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 (Generative AI) را پیاده‌سازی می‌کنند، اغلب بدون اینکه متوجه شوند، ریسک‌های حریم خصوصی، آسیب‌پذیری‌های امنیتی و شکاف‌های انطباقی ایجاد می‌کنند. در این دوره جامع، شما توانایی ساخت اپلیکیشن‌های هوش مصنوعی مولد را خواهید یافت که امن، حافظ حریم خصوصی و آماده برای حاکمیت داده‌ها باشند. ابتدا، نحوه جریان داده 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 مدل‌های زبانی بزرگ (LLM) آشنا شده و یاد می‌گیرید که حفاظ‌های لایه‌ای شامل اعتبارسنجی ورودی، ریل‌های بازیابی (Retrieval Rails)، فیلتر کردن خروجی و گیت‌های ارزیابی را پیاده‌سازی کنید. در نهایت، نحوه اعمال اصول هوش مصنوعی مسئولانه و اجرای کنترل‌های حاکمیتی را می‌آموزید که شواهدی قابل حسابرسی برای چارچوب‌هایی مانند EU AI Act و NIST AI RMF ارائه می‌دهند. 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 و استانداردهای رگولاتوری را پاس کنند.

سرفصل ها و درس ها

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

  • جریان داده 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 APIهای Stateless در مقابل Stateful 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 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 (Prompt Injection)، جیل‌بریک و استخراج داده‌ها در خط لوله‌های RAG Prompt injection, jailbreaks, and data exfiltration in RAG pipelines

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

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

حفاظ‌ها، 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

  • فیلترینگ خروجی، تعدیل محتوا و نظارت بر میزان 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 انتشار هوش مصنوعی مولد Governance, audit evidence, and ship-readiness for generative AI

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

  • لاگ‌گذاری 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.