أوقف تسرب البيانات بين المستأجرين، وقلل من نطاق انكشاف النموذج، ونظّم الوصول إلى قواعد البيانات المدعومة بالذكاء الاصطناعي باستخدام ضوابط عملية.
٥ أقسام · ١٠ دروس
تتبَّع مسار طلب "مساعد الدعم"، ثم ميِّز بين هوية المستخدم وهوية التطبيق وعمليتي المصادقة والتفويض؛ وذلك لضمان أن يتبع الوصول إلى قاعدة البيانات هويةَ الجهة المُطلِبة للطلب، بدلاً من الاعتماد على الصلاحيات المتاحة للتطبيق ذاته.
٢ دروسطبّق آلية العزل بناءً على مُعرِّف المستأجر (tenant_id)، ثم قارن بين خيارات التصفية المسبقة، وأدوار القراءة فقط، وطرق العرض (views)، وسياسات أمان الصفوف (RLS)؛ وذلك لمنع وصول الصفوف غير المصرح بها والأعمدة الحساسة إلى التطبيق والمطالبة (prompt).
٣ دروسحدد الأغراض (intents) المدرجة في القائمة المسموح بها، والاستعلامات ذات المعاملات (parameterized queries)، وآليات التحقق الأساسية من المعاملات، وذلك لضمان بقاء عمليات القراءة التي يختارها النموذج ضمن مسارات الوصول إلى قاعدة البيانات المحددة مسبقاً.
١ درستعامل مع الملاحظات المسترجعة على أنها بيانات وليست مرجعاً موثوقاً، وقلل من حجم البيانات المكشوفة من خلال تقليل عدد الأعمدة والصفوف وحجب المعلومات الحساسة قبل إرسال أي شيء إلى النموذج.
٢ دروسأخضِع الإجراءات التي تُغيِّر الحالة لضوابط تشمل التفويض الصريح، والتأكيد، وصلاحيات الوصول المحدودة، وسجلات التدقيق؛ ثم تتبَّع مسار الطلب بالكامل واربط التهديدات بآليات التحكم التي تتصدى لها.
٢ دروسقد يؤدي مساعد الدعم القائم على النماذج اللغوية الكبيرة (LLM) إلى تسريب بيانات العملاء في حال عدم الفصل بوضوح بين عمليات الوصول إلى قاعدة البيانات، ومطالبات النموذج (prompts)، وعمليات الكتابة. توضح هذه الدورة كيفية تأمين هذا المسار من خلال آليات المصادقة، وعزل المستأجرين (tenant isolation)، ومبدأ الحد الأدنى من الصلاحيات، وتقليل البيانات، وقوائم السماح للنوايا (intent allowlists)، وضوابط أكثر صرامة للعمليات التي تغير حالة النظام. صُممت الدورة للمبتدئين الراغبين في تكوين تصور ذهني واضح حول حماية بيانات قواعد البيانات في تطبيقات الذكاء الاصطناعي، دون الخوض في تفاصيل التنفيذ المعقدة.
تتناول الدورة مواضع تسرب بيانات قاعدة البيانات ضمن سير عمل دعم النماذج اللغوية الكبيرة (LLM)، والفرق بين الهوية والصلاحيات، وكيفية تحديد نطاق البيانات المرئية باستخدام سياسات `tenant_id` وآليات الأمان على مستوى الصف. كما تغطي الدورة مواضيع التصفية المسبقة، والأدوار (roles)، وطرق العرض (views)، وقوائم السماح للنوايا (intent allowlists)، والاستعلامات المُعاملة (parameterized queries)، ومخاطر حقن الأوامر (prompt injection)، ومبدأ تقليل البيانات، وضوابط الكتابة الأكثر أماناً مع سجلات التدقيق.
من مديري المشاريع والعاملين في التشغيل إلى المؤسسين والمحللين والفرق التي تتبنى الذكاء الاصطناعي، Fenzo لكل من يريد أن يتحسّن في العمل الذي يقوم به بالفعل.
أي شيء، من استخدام الذكاء الاصطناعي في تخطيط المشاريع والتحليل إلى تحسين سير العمل واتخاذ القرار والتواصل والتنفيذ. إذا استطعت وصف المهارة أو المهمة، يستطيع Fenzo أن يبني حولها دورة.
نعم. أخبر Fenzo بما تعمل، وما تحاول تحقيقه، وأين تواجه صعوبة، وسيصمّم الدورة حول دورك وأهدافك والعمل الذي عليك إنجازه فعلًا.
لا. يتكيّف Fenzo مع نقطة انطلاقك، فيمكنك البدء بالأساسيات أو الانتقال مباشرةً إلى عمل أكثر تقدمًا.
نعم. يجمع Fenzo للأعمال الفريق كله في خطة واحدة: مقاعد مشتركة، ودورات يمكنك إسنادها، وتقارير توضّح من أنهى ماذا.
تعرّف على Fenzo للأعمالتبدأ بوصف هدفك أو بإجراء تقييم قصير للمهارات. يستخدم Fenzo هذا السياق لتحديد الفجوات وتشكيل تجربة التعلم حولها.
نعم، يعمل Fenzo في متصفح هاتفك.
شيء تتفاعل معه في كل قسم.
ثلاث نتائج من عقود من أبحاث التعلّم شكّلت طريقة بناء كل درس في Fenzo.
متوسط معدل النجاح · Freeman et al., PNAS 2014
ماذا يقول العلم
الطلاب في الصفوف القائمة على المحاضرات فقط أكثر عرضة للرسوب بمقدار ١.٥ مرة.
كيف يطبّقه Fenzo
كل درس في Fenzo تفاعلي. لا قراءة أو مشاهدة سلبية، أبدًا.
تنجزه بنفسكينجزه الذكاء الاصطناعي عنك
الاحتفاظ بالمهارة مع الوقت · مع الممارسة وبدونها
ماذا يقول العلم
إيكال التفكير إلى الذكاء الاصطناعي يُضعف المهارات التي تحاول بناءها.
كيف يطبّقه Fenzo
يجعلك Fenzo تقوم بالتفكير بنفسك، بتوجيه، لكن دون أن يُنجَز عنك.
التذكّر النشطإعادة القراءة
التذكّر طويل المدى · التذكّر النشط مقابل إعادة القراءة
ماذا يقول العلم
استرجاع المعلومات يتفوّق على إعادة قراءتها في بناء فهم راسخ.
كيف يطبّقه Fenzo
تتخلل الدروسَ اختباراتٌ وأسئلة للتذكّر، فيثبت ما تتعلّمه.