พื้นฐานความปลอดภัยของ AI: การปกป้อง LLMs, MLOps และ Generative AI

เมื่อปัญญาประดิษฐ์และโมเดลภาษาขนาดใหญ่ถูกรวมเข้ากับซอฟต์แวร์สมัยใหม่อย่างลึกซึ้ง การรักษาความปลอดภัยของระบบเหล่านี้จากการโจมตีรูปแบบใหม่จึงมีความสำคัญมากกว่าที่เคย หลักสูตรนี้จะนำเสนอแนวทางที่ชัดเจนในรูปแบบข้อความ เพื่อทำความเข้าใจและลดความเสี่ยงด้านความปลอดภัยตลอดวงจรชีวิตของ AI คุณจะได้เปลี่ยนจากแนวคิดด้านความปลอดภัยแบบดั้งเดิมไปสู่ท่าทีการป้องกันที่เน้น AI โดยผ่านคำอธิบายที่เป็นลายลักษณ์อักษร การวิเคราะห์สถาปัตยกรรม และตัวอย่างความปลอดภัยที่อิงโค้ด คุณจะได้เรียนรู้วิธีระบุช่องโหว่ใน data pipelines รักษาความปลอดภัยโครงสร้างพื้นฐานของ machine learning และปกป้องแอปพลิเคชัน Generative AI จากภัยคุกคามในโลกแห่งความเป็นจริง สิ่งที่คุณจะได้เรียนรู้: - ทำความเข้าใจความเสี่ยงด้านความปลอดภัยพื้นฐานที่มีลักษณะเฉพาะสำหรับโมเดล machine learning และ AI pipelines - ระบุและลดช่องโหว่ของ Generative AI รวมถึง prompt injection, data poisoning และ model inversion - ประยุกต์ใช้กรอบการสร้างแบบจำลองภัยคุกคามสมัยใหม่ที่ออกแบบมาโดยเฉพาะสำหรับสภาพแวดล้อม LLMs และ MLOps - กำหนดค่า data pipelines ที่ปลอดภัยและการควบคุมการเข้าถึงเพื่อป้องกันการเปิดเผยข้อมูลที่ละเอียดอ่อนในระบบ Retrieval-Augmented Generation (RAG) - นำแนวทางปฏิบัติที่ดีที่สุดด้านความปลอดภัยที่เป็นมาตรฐานอุตสาหกรรมไปใช้ โดยอ้างอิงแนวทางเช่น OWASP Top 10 สำหรับ LLMs หลักสูตรนี้เริ่มต้นด้วยคำจำกัดความหลักและภูมิทัศน์ภัยคุกคามที่เป็นเอกลักษณ์ของปัญญาประดิษฐ์ ก่อนที่จะนำคุณไปสู่การรักษาความปลอดภัยของ MLOps pipelines การเสริมความแข็งแกร่งให้กับแอปพลิเคชัน Generative AI และการสร้างแนวทางปฏิบัติในการสร้างแบบจำลองภัยคุกคามที่แข็งแกร่ง โปรแกรมนี้ออกแบบมาสำหรับนักพัฒนาซอฟต์แวร์ ผู้เชี่ยวชาญด้านความปลอดภัย และผู้ที่ชื่นชอบเทคโนโลยีที่ต้องการสร้างรากฐานด้านความปลอดภัยของ AI โดยไม่จำเป็นต้องมีประสบการณ์ด้าน machine learning หรือ data science มาก่อน เริ่มอ่านวันนี้เพื่อสร้างแอปพลิเคชันที่ขับเคลื่อนด้วย AI ที่ปลอดภัยและยืดหยุ่นยิ่งขึ้น