Складчина: AI Red Teamer: редтиминг систем на базе ИИ (часть 2/2025) [HTB Academy]
AI Red Teamer Job Role PathПрограмма подготовки на позицию AI Red Teamer, созданная в сотрудничестве с Google, обучает специалистов по кибербезопасности оценивать, эксплуатировать и защищать системы на базе искусственного интеллекта. Курс охватывает внедрение промптов (prompt injection), атаки на конфиденциальность моделей, использование ИИ в злонамеренных целях (adversarial AI), риски цепочки поставок и угрозы на этапе развертывания, сочетая теорию с практическими упражнениями. Курс разработан в соответствии с фреймворком для создания безопасного ИИ (Secure AI Framework/SAIF) от Google, что обеспечивает его релевантность для реальных задач, связанных с безопасностью ИИ. Вы приобретете следующие навыки: манипулирование поведением моделей, разработка стратегий red teaming, заточенных под ИИ, и проведение наступательного тестирования безопасности в отношении приложений, основанных на ИИ.
Ключевые темы курса:
- Основы ИИ
- Варианты использования ИИ в информационной безопасности
- Введение в red teaming ИИ
- Атаки с внедрением промптов
- Атаки на вывод LLM
- Атаки на данные ИИ
- Атаки на прикладные и системные компоненты развертываний ИИ
- Атаки на модели ИИ с уклонением - основы
- Атаки на модели ИИ с уклонением - First-Order атаки
- Атаки на модели ИИ с уклонением - атаки на разреженность данных
- Атаки на конфиденциальность ИИ
- Защита ИИ
Модуль 02: Применение ИИ в информационной безопасности
Этот модуль представляет собой практическое введение в создание моделей ИИ, которые могут применяться в различных областях информационной безопасности. Он охватывает настройку контролируемой среды для ИИ с использованием Miniconda для управления пакетами и JupyterLab для интерактивных экспериментов. Студенты научатся работать с наборами данных, выполнять предварительную обработку и преобразование данных, а также реализовывать структурированные рабочие процессы для таких задач, как классификация спама, обнаружение сетевых аномалий и классификация малвари. На протяжении модуля учащиеся познакомятся с ключевыми Python-библиотеками, такими как Scikit-learn и PyTorch, изучат эффективные подходы к обработке наборов данных и ознакомятся с распространенными метриками оценки, что позволит им понимать полный жизненный цикл разработки и экспериментирования с моделями ИИ.
Ключевые темы модуля:
- Введение
- Настройка окружения
- JupyterLab
- Python-библиотеки для ИИ
- Наборы данных
- Предварительная обработка данных
- Преобразование данных
- Метрики для оценки модели
- Классификация спама
- Набор данных со спамом
- Предварительная обработка набора данных со спамом
- Извлечение признаков
- Обучение и оценка (обнаружение спама)
- Оценка модели (обнаружение спама)
- Обнаружение сетевых аномалий
- Предварительная обработка и разделение набора данных
- Обучение и оценка (обнаружение сетевых аномалий)
- Оценка модели (обнаружение сетевых аномалий)
- Классификация малвари
- Набор данных с малварью
- Предварительная обработка набора данных с малварью
- Модель
- Обучение и оценка (классификация образов малвари)
- Оценка модели (классификация образов малвари)
Тип перевода: перевод с английского языка на русский
Формат: PDF
Объем оригинала: 12 модулей
Объем перевода второй части: Модуль 02: Применение ИИ в информационной безопасности (~86 стр.)
Скрытая ссылка
Дата выдачи: определяется по мере набора складчиков
Сэмпл перевода: во вложении