اجازت (authorization) کی ایسی تہیں تشکیل دیں جو LLM ایپلی کیشنز، ایجنٹس، ٹولز اور ڈیٹا کو صارف کی منظور شدہ حدود کے اندر رکھیں۔
۴ حصے · ۱۲ اسباق
یہ تعین کریں کہ ماڈل کے ذریعے کی جانے والی درخواستیں کہاں اجازت (authorization) کی حدود کو عبور کرتی ہیں، اور پھر پرامپٹس (prompts)، معلومات کے حصول (retrieval)، ٹولز اور منظوریوں کے سلسلے میں اعتماد کی حدود اور غلط استعمال کے راستوں کی نشاندہی کریں۔
۲ اسباقصارف سے ایجنٹ تک تفویض کردہ شناخت (delegated identity) کا سراغ لگائیں، اجازت کاری کے ماڈلز کا موازنہ کریں، اور پالیسی انجنز اور ریگریشن ٹیسٹس کی مدد سے 'بنیادی طور پر انکار' (deny-by-default) پر مبنی فیصلے تشکیل دیں۔
۳ اسباقمعلومات کے حصول اور ٹولز کی فعالیت کے مراحل پر اجازت (authorization) کا اطلاق کریں، اور اس دوران متروک اجازتوں، کیش لیکج (cache leakage)، آرگومنٹس سے وابستہ خطرات، کوٹاز اور MCP آڈینس بائنڈنگ (audience binding) کا انتظام کریں۔
۳ اسباقزیادہ خطرے والے اور متعدد فریقین پر مشتمل اقدامات کے لیے منظوری اور اختیارات کی تفویض کے کنٹرولز (controls) وضع کریں، پھر ان کنٹرولز سے بچ نکلنے کے طریقوں کی نشاندہی کریں اور ایک نظرثانی شدہ آرکیٹیکچر میں ان کنٹرولز کو یکجا کریں۔
۴ اسباقLLM ایپلی کیشنز روایتی رسائی کنٹرول (access control) کے نظام کو اس وقت درہم برہم کر دیتی ہیں جب کوئی ماڈل 'کنفیوزڈ ڈیپٹی' (confused deputy) بن جائے، ضرورت سے زیادہ اختیارات حاصل کر لے، یا مشترکہ سروس اکاؤنٹس پر انحصار کرے۔ یہ کورس انجینئرز کو سکھاتا ہے کہ ماڈل سے باہر رہ کر کس طرح شناختوں (identities)، تفویض کردہ ٹوکنز، پالیسیوں، معلومات کے حصول (retrieval)، ٹولز، MCP سرورز، منظوریوں اور ملٹی ایجنٹ ورک فلو کے ذریعے 'اجازت' (authorization) کے عمل کو نافذ کیا جائے۔ اس کورس کے اختتام پر آپ رسائی کو کنٹرول کرنے، ناکامیوں کی تحقیقات کرنے اور حقیقی نوعیت کے حملوں کے خلاف دفاعی نظام کو جانچنے کے لیے ایک مربوط آرکیٹیکچر سے لیس ہوں گے۔
اس کورس میں تھریٹ ماڈلنگ (threat modeling)، ڈیلیگیٹڈ OAuth شناخت، RBAC، ABAC، ReBAC، پالیسی انجنز، اجازت سے آگاہ RAG، محفوظ ٹول کالز، MCP اجازت (authorization)، منظوری کے مراحل (approval gates)، ملٹی ایجنٹ ڈیلیگیشن، فیصلوں کے ریکارڈز (decision logs)، ٹریسنگ، ٹیسٹنگ اور ریڈ ٹیمنگ کا احاطہ کیا گیا ہے۔ اس کا اختتام ایک مربوط Ledgerline اجازت کے آرکیٹیکچر پر ہوتا ہے۔
پروجیکٹ مینیجرز اور آپریشنز ٹیموں سے لے کر بانیان، تجزیہ کاروں اور AI اپنانے والی ٹیموں تک، Fenzo ان سب کے لیے ہے جو اپنے روزمرہ کام میں مزید بہتر ہونا چاہتے ہیں۔
پروجیکٹس کی منصوبہ بندی اور ڈیٹا کے تجزیے کے لیے AI کے استعمال سے لے کر عمل، فیصلہ سازی، بات چیت اور تکمیل کو بہتر بنانے تک، سب کچھ۔ اگر آپ مہارت یا کام بیان کر سکتے ہیں تو Fenzo اس پر کورس بنا سکتا ہے۔
جی ہاں۔ Fenzo کو بتائیں کہ آپ کیا کرتے ہیں، کیا حاصل کرنا چاہتے ہیں اور کہاں پھنسے ہیں، اور وہ کورس کو آپ کے کردار، آپ کے اہداف اور اس کام کے مطابق ڈھال دے گا جو آپ کو واقعی کرنا ہے۔
نہیں۔ Fenzo آپ کے نقطۂ آغاز کے مطابق ڈھل جاتا ہے: آپ بنیادی باتوں سے شروع کر سکتے ہیں یا سیدھے اعلیٰ موضوعات پر جا سکتے ہیں۔
جی ہاں۔ Fenzo for Business آپ کی پوری ٹیم کو ایک ہی سبسکرپشن میں اکٹھا کرتا ہے: مشترکہ لائسنس، تفویض کیے جا سکنے والے کورسز اور اس بارے میں رپورٹس کہ کس نے کیا مکمل کیا۔
Fenzo for Business کے بارے میں جانیںآپ اپنا ہدف بتا کر یا ایک مختصر مہارتی جائزہ دے کر آغاز کرتے ہیں۔ Fenzo اس سیاق سے آپ کی کمزوریاں پہچانتا ہے اور سیکھنے کا تجربہ انہی کے گرد ترتیب دیتا ہے۔
جی ہاں، Fenzo آپ کے فون کے براؤزر میں چلتا ہے۔
ہر حصے میں کچھ ایسا جس کے ساتھ آپ تعامل کر سکیں۔
سیکھنے پر دہائیوں کی تحقیق کے تین نتائج نے طے کیا کہ ہر Fenzo سبق کیسے بنایا جائے۔
اوسط کامیابی کی شرح · Freeman et al., PNAS 2014
سائنس کیا کہتی ہے
صرف لیکچر والی کلاسوں کے طلبہ کے فیل ہونے کا امکان ۱.۵× زیادہ ہوتا ہے۔
Fenzo یہ کیسے کرتا ہے
ہر Fenzo سبق انٹرایکٹو ہے۔ کبھی غیر فعال پڑھنا یا دیکھنا نہیں۔
آپ خود کرتے ہیںAI آپ کے لیے کرتا ہے
وقت کے ساتھ مہارت کی یادداشت · مشق کے ساتھ بمقابلہ بغیر
سائنس کیا کہتی ہے
سوچنے کا کام AI کے سپرد کر دینے سے وہی مہارتیں کمزور ہوتی ہیں جو آپ بنانا چاہتے ہیں۔
Fenzo یہ کیسے کرتا ہے
Fenzo آپ سے سوچواتا ہے — رہنمائی کے ساتھ، مگر آپ کی جگہ کبھی نہیں۔
یاد کرنے کی مشقدوبارہ پڑھنا
طویل مدتی یادداشت · یاد کرنا بمقابلہ دوبارہ پڑھنا
سائنس کیا کہتی ہے
پائیدار سمجھ بنانے کے لیے کسی معلومات کو یاد کرنا اسے دوبارہ پڑھنے سے بہتر ہے۔
Fenzo یہ کیسے کرتا ہے
اسباق میں کوئز اور یاد کرنے کے سوالات شامل ہیں تاکہ سیکھا ہوا یاد رہے۔