Najlepszym punktem wyjścia do nauki o AI jest zrozumienie, jak działają główne algorytmy uczenia maszynowego. Pomoże to zrozumieć, jak działa AI, jak go używać i jak go atakować:

{{#ref}} ./AI-Supervised-Learning-Algorithms.md {{#endref}}

{{#ref}} ./AI-Unsupervised-Learning-Algorithms.md {{#endref}}

{{#ref}} ./AI-Reinforcement-Learning-Algorithms.md {{#endref}}

{{#ref}} ./AI-Deep-Learning.md {{#endref}}

Architektura LLM

Na następnej stronie znajdziesz podstawy każdego komponentu do zbudowania podstawowego LLM przy użyciu transformerów:

{{#ref}} AI-llm-architecture/README.md {{#endref}}

Bezpieczeństwo AI

Ramy Ryzyka AI

W tej chwili główne 2 ramy do oceny ryzyk systemów AI to OWASP ML Top 10 i Google SAIF:

{{#ref}} AI-Risk-Frameworks.md {{#endref}}

Bezpieczeństwo Podpowiedzi AI

LLM-y spowodowały eksplozję użycia AI w ostatnich latach, ale nie są doskonałe i mogą być oszukiwane przez wrogie podpowiedzi. To bardzo ważny temat, aby zrozumieć, jak używać AI bezpiecznie i jak go atakować:

{{#ref}} AI-Prompts.md {{#endref}}

RCE Modeli AI

Bardzo powszechne jest, że deweloperzy i firmy uruchamiają modele pobrane z Internetu, jednak samo załadowanie modelu może być wystarczające do wykonania dowolnego kodu w systemie. To bardzo ważny temat, aby zrozumieć, jak używać AI bezpiecznie i jak go atakować:

{{#ref}} AI-Models-RCE.md {{#endref}}

Protokół Kontekstowy Modelu AI

MCP (Model Context Protocol) to protokół, który pozwala klientom agentów AI łączyć się z zewnętrznymi narzędziami i źródłami danych w sposób plug-and-play. Umożliwia to złożone przepływy pracy i interakcje między modelami AI a systemami zewnętrznymi:

{{#ref}} AI-MCP-Servers.md {{#endref}}

Fuzzing Wspomagany AI i Zautomatyzowane Odkrywanie Wrażliwości

{{#ref}} AI-Assisted-Fuzzing-and-Vulnerability-Discovery.md {{#endref}}