‌دهنده و کاربر Prompt Hierarchy: System, Developer and User Messages

  • حمله به دستیار چت با تزریق پرامپت Attack the Chat Assistant with Prompt Injection

  • پیاده‌سازی اعتبارسنجی پرامپت Implement Prompt Validation

  • افزودن گاردریل‌های پایه Add Basic Guardrails

  • تست دفاع‌های تزریق پرامپت Test Prompt Injection Defenses

تکنیک‌های جیل‌بریک و دستکاری پرامپت Jailbreak Techniques & Prompt Manipulation

  • درک جیل‌بریک‌های هوش مصنوعی (AI Jailbreaks) Understanding AI Jailbreaks

  • نقش‌آفرینی، کدگذاری و حملات چند مرحله‌ای Role Playing, Encoding and Multi-Turn Attacks

  • اجرای حملات جیل‌بریک علیه دستیار چت Run Jailbreak Attacks Against the Chat Assistant

  • ساخت تحلیل‌گر ریسک پرامپت Build a Prompt Risk Analyzer

  • افزودن فیلترینگ پرامپت و امتیازدهی ریسک Add Prompt Filtering and Risk Scoring

  • تست مقاومت در برابر جیل‌بریک Test Jailbreak Resistance

تولید تقویت‌شده با بازیابی (RAG) Retrieval-Augmented Generation (RAG)

  • تولید تقویت‌شده با بازیابی (RAG) چیست؟ What is Retrieval-Augmented Generation (RAG)?

  • نحوه عملکرد برنامه‌های RAG How RAG Applications Work

  • درک امبدینگ‌ها و جستجوی برداری Understanding Embeddings and Vector Search

  • ساخت دستیار RAG مبتنی بر سند از صفر Build a Document-Based RAG Assistant from Scratch

  • پرسش و پاسخ با استفاده از اسناد بازیابی شده Ask Questions Using Retrieved Documents

ایمن‌سازی برنامه‌های RAG Securing RAG Applications

  • تزریق پرامپت در برنامه‌های RAG Prompt Injection in RAG Applications

  • مسموم‌سازی اسناد و مرزهای اعتماد Document Poisoning and Trust Boundaries

  • بهره‌برداری از دستیار RAG با یک PDF مخرب Exploiting a RAG Assistant with a Malicious PDF

  • مسموم‌سازی کانتکست بازیابی شده Poisoning Retrieved Context

  • پیاده‌سازی اعتبارسنجی منبع مورد اعتماد Implement Trusted Source Validation

  • افزودن جداسازی کانتکست Add Context Isolation

  • پاکسازی محتوای بازیابی شده Sanitize Retrieved Content

  • افزودن لایه اجرای سیاست‌ها Add Enforcement Layer

  • تأیید دفاع‌های امنیتی RAG Verify the RAG Security Defenses

ساخت قابلیت فراخوانی ابزار در هوش مصنوعی Building AI Tool Calling

  • فراخوانی ابزار (Tool Calling) چیست؟ What is Tool Calling?

  • فراخوانی تابع و انتخاب ابزار Function Calling and Tool Selection

  • طراحی ابزارهای آب‌وهوا، ماشین‌حساب و ایمیل Designing Weather, Calculator and Email Tools

  • ساخت دستیار چت با قابلیت فراخوانی ابزار Build a Tool-Calling Chat Assistant

  • تست فراخوانی‌های متعدد ابزار Test Multiple Tool Calls

ایمن‌سازی فراخوانی ابزار در هوش مصنوعی Securing AI Tool Calling

  • ریسک‌های امنیتی فراخوانی ابزار Tool Calling Security Risks

  • تزریق پارامتر و اقدامات غیرمجاز Parameter Injection and Unauthorized Actions

  • تحریک فراخوانی‌های غیرمجاز ابزار Triggering Unauthorized Tool Calls

  • اعتبارسنجی ورودی‌های ابزار Validate Tool Inputs

  • محدود کردن مجوزهای ابزار Restrict Tool Permissions

  • افزودن تأیید انسانی برای اقدامات حساس Add Human Approval for Sensitive Actions

  • تأیید امنیت ابزارها Verify Tool Security

ساخت حافظه هوش مصنوعی Building AI Memory

  • حافظه کوتاه‌مدت در مقابل بلندمدت Short-Term vs Long-Term Memory

  • طراحی حافظه پایدار هوش مصنوعی Designing Persistent AI Memory

  • افزودن حافظه هوش مصنوعی به دستیار Add AI Memory to the Assistant

  • تست بازیابی حافظه Test Memory Retrieval

ایمن‌سازی حافظه هوش مصنوعی Securing AI Memory

  • حملات مسموم‌سازی حافظه Memory Poisoning Attacks

  • ریسک‌های کانتکست پایدار Persistent Context Risks

  • مسموم کردن حافظه هوش مصنوعی Poisoning AI Memory

  • اعتبارسنجی حافظه قبل از ذخیره‌سازی Validate Memory Before Storage

  • الزام به تأیید کاربر قبل از ذخیره حافظه Require User Approval Before Saving Memory

  • محافظت در برابر مسموم‌سازی حافظه Protect Against Memory Poisoning

  • تأیید امنیت حافظه Verify Memory Security

ساخت عامل‌های هوش مصنوعی Building AI Agents

  • از چت‌بات‌ها تا عامل‌های هوش مصنوعی From Chatbots to AI Agents

  • برنامه‌ریزی، استدلال و استفاده از ابزار Planning, Reasoning and Tool Use

  • ساخت یک عامل برنامه‌ریز خودمختار Build an Autonomous Planner Agent

  • تست جریان کاری عامل Test the Agent Workflow

ایمن‌سازی عامل‌های هوش مصنوعی Securing AI Agents

  • تهدیدات امنیتی عامل‌های هوش مصنوعی Agent Security Threats

  • تأییدیه‌های انسانی در چرخه (HITL) Human-in-the-Loop Approvals

  • رخنه در یک عامل خودمختار Compromising an Autonomous Agent

  • افزودن جریان‌های کاری تایید انسانی Add Human Approval Workflows

  • محدود کردن مجوزهای عامل Restrict Agent Permissions

  • ایمن‌سازی تصمیم‌گیری عامل Secure Agent Decision Making

  • اعتبارسنجی امنیت عامل Validate Agent Security

ساخت درگاه امنیتی هوش مصنوعی Building an AI Security Gateway

  • معماری لایه‌ای امنیت هوش مصنوعی Layered AI Security Architecture

  • موتورهای سیاست، گاردریل‌ها و امتیازدهی ریسک Policy Engines, Guardrails and Risk Scoring

  • مرور معماری کامل و امن هوش مصنوعی Reviewing the Complete Secure AI Architecture

  • ساخت درگاه امنیتی هوش مصنوعی Build the AI Security Gateway

  • ادغام اعتبارسنجی پرامپت Integrate Prompt Validation

  • ادغام امنیت RAG Integrate RAG Security

  • ادغام امنیت ابزارها Integrate Tool Security

  • ادغام امنیت حافظه Integrate Memory Security

  • ادغام امنیت عامل‌ها Integrate Agent Security

  • تأیید کامل خط لوله امنیتی Verify the Complete Security Pipeline

آمادگی برای محیط عملیاتی و جمع‌بندی دوره Production Readiness and Course Wrap-Up

  • استقرار برنامه‌های امن هوش مصنوعی Deploying Secure AI Applications

  • مانیتورینگ، لاگ‌گذاری و پاسخ به حوادث Monitoring, Logging and Incident Response

  • بسته‌بندی دستیار امن هوش مصنوعی با داکر Package the Secure AI Assistant with Docker

  • ساخت و اجرای دستیار امن داکری شده Build and Run the Dockerized Secure AI Assistant

  • جمع‌بندی دوره و گام‌های بعدی Course Wrap-Up and Next Steps

مبانی حاکمیت هوش مصنوعی و مدل داده‌های حاکمیتی AI Governance Foundations and Governance Data Model

  • حاکمیت هوش مصنوعی در تمام چرخه عمر AI governance across the full lifecycle

  • حاکمیت در مقابل ریسک، تطبیق، امنیت، حریم خصوصی، ایمنی و هوش مصنوعی مسئولانه Governance versus risk, compliance, security, privacy, safety, & responsible AI

  • مدل عملیاتی حاکمیت هوش مصنوعی AI governance operating model

  • معماری داده‌های حاکمیتی Governance data architecture

  • چارچوب‌های حاکمیتی Governance frameworks

  • پروژه عملی: ساخت زیربنای داده‌های حاکمیت هوش مصنوعی Hands-On Project: Build the AI Governance Data Foundation

موجودی هوش مصنوعی، دید قابلیت مصرف و هوشمندی هزینه‌ها AI Inventory, Usage Visibility, and Cost Intelligence

  • ساخت موجودی هوش مصنوعی سازمانی Building an enterprise AI inventory

  • تلمتری مصرف Usage telemetry

  • تحلیل‌های مصرف مدل Model usage analytics

  • مصرف توکن و تخصیص هزینه‌ها Token consumption and cost allocation

  • مالکیت و پاسخگویی Ownership and accountability

  • پروژه عملی: ساخت داشبورد موجودی و هوشمندی مصرف هوش مصنوعی Hands-On Project: Build the AI Inventory and Usage Intelligence Dashboard

امتیازدهی ریسک، اولویت‌بندی و اصلاح ریسک‌های هوش مصنوعی AI Risk Scoring, Prioritization, and Remediation

  • دسته‌بندی‌های ریسک هوش مصنوعی AI risk categories

  • عوامل ریسک Risk factors

  • ریسک ذاتی، اثربخشی کنترل، ریسک باقی‌مانده و پذیرش ریسک Inherent risk, control effectiveness, residual risk, and risk acceptance

  • آستانه‌های ریسک، قوانین ارجاع، گیت‌های تأیید و اولویت‌بندی حاکمیتی Risk thresholds, escalation rules, approval gates, and governance prioritization

  • جریان‌های کاری اصلاح ریسک Remediation workflows

  • پروژه عملی: ساخت موتور امتیازدهی و اصلاح ریسک هوش مصنوعی Hands-On Project: Build an AI Risk Scoring and Remediation Engine

عملکرد مدل، ارزیابی و نظارت بر رانش (Drift) Model Performance, Evaluation, and Drift Monitoring

  • معیارهای کیفیت مدل Model quality metrics

  • ارزیابی هوش مصنوعی مولد Generative AI evaluation

  • عدالت، سوگیری، استحکام و تست‌های خصمانه Fairness, bias, robustness, and adversarial testing

  • رانش داده‌ها، رانش مفاهیم، افت عملکرد و سیگنال‌های تخریب مدل Data drift, concept drift, performance degradation, & model degradation signals

  • آستانه‌های ارزیابی، گیت‌های کیفیت، معیارهای انتشار و تصمیمات بازگشت (Rollback) Evaluation thresholds, quality gates, release criteria, and rollback decisions

  • پروژه عملی: ساخت داشبورد ارزیابی مدل و نظارت بر رانش Hands-On Project: Build a Model Evaluation and Drift Dashboard

حاکمیت ارزیابی پرامپت، پاسخ و LLM Prompt, Response, and LLM Evaluation Governance

  • حاکمیت پرامپت Prompt governance

  • لاگ‌گذاری پرامپت و پاسخ برای ردیابی و بازتولید Prompt and response logging for traceability and reproducibility

  • روش‌های ارزیابی LLM LLM evaluation methods

  • تشخیص توهم، ادعاهای پشتیبانی نشده، کیفیت استناد و اطمینان از پاسخ Hallucination detection, unsupported claims, citation quality, response confiden

  • تحلیل اثر تغییرات برای تغییرات پرامپت، تغییرات مدل و تغییرات پیکربندی Change impact analysis for prompt changes, model changes, configuration changes

  • پروژه عملی: ساخت آزمایشگاه حاکمیت پرامپت و پاسخ Hands-On Project: Build a Prompt and Response Governance Lab

نظارت بر عامل‌های هوش مصنوعی، ردیابی اقدامات و نظارت انسانی AI Agent Monitoring, Action Traceability, and Human Oversight

  • حاکمیت عامل‌ها (Agent Governance) Agent governance

  • مشاهده‌پذیری عامل‌ها Agent observability

  • حالت‌های شکست پرریسک عامل‌ها High-risk agent failure modes

  • طراحی انسان در چرخه (HITL) Human-in-the-loop design

  • اندازه‌گیری نظارت انسانی Measuring human oversight

  • پروژه عملی: ساخت مانیتور فعالیت عامل هوش مصنوعی و نظارت انسانی Hands-On Project: Build an AI Agent Activity and Human Oversight Monitor

حاکمیت RAG، داده‌های حساس و کنترل‌های دانش RAG Governance, Sensitive Data, and Knowledge Controls

  • ریسک‌های حاکمیت RAG RAG governance risks

  • مالکیت منابع دانش، طبقه‌بندی اسناد، نگهداری، چرخه‌های بازبینی و... Knowledge source ownership, document classification, retention, review cycles...

  • کیفیت بازیابی (Retrieval Quality) Retrieval quality

  • افشای داده‌های حساس Sensitive data exposure

  • کنترل‌های دسترسی، مجوزهای سند، فیلترینگ منابع و دانش محدود شده Access controls, document permissions, source filtering, and restricted know...

  • پروژه عملی: ساخت داشبورد حاکمیت RAG و داده‌های حساس Hands-On Project: Build a RAG Governance and Sensitive Data Dashboard

تطبیق با مقررات، مدیریت سیاست‌ها و شواهد کنترلی Compliance Mapping, Policy Management, and Control Evidence

  • تبدیل مقررات و استانداردها به کنترل‌های عملیاتی هوش مصنوعی Translating regulations and standards into operational AI controls

  • تطبیق compliance در NIST AI RMF، EU AI Act و ISO/IEC 42001 Compliance mapping across NIST AI RMF, EU AI Act, ISO/IEC 42001

  • چرخه عمر سیاست: پیش‌نویس، بازبینی، تأیید، انتشار، بروزرسانی، بازنشستگی و حسابرسی Policy lifecycle: draft, review, approve, publish, update, retire, and audit

  • نسخه‌بندی قوانین و سیاست‌ها Rule and policy versioning

  • مدیریت شواهد Evidence management

  • پروژه عملی: ساخت موتور تطبیق Compliance و نسخه‌بندی سیاست‌ها Hands-On Project: Build a Compliance Mapping and Policy Versioning Engine

کارت‌های مدل، ارزیابی اثرات و تأییدیه‌های حاکمیتی Model Cards, Impact Assessments, and Governance Approvals

  • کارت‌های مدل، کارت‌های سیستم، کارت‌های عامل، کارت‌های مجموعه داده و ارزیابی تامین‌کنندگان Model cards, system cards, agent cards, dataset cards, and vendor assessments

  • ارزیابی‌های اثرات هوش مصنوعی AI impact assessments

  • جریان‌های کاری تایید Approval workflows

  • مدیریت استثنائات Exception management

  • پاسخگویی حاکمیتی و تفکیک وظایف Governance accountability and separation of duties

  • پروژه عملی: ساخت جریان کاری ارزیابی و تایید هوش مصنوعی Hands-On Project: Build an AI Assessment and Approval Workflow

گاردریل‌ها، اجرای سیاست‌ها و اثربخشی ایمنی Guardrails, Policy Enforcement, and Safety Effectiveness

  • کنترل‌های پیشگیرانه، شناسایی و اصلاحی برای سیستم‌های هوش مصنوعی Preventive, detective, and corrective controls for AI systems

  • گاردریل‌ها برای پرامپت‌ها، خروجی‌ها، ابزارها، دسترسی به داده‌ها، اقدامات عامل و جریان‌های کاری Guardrails for prompts, outputs, tools, data access, agent actions, and work...

  • تزریق پرامپت، جیل‌بریک، نشت داده‌ها، محتوای ناامن و دور زدن سیاست‌ها Prompt injection, jailbreaks, data leakage, unsafe content, and policy evasion

  • اندازه‌گیری اثربخشی گاردریل‌ها: تریگرها، بلاک‌ها، ارجاعات و دور زدن‌ها Measuring guardrail effectiveness: triggers, blocks, escalations, bypasses, ...

  • سیاست به عنوان کد (Policy as Code)، اجرای خودکار و تست کنترل‌ها Policy-as-code, automated enforcement, and control testing

  • پروژه عملی: ساخت سرویس گاردریل و اجرای سیاست‌ها Hands-On Project: Build a Guardrails and Policy Enforcement Service

حوادث، ردپای حسابرسی، گزارش‌دهی و معیارهای اجرایی Incidents, Audit Trails, Reporting, and Executive Metrics

  • مدیریت حوادث هوش مصنوعی: نقض سیاست‌ها، موارد نزدیک به حادثه، شدت، اثر و پاسخ AI incident management: policy breaches, near-misses, severity, impact, and r...

  • طراحی ردپای حسابرسی (Audit Trail) Audit trail design

  • شاخص‌های کلیدی عملکرد (KPI) و ریسک (KRI) برای مدیران، تیم‌های ریسک، مهندسان و حسابرسان Governance KPIs and KRIs for executives, risk teams, engineers, and auditors

  • اصلاح حوادث Incident remediation

  • گزارش‌های هیئت مدیره، بسته‌های حسابرسی، شواهد مقرراتی و خلاصه‌های تطبیق Board reports, audit packets, regulatory evidence, and compliance summaries

  • پروژه عملی: ساخت مرکز حسابرسی و مدیریت حوادث حاکمیت هوش مصنوعی Hands-On Project: Build an AI Governance Audit and Incident Center

پروژه نهایی: مرکز فرماندهی حاکمیت هوش مصنوعی سازمانی Capstone: Enterprise AI Governance Command Center

  • طراحی معماری حاکمیت یکپارچه در مدل‌ها، عامل‌ها و سیستم‌های RAG Designing a unified governance architecture across models, agents, RAG syste...

  • ساخت داشبوردهای مبتنی بر نقش برای مدیران، تیم‌های هوش مصنوعی، تیم‌های ریسک و تطبیق Building role-based dashboards for executives, AI teams, risk teams, complia...

  • اتصال تلمتری، ریسک، کنترل‌ها، شواهد و اصلاحات در یک سیستم حاکمیتی واحد Connecting telemetry, risk, controls, evidence, and remediation into one gove...

  • اندازه‌گیری بلوغ حاکمیتی، پوشش کنترل‌ها، کاهش ریسک و موفقیت برنامه Measuring governance maturity, control coverage, risk reduction, and program...

  • ارائه بینش‌ها و توصیه‌های حاکمیتی به رهبری سازمان Presenting governance insights and recommendations to leadership

  • پروژه عملی: ساخت مرکز فرماندهی حاکمیت هوش مصنوعی سازمانی Hands-On Project: Build the Enterprise AI Governance Command Center

نمایش نظرات

آموزش بوت‌کمپ جامع امنیت هوش مصنوعی عامل‌محور (Agentic AI) و حاکمیت LLM
جزییات دوره
26.5 hours
158
(آخرین آپدیت)
577
5 از 5
دارد
ندارد
ندارد
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

School of AI School of AI

Arjun Vaid Arjun Vaid

مهندس نرم‌افزار و مدرس طراحی کاربردی محصول