Köszönjük, hogy elküldte érdeklődését! Csapatunk egyik tagja hamarosan felveszi Önnel a kapcsolatot.
Köszönjük, hogy elküldte foglalását! Csapatunk egyik tagja hamarosan felveszi Önnel a kapcsolatot.
Kurzusleírás
Bevezetés az AI fenyegetésmodellezésbe
- Mi teszi az AI rendszereket sebezhetővé?
- AI támadási felület vs hagyományos rendszerek
- Kulcsfontosságú támadási vektorok: adatok, modell, kimenet és interfészképletek rétegei
Adversarial támadások AI modellre
- Ellenséges példák és zavarás technikák megértése
- Fehér doboz vs fekete doboz támadások
- FGSM, PGD és DeepFool módszerek
- Ellenséges minták vizualizálása és készítése
Modellinverzió és adatszivárgás
- Modellkimenet alapján tanítóadatok következtetése
- Tagságinferencia támadások
- Osztályozó és generatív modellben rejlő privátiszkik
Adatmérgezés és hátsó ajtók bevezetése
- Mérgezett adatok hatása a modell viselkedésére
- Kiváltó alapú hátsó ajtók és trójai támadások
- Érzékenységi és szanitizálási stratégiák
Biztonság és védelmi technikák
- Adversarial tréning és adatbővítés
- Gradiensmaskolás és bemeneti előfeldolgozás
- Modell simítása és reguláris technikák
Privátiszkat tartó AI védelmi mechanizmusok
- Bevezetés a differenciális privátiszkba
- Zaj bevezetése és privátiszkbudzset
- Szövetségi tanulás és biztonságos agregálás
AI Security a gyakorlatban
- Fenyegetés-tudatos modellértékelés és telepítés
- ART (Adversarial Robustness Toolbox) használata gyakorlati környezetben
- Ipari esettanulmányok: valós brechek és megoldások
Összegzés és következő lépések
Követelmények
- A machine learning munkafolyamatok és modellkiképzés megértése
- Tapasztalat a Python-mal és közönséges ML keretrendszerek, mint például PyTorch vagy TensorFlow használatával
- Segítség a biztonsági vagy fenyegetésmodellezés alapfogalmaival
A közönség
- Machine learning mérnökök
- Cyberbiztonsági analitikák
- AI kutatók és modellvalidációs csapatok
14 Órák
