Rafforzare le reti neurali profonde: Rendere l'intelligenza artificiale meno suscettibile ai trucchi degli avversari

Recensioni dei lettori

Il libro fornisce una panoramica leggibile degli attacchi avversari e dell'apprendimento profondo, rendendolo accessibile ai lettori non tecnici, pur contenendo anche alcuni contenuti tecnici per i codificatori professionisti. Tuttavia, è stato criticato per la sua mancanza di profondità, per gli esempi di codifica insufficienti e per il materiale introduttivo non necessario.

⬤ Ottimo per coder e appassionati di IA
⬤ molto leggibile
⬤ spiega bene l'apprendimento profondo e le minacce avversarie
⬤ visione ottimistica dell'IA
⬤ adatto a chi cerca una comprensione di base.

⬤ Troppo elementare per i lettori esperti
⬤ manca di profondità e di dettagli tecnici
⬤ scarsi esempi di codifica
⬤ il lungo materiale introduttivo non è necessario
⬤ potrebbe non soddisfare le esigenze di chi cerca un'esplorazione più rigorosa dell'argomento.

(basato su 3 recensioni dei lettori)

Titolo originale:

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

Contenuto del libro:

Mentre le reti neurali profonde (DNN) diventano sempre più comuni nelle applicazioni del mondo reale, la possibilità di ingannarle deliberatamente con dati che non ingannerebbero un essere umano presenta un nuovo vettore di attacco. Questo libro pratico esamina gli scenari reali in cui le DNN - gli algoritmi intrinseci a gran parte dell'IA - sono utilizzate quotidianamente per elaborare dati di immagini, audio e video.

L'autrice Katy Warr considera le motivazioni degli attacchi, i rischi posti da questi input avversari e i metodi per aumentare la resistenza dell'IA a questi attacchi. Se siete uno scienziato dei dati che sviluppa algoritmi DNN, un architetto della sicurezza interessato a come rendere i sistemi di IA più resistenti agli attacchi o qualcuno affascinato dalle differenze tra la percezione artificiale e quella biologica, questo libro fa per voi.

⬤ Scoprite le DNN e scoprite come possono essere ingannate da input avversari.

⬤ Indagare sui metodi utilizzati per generare input avversari in grado di ingannare le DNN.

⬤ Esplorare scenari reali e modellare la minaccia avversaria.

⬤ Valutare la robustezza delle reti neurali; apprendere metodi per aumentare la resilienza dei sistemi di IA ai dati avversari.

⬤ Esaminare alcuni modi in cui l'IA potrebbe migliorare l'imitazione della percezione umana negli anni a venire.