AI Red Teamer: редтиминг систем на базе ИИ (часть 2/2025) [HTB Academy]

AI Red Teamer Job Role Path Программа 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 Содержание второй части: 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) Дата релиза: 2025-2026 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.) Сэмпл перевода: Дата выдачи: определяется по мере набора складчиков