Strengthening Deep Neural Networks: Making AI Less Susceptible to Adversarial Trickery

از آنجایی که شبکه‌های عصبی عمیق (DNN) به طور فزاینده‌ای در برنامه‌های کاربردی دنیای واقعی رایج می‌شوند، پتانسیل "فریب دادن" عمدی آنها با داده‌هایی که انسان را فریب نمی‌دهند، بردار حمله جدیدی را ارائه می‌دهد. این کتاب عملی سناریوهای دنیای واقعی را بررسی می‌کند که در آن DNNها - الگوریتم‌های ذاتی بیشتر هوش مصنوعی - روزانه برای پردازش داده‌های تصویر، صدا و ویدئو استفاده می‌شوند.

نویسنده کیتی وار انگیزه‌های حمله، خطرات ناشی از آن را در نظر می‌گیرد. این ورودی خصمانه و روش هایی برای افزایش استحکام هوش مصنوعی در برابر این حملات. اگر دانشمند داده ای هستید که الگوریتم های DNN را توسعه می دهد، یک معمار امنیتی علاقه مند به نحوه انعطاف پذیرتر کردن سیستم های هوش مصنوعی در برابر حمله هستید، یا فردی هستید که مجذوب تفاوت های بین ادراک مصنوعی و بیولوژیکی است، این کتاب برای شما مناسب است.

As deep neural networks (DNNs) become increasingly common in real-world applications, the potential to deliberately "fool" them with data that wouldn't trick a human presents a new attack vector. This practical book examines real-world scenarios where DNNs—the algorithms intrinsic to much of AI—are used daily to process image, audio, and video data.

Author Katy Warr considers attack motivations, the risks posed by this adversarial input, and methods for increasing AI robustness to these attacks. If you're a data scientist developing DNN algorithms, a security architect interested in how to make AI systems more resilient to attack, or someone fascinated by the differences between artificial and biological perception, this book is for you.