فلش‌کارت‌های آموزشی تکنیک‌های فنی برای هوش مصنوعی قابل اعتماد

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره تکنیک‌های فنی برای هوش مصنوعی قابل اعتماد

موضوع کلی: هوش مصنوعی و مدل‌های زبانی بزرگ

موضوع میانی: هوش مصنوعی قابل اعتماد (Trustworthy AI)

📋 سرفصل‌های دوره

• 1. مقدمه بر هوش مصنوعی قابل اعتماد: تعریف، ابعاد و چارچوب‌های کلی
• 2. محدوده و تهدیدات اعتمادپذیری در سیستم‌های هوش مصنوعی
• 3. چشم‌انداز نظارتی و اخلاقی هوش مصنوعی قابل اعتماد
• 4. سنجش و ارزیابی اعتمادپذیری: شاخص‌ها و معیارهای کمّی
• 5. بیاسازی در یادگیری ماشین: علل، انواع و مسیرهای ایجاد آن
• 6. شناسایی و اندازه‌گیری تعصب در داده‌های آموزشی
• 7. معیارهای عدالت در مدل‌های پیش‌بینی‌کننده و طبقه‌بندی
• 8. روش‌های پیش‌پردازش برای کاهش بیاسازی داده
• 9. محدودیت‌های عدالت در فرایند آموزش مدل‌ها
• 10. روش‌های پس‌پردازش برای تولید پیش‌بینی‌های منصفانه
• 11. یادگیری نمایش خالص‌شده با حفظ عدالت
• 12. عدالت تقاطعی و چندگروهی در سیستم‌های هوش مصنوعی
• 13. رویکردهای علّی برای عدالت در مدل‌های یادگیری ماشین
• 14. عدالت در سیستم‌های رتبه‌بندی و پیشنهادگری
• 15. پیاده‌سازی عملکردی ابزارهای عدالت‌سنجی مانند Fairlearn و AIF360
• 16. مبانی تفسیرپذیری مدل‌ها در یادگیری عمیق
• 17. مدل‌های ذاتاً قابل تفسیر در مقابل توضیحات پس‌از-باز
• 18. روش‌های اهمیت ویژگی: SHAP، LIME و permutational importance
• 19. مکانیزم‌های توجه به عنوان ابزار توضیح‌پذیری در ترنسفورمرها
• 20. توضیحات مبتنی بر مفهوم و مدل‌های گلوگاه مفهومی
• 21. توضیحات ضدواقعی برای تصمیمات هوش مصنوعی
• 22. پراپاگاسیون مرتبط لایه‌ای و روش‌های مبتنی بر گرادیان
• 23. تفسیرپذیری مدل‌های شبکه‌های عصبی گرافی و مدل‌های ساختاری
• 24. ارزیابی کیفیت و وفاداری توضیحات تولیدشده
• 25. ارزیابی متمرکز بر انسان برای توضیحات هوش مصنوعی
• 26. توضیح‌پذیری در مدل‌های زبانی بزرگ و تولید متن
• 27. تولید خودکار توضیحات طبیعی‌زبان برای سیستم‌های هوش مصنوعی
• 28. حملات خصمانه بر مدل‌های یادگیری عمیق: نوع و روش‌شناسی
• 29. آموزش مقاوم و بهینه‌سازی در برابر ورودی‌های خصمانه
• 30. مقاومت تأییدشده و تسویه تصادفی برای دفاع در برابر حملات
• 31. تقطیر دفاعی و سخت‌سازی مدل در برابر ورودی‌های آلوده
• 32. معماری‌های آزمون‌بک و معیارهای سنجش مقاومت
• 33. تشخیص خارج از توزیع و تعیین عدم‌قطعیت
• 34. سوءهم‌سازی توزیع و سازگاری حوزه برای مقاومت
• 35. حملات خصمانه متنی و مقاومت مدل‌های پردازش زبان طبیعی
• 36. حملات بک‌دور و تشخیص تروران در شبکه‌های عصبی
• 37. آلودگی داده و تشخیص و پیشگیری از حملات سمّی
• 38. مقاومت مدل‌های پایه و مدل‌های زبانی بزرگ در برابر حملات
• 39. سناریوهای تهدید حریم خصوصی در سیستم‌های هوش مصنوعی
• 40. مبانی حریم خصوصی تفاضلی و مکانیزم‌های خصوصی
• 41. یادگیری تفاضلی تصادفی با گرادیان (DP-SGD)
• 42. یادگیری فدرال و آموزش توزیع‌شده با حفظ حریم خصوصی
• 43. رمزگذاری همومورفیک برای استنتاج هوش مصنوعی
• 44. محاسبات چندطرفه‌ای امن در یادگیری ماشین
• 45. تولید داده‌های مصنوعی با حفظ حریم خصوصی
• 46. حملات استنتاج عضویت و برعکس‌سازی مدل
• 47. بودجه‌های حریم خصوصی و قضیه ترکیب در سیستم‌های واقعی
• 48. حریم خصوصی در مدل‌های زبانی بزرگ و به‌خاطر‌سپردن داده
• 49. پیاده‌سازی عملی سیستم‌های یادگیری ماشین با حفظ حریم خصوصی
• 50. تعریف و چالش‌های ایمنی هوش مصنوعی
• 51. هم‌راستایی ارزشی و مشکل هم‌راستایی در هوش مصنوعی
• 52. یادگیری تقویتی با بازخورد انسانی (RLHF)
• 53. هوش مصنوعی قانون‌مند و ارزیابی مبتنی بر اصول
• 54. تیم قرمز و آزمون‌های خصمانه سیستم‌های هوش مصنوعی
• 55. نظارت مقیاس‌پذیر و روش‌های تقویت‌کننده
• 56. قابلیت تفسیر مکانیکی برای هم‌راستایی مدل‌های بزرگ
• 57. هدایت و کنترل مدل‌های زبانی بزرگ
• 58. ارزیابی ایمنی و معیارهای سنجش مدل‌های زبانی بزرگ
• 59. تشخیص محتوای سمّی، اطلاعات نادرست و مضرات تولیدشده
• 60. هوش مصنوعی ایمن در کاربردهای حساس: سلامت و خودروسازی
• 61. سرقت بازگشتی و بازی مشخصه‌سازی در سیستم‌های تقویتی
• 62. قابلیت اصلاح‌پذیری و وقفه‌پذیری در سیستم‌های هوش مصنوعی
• 63. ارزیابی و مآلی سمعی برای سیستم‌های هوش مصنوعی
• 64. بازرسی مدل‌های هوش مصنوعی: روش‌شناسی و عملیات
• 65. چارچوب‌های بازرسی طرف ثالث و استانداردهای بازرسی
• 66. مجموعه‌داده‌های معیار برای ارزیابی هوش مصنوعی قابل اعتماد
• 67. روش‌های تست فشار و تیم قرمز برای سیستم‌های هوش مصنوعی
• 68. کارت‌های مدل و استانداردهای مستندسازی مدل
• 69. برگه‌های داده و حکمرانی داده در چرخه حیات هوش مصنوعی
• 70. نظارت مستمر و تشخیص تغییر توزیع در محیط‌های تولید
• 71. خطوط لوله خودکار آزمون عدالت و مقاومت
• 72. تکرارپذیری و چالش‌های آن در تحقیقات هوش مصنوعی قابل اعتماد
• 73. چارچوب‌های قانونی و نظارتی هوش مصنوعی قابل اعتماد
• 74. استانداردهای ISO و چارچوب‌های بین‌المللی اعتمادپذیری هوش مصنوعی
• 75. مدیریت ریسک در سیستم‌های هوش مصنوعی: ارزیابی و کاهش
• 76. گزارش‌دهی حوادث و ساختارهای حاکمیتی هوش مصنوعی
• 77. حکمرانی داده و ردیابی اصالت و منشأ داده‌ها
• 78. ملکیت فکری و حکمرانی هوش مصنوعی
• 79. مدل‌های بلوغ سازمانی برای هوش مصنوعی قابل اعتماد
• 80. هوش مصنوعی قابل اعتماد برای مدل‌های چندحسگره
• 81. هوش مصنوعی قابل اعتماد در مدل‌های تولیدی و مدل‌های انتشاری
• 82. وارم‌آپینگ محتوای تولیدشده توسط هوش مصنوعی
• 83. ردیابی اصالت و اعتبار محتوا (C2PA)
• 84. هوش مصنوعی قابل اعتماد در پیاده‌سازی لبه و سیستم‌های محدود منابع
• 85. همکاری انسان و هوش مصنوعی و کالیبره‌کردن اعتماد
• 86. هوش مصنوعی قابل اعتماد برای آژانت‌های خودمختار و سیستم‌های چندآژانتی
• 87. ملاحظات فرهنگی و بین‌المللی در هوش مصنوعی قابل اعتماد
• 88. سنجش و کمّی‌سازی اعتماد در سیستم‌های هوش مصنوعی
• 89. قابلیت انتقال یادگیری و انتقال اعتمادپذیری
• 90. هوش مصنوعی متن‌باز و اعتمادپذیری به رهبری جامعه
• 91. هوش مصنوعی برای خیر اجتماعی و سیستم‌های عادلانه
• 92. قابلیت اعتماد در سطح سخت‌افزار و محیط‌های اجرای قابل اعتماد
• 93. بلاکچین و تأیید صلاحیت غیرمتمرکز برای هوش مصنوعی
• 94. هوش مصنوعی عصبی-نمادین برای استدلال قابل اعتماد
• 95. هوش مصنوعی قابل اعتماد در کاربردهای پزشکی و علمی
• 96. مطالعات موردی واقعی: شکست‌ها و موفقیت‌های هوش مصنوعی قابل اعتماد
• 97. ساخت خط لوله کامل هوش مصنوعی قابل اعتماد از صفر
• 98. ابزارها و چارچوب‌های اکوسیستم هوش مصنوعی قابل اعتماد
• 99. جهت‌گیری‌های آینده و مسائل باز تحقیقات هوش مصنوعی قابل اعتماد
• 100. پروژه نمونه: طراحی سیستم هوش مصنوعی قابل اعتماد از پایان