Cryptography and Security,Artificial Intelligence,Computation and Language,Computers and Society,Machine Learning,رمزنگاری و امنیت , هوش مصنوعی , محاسبات و زبان , رایانه و جامعه , یادگیری ماشین ,
توضیحات
Submitted 23 August, 2024; originally announced August 2024.
توضیحات به فارسی
ارسال شده 23 اوت 2024 ؛در ابتدا اوت 2024 اعلام شد.
کتاب پرسش و پاسخ چهارگزینهای – نسخه یادگیری سریع
— پاسخها بلافاصله بعد از سؤال برای مرور سریع
مشاهده نمونه نسخه کوییز سریع
کتاب پرسش و پاسخ چهارگزینهای – نسخه خودآزمایی
— پاسخها در انتهای بخشها برای سنجش واقعی یادگیری
مشاهده نمونه نسخه آزمونی
🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتابها، تمرینها و خودآزمایی.
ℹ️ نکات مهم هنگام خرید
این محصول به صورت فایل دانلودی کامل ارائه میشود.
توجه: لینکهای اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال میشوند.
دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینکها را دریافت نکردهاید، نام و نام خانوادگی و نام محصول را پیامک کنید تا
لینکها دوباره ارسال شوند.
💬 راههای ارتباطی پشتیبانی: واتساپ یا هر پیام رسان داخلی یا پیامک:
09395106248 تلگرام: @ma_limbs
چکیده
LLM app ecosystems are quickly maturing and supporting a wide range of use cases, which requires them to collect excessive user data. Given that the LLM apps are developed by third-parties and that anecdotal evidence suggests LLM platforms currently do not strictly enforce their policies, user data shared with arbitrary third-parties poses a significant privacy risk. In this paper we aim to bring transparency in data practices of LLM apps. As a case study, we study OpenAI's GPT app ecosystem. We develop an LLM-based framework to conduct the static analysis of natural language-based source code of GPTs and their Actions (external services) to characterize their data collection practices. Our findings indicate that Actions collect expansive data about users, including sensitive information prohibited by OpenAI, such as passwords. We find that some Actions, including related to advertising and analytics, are embedded in multiple GPTs, which allow them to track user activities across GPTs. Additionally, co-occurrence of Actions exposes as much as 9.5x more data to them, than it is exposed to individual Actions. Lastly, we develop an LLM-based privacy policy analysis framework to automatically check the consistency of data collection by Actions with disclosures in their privacy policies. Our measurements indicate that the disclosures for most of the collected data types are omitted in privacy policies, with only 5.8% of Actions clearly disclosing their data collection practices.
چکیده به فارسی (ترجمه ماشینی)
اکوسیستم های برنامه LLM به سرعت در حال بلوغ و پشتیبانی از طیف گسترده ای از موارد استفاده هستند که به آنها نیاز دارد تا داده های بیش از حد کاربر را جمع آوری کنند.با توجه به اینکه برنامه های LLM توسط اشخاص ثالث تهیه شده اند و شواهد حکایتی نشان می دهد که سیستم عامل های LLM در حال حاضر سیاست های خود را به شدت اجرا نمی کنند ، داده های کاربر به اشتراک گذاشته شده با اشخاص ثالث خودسرانه خطر حفظ حریم خصوصی را به وجود می آورند.در این مقاله هدف ما این است که شفافیت در شیوه های داده های برنامه های LLM را ایجاد کنیم.به عنوان یک مطالعه موردی ، ما اکوسیستم برنامه GPT OpenAi را مطالعه می کنیم.ما یک چارچوب مبتنی بر LLM برای انجام تجزیه و تحلیل استاتیک کد منبع مبتنی بر زبان طبیعی GPT ها و اقدامات آنها (خدمات خارجی) برای توصیف شیوه های جمع آوری داده های آنها ایجاد می کنیم.یافته های ما نشان می دهد که اقدامات داده های گسترده ای را در مورد کاربران ، از جمله اطلاعات حساس که توسط OpenAI ممنوع است ، مانند رمزهای عبور ، جمع آوری می کنند.ما می دانیم که برخی از اقدامات ، از جمله مربوط به تبلیغات و تجزیه و تحلیل ، در چندین GPT تعبیه شده اند که به آنها امکان می دهد فعالیت های کاربر را در GPT ها ردیابی کنند.علاوه بر این ، همدستی اقدامات به اندازه 9.5 برابر بیشتر داده ها در معرض آنها قرار می گیرد ، از آنچه در معرض اقدامات فردی قرار دارد.سرانجام ، ما یک چارچوب تجزیه و تحلیل سیاست حفظ حریم خصوصی مبتنی بر LLM را توسعه می دهیم تا به طور خودکار قوام جمع آوری داده ها را با اقدامات با افشای سیاست های حریم خصوصی آنها بررسی کنیم.اندازه گیری های ما نشان می دهد که افشای بیشتر انواع داده های جمع آوری شده در سیاست های حریم خصوصی حذف شده است ، تنها 5.8 ٪ از اقدامات به وضوح شیوه های جمع آوری داده های آنها را فاش می کنند.
📚 محتوای این محصول آموزشی (پکیج کامل)
علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیقتر و تسلط کامل بر مباحث مجموعهای از کتابهای آموزشی نیز ارائه میشود.
کتاب پرسش و پاسخ چهارگزینهای – نسخه یادگیری سریع
— پاسخها بلافاصله بعد از سؤال برای مرور سریع
مشاهده نمونه نسخه کوییز سریع
کتاب پرسش و پاسخ چهارگزینهای – نسخه خودآزمایی
— پاسخها در انتهای بخشها برای سنجش واقعی یادگیری
مشاهده نمونه نسخه آزمونی
🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتابها، تمرینها و خودآزمایی.
ℹ️ نکات مهم هنگام خرید
این محصول به صورت فایل دانلودی کامل ارائه میشود.
توجه: لینکهای اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال میشوند.
دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینکها را دریافت نکردهاید، نام و نام خانوادگی و نام محصول را پیامک کنید تا
لینکها دوباره ارسال شوند.
💬 راههای ارتباطی پشتیبانی: واتساپ یا هر پیام رسان داخلی یا پیامک:
09395106248 تلگرام: @ma_limbs
