Септември 2026
Сборник · Киберсигурност
Изкуствен интелект
Сборник с приложения в киберсигурността
Септември 2026
Full editorial overview — "If Artificial Intelligence Could Write Memoirs"
Preface: If a computer ever wrote its autobiography, its opening pages would not be filled with code. They would be filled with myths: Talos, the bronze guardian of Crete, and the Golem, the clay being brought to life in Jewish legend. These stories were humanity's earliest attempts to imagine an autonomous protective system that could act without constant human intervention. In that sense, the desire for artificial intelligence is as old as civilization itself.
Today we stand not before a myth but before an algorithm. We do not create gods; we create architectures. Like every architecture, an AI system may be designed well or may contain weaknesses. This book is built on one central insight: AI is not merely a technology. It is a new infrastructure of power, decision-making, and security.
The book connects two fields that are too often treated separately: the exciting world of artificial intelligence and the demanding world of information security. Its practical question is: What must we know about AI in order to protect, govern, and regulate it responsibly?
From Aristotle's formal logic and Leibniz's calculus ratiocinator to Babbage, Lovelace, and the 1956 Dartmouth workshop. Covers expert-systems era, first and second AI winters, and the deep-learning revolution enabled by massive datasets, powerful GPUs, and transformer architectures.
ANI / AGI / ASI spectrum; learning paradigms (supervised, unsupervised, reinforcement); transformer self-attention mechanism (tokenisation → queries/keys/values → multi-head attention → feed-forward); generative adversarial networks (GAN) — generator vs discriminator adversarial training.
Benefits: rapid processing, pattern detection, personalisation, hazardous-environment operation. Risks: opacity, data bias, job displacement, adversarial vulnerability, surveillance. Horizons: multimodal AI, Edge AI, federated learning, neuro-symbolic systems, responsible-AI frameworks, autonomous agents.
AI as both shield and sword: signature-based vs behavioural detection, UEBA, NLP for log triage, graph neural networks for lateral-movement detection, ML-enabled SIEM. SOC human-in-the-loop principle: AI reduces L1 noise; analysts determine context and proportionate response.
Six SAE driving-automation levels (0–5). Sensor fusion: cameras, radar, LiDAR, positioning, HD maps — each with failure modes. Most critical challenge: the transfer of responsibility and situational awareness. AV security threats: adversarial road signs, spoofed sensors, compromised OTA updates.
Four risk categories: Unacceptable (prohibited), High (critical infrastructure, employment, justice), Limited (transparency duties), Minimal (voluntary codes). Providers vs deployers obligations. Explainable AI methods: LIME, SHAP, Grad-CAM, counterfactual explanations, attention maps.
Real-time transaction fraud scoring pipeline: enrichment → feature engineering → ensemble models → risk score → approve/challenge/block/escalate. Credit models: accuracy vs transparency vs proxy-discrimination. Computer vision for smart cities: security benefits vs anonymity risks; purpose limitation, proportionality, retention limits.
Attack taxonomy: evasion (inference-time), poisoning (training-time), model extraction, model inversion, membership inference. Defences: adversarial training, certified robustness, input validation/preprocessing, ensemble diversity, anomaly detection, differential privacy, rate limits and output minimisation.
5-level AI maturity model: Initial → Developing → Defined (MLOps) → Managed (CI/CD, drift monitoring) → Optimising (automated retraining, feedback loops). 6-phase road map: Assess → Pilot → Platform → Scale → Governance → Optimise. AI maturity is an organisational autobiography, not just a technical CV.
MLOps turns model experiments into maintainable products; MLSecOps adds security throughout. Data: provenance, poisoning detection. Training: isolation, reproducibility. Evaluation: robustness/bias/privacy red-team. Deployment: model signing, API security, least privilege. Monitoring: drift, anomalies, abuse, audit logs. Governance: model cards, SBOM.
AI incidents: data poisoning, adversarial inputs, model inversion, privacy leakage, uncontrolled drift, harmful generation, unauthorised model replacement. 7-step AI incident-response cycle: Preparation → Identification → Containment → Eradication → Recovery → Model Forensics → Lessons Learned. Requires versioned models and immutable data snapshots.
Пълно редакторско резюме — „Ако изкуственият интелект можеше да пише мемоари"
Предговор: Ако компютър някога напишеше своята автобиография, началните й страници нямаше да бъдат изпълнени с код. Щяха да бъдат изпълнени с митове: Талос — бронзовият страж на Крит, и Голем — глинената същност, оживена в еврейската легенда. Тези истории са най-ранните опити на човечеството да си представи автономна защитна система, способна да действа без постоянна човешка намеса.
Днес не стоим пред мит, а пред алгоритъм. Не създаваме богове; създаваме архитектури. Като всяка архитектура, системата за изкуствен интелект може да бъде добре проектирана или да съдържа слабости. Основната теза на книгата е: ИИ не е просто технология — той е нова инфраструктура на власт, вземане на решения и сигурност.
Книгата свързва две области, третирани твърде често поотделно: вълнуващия свят на изкуствения интелект и взискателния свят на информационната сигурност. Практическият въпрос е: Какво трябва да знаем за ИИ, за да го защитим, управляваме и регулираме отговорно?
От формалната логика на Аристотел и Leibniz до Бабидж, Ловлейс и семинара в Дартмут (1956). Обхваща ерата на експертните системи, зимите на ИИ и революцията на дълбокото обучение с масивни набори данни, GPU и трансформерни архитектури.
Спектър ANI / AGI / ASI; парадигми на обучение; механизъм на самовниманието в трансформери (токенизация → заявки/ключове/стойности → многоглаво внимание); GANs — противниково обучение на генератор и дискриминатор.
Предимства: бързо обработване, персонализация, работа в опасна среда. Рискове: непрозрачност, пристрастност на данните, уязвимост към атаки, надзор. Хоризонти: мултимодален ИИ, Edge AI, федерирано обучение, невро-символни системи.
ИИ като щит и меч: подписна vs поведенческа детекция, UEBA, NLP за сортиране на логове, граф. невронни мрежи за странично движение. SOC принцип „Човекът в контура": ИИ намалява L1 шума; анализаторите определят контекста и пропорционалния отговор.
Шест нива на автоматизация (SAE 0–5). Сензорна фузия: камери, радар, LiDAR, позициониране. Най-критичното предизвикателство: прехвърлянето на отговорност и ситуационна осведоменост. Заплахи: злонамерени пътни знаци, измами с сензори, компрометирани OTA обновявания.
Четири рискови категории: Неприемлив (забранен), Висок (критична инфраструктура, правосъдие), Ограничен (задължения за прозрачност), Минимален. Задължения на доставчиците и ползвателите. XAI методи: LIME, SHAP, Grad-CAM, контрафактуални обяснения.
Тръбопровод за оценяване на измами в реално време: обогатяване → генериране на характеристики → ансамблови модели → рискова оценка. Кредитни модели: точност vs прозрачност vs дискриминация. Компютърно зрение в градовете: сигурност vs анонимност.
Таксономия на атаките: заобикаляне (по време на извод), отравяне (по време на обучение), извличане и обратно инженерство на модел. Защити: противниково обучение, сертифицирана здравина, входна валидация, диференциална поверителност, ограничаване на честотата.
5-степенна скала: Начален → Развиващ се → Определен (MLOps) → Управляван (CI/CD, мониторинг на дрейф) → Оптимизиращ. 6-фазен план: Оценка → Пилот → Платформа → Мащабиране → Управление → Оптимизация.
MLSecOps добавя сигурност към целия жизнен цикъл на ML. Данни: произход, детекция на отравяне. Обучение: изолация, възпроизводимост. Оценка: червен екип. Разгръщане: подпис на модела. Мониторинг: дрейф, аномалии, злоупотреба. Управление: карти на модела, SBOM.
Инциденти: отравяне на данни, противникови входове, инверсия на модела, изтичане на поверителност, неконтролиран дрейф. 7-стъпков цикъл: Подготовка → Идентификация → Изолиране → Ликвидиране → Възстановяване → Криминалистика на модела → Изводи.
Tam editoryal genel bakış — "Yapay Zeka Anılarını Yazabilseydi"
Önsöz: Bir bilgisayar bir gün otobiyografisini yazsaydı, ilk sayfaları kodlarla değil, mitlerle dolu olurdu: Girit'in bronz bekçisi Talos ve Yahudi efsanelerinde canlandırılan kil varlık Golem. Bu öyküler, insanlığın sürekli insan müdahalesi olmadan hareket edebilen özerk bir koruyucu sistemi hayal etmeye yönelik ilk girişimleriydi.
Bugün karşımızda bir mit değil, bir algoritma vardır. Tanrılar yaratmıyoruz; mimariler oluşturuyoruz. Her mimari gibi bir yapay zekâ sistemi de iyi tasarlanabilir ya da zayıflıklar barındırabilir. Yapay zekâ yalnızca bir teknoloji değil; iktidarın, karar vermenin ve güvenliğin yeni altyapısıdır.
Kitap, çoğu zaman ayrı ele alınan iki alanı birleştirir: yapay zekânın heyecan verici dünyası ile bilgi güvenliğinin zorlu dünyası. Temel soru şudur: Yapay zekâyı korumak, yönetmek ve sorumlu biçimde düzenlemek için ne bilmeliyiz?
Editör-çevirmenin notu: Bu Türkçe baskı, İngilizce editoryal dosyanın yapısını, ana savlarını, öğretim mantığını ve yapay zekanın "anı" üslubunu korur. Akademik Türkçe hedeflenerek çevrilmiştir.
Aristoteles'in biçimsel mantığından, Leibniz'in calculus ratiocinator'undan, Babbage ve Lovelace'ten 1956 Dartmouth çalıştayına uzanan yolculuk. Uzman sistemler dönemi, YZ kışları ve derin öğrenme devrimini kapsıyor.
ANI / AGI / ASI yelpazesi; öğrenme paradigmaları; transformer özdikkat mekanizması (belirteçleştirme → sorgu/anahtar/değer → çok başlı dikkat → ileri beslemeli bloklar); GAN — üretici ile ayırt edici arasındaki çekişmeli oyun.
Yararlar: hızlı işleme, örüntü tespiti, kişiselleştirme. Riskler: opaklık, veri yanlılığı, saldırılara açıklık, gözetim. Ufuk: çok kipli YZ, Edge YZ, federatif öğrenme, nöro-simgesel sistemler, sorumlu YZ.
Hem kalkan hem kılıç: imza tabanlı ve davranışsal tehdit tespiti, UEBA, log NLP, yanal hareket için graf ağları. SOC'da "döngüde insan" ilkesi: YZ L1 gürültüsünü azaltır; analistler bağlamı ve orantılı yanıtı belirler.
SAE 0–5 otomasyon düzeyleri. Sensör füzyonu: kamera, radar, LiDAR, konum, haritalar. En kritik geçiş: sorumluluk ve durumsal farkındalığın devri. OAV güvenlik tehditleri: sahte trafik işaretleri, sensör aldatması, ele geçirilmiş güncellemeler.
Dört risk kategorisi: Kabul edilemez (yasak), Yüksek (kritik altyapı, adalet), Sınırlı (şeffaflık yükümlülükleri), Minimal. Sağlayıcı ve dağıtıcı yükümlülükleri. XAI: LIME, SHAP, Grad-CAM, karşı-olgusal açıklamalar.
Gerçek zamanlı işlem dolandırıcılık puanlama hattı: zenginleştirme → özellik üretimi → topluluk modelleri → risk puanı. Kredi modelleri: doğruluk ile şeffaflık dengesi. Bilgisayarlı görü: güvenlik yararları ile mahremiyet riskleri arasındaki denge.
Saldırı taksonomisi: atlatma (çıkarım zamanı), zehirleme (eğitim zamanı), model çıkarma, model tersine çevirme, üyelik çıkarımı. Savunmalar: çekişmeli eğitim, sertifikalı sağlamlık, girdi doğrulama, diferansiyel mahremiyet, hız sınırlama.
5 düzeyli olgunluk modeli: Başlangıç → Gelişen → Tanımlı (MLOps) → Yönetilen (CI/CD, kayma izleme) → Eniyileyen. 6 aşamalı yol haritası: Değerlendirme → Pilot → Platform → Ölçekleme → Yönetişim → Eniyileme.
MLSecOps, tam ML yaşam döngüsüne güvenliği ekler. Veri: köken, zehirleme tespiti. Eğitim: yalıtım, yeniden üretilebilirlik. Değerlendirme: kırmızı ekip. Dağıtım: model imzalama. İzleme: kayma, anomali. Yönetişim: model kartları, SBOM.
YZ olayları: veri zehirleme, çekişmeli girdiler, model inversiyonu, mahremiyet sızıntısı, kontrolsüz kayma. 7 adımlı döngü: Hazırlık → Tespit → Muhafaza → İmha → Kurtarma → Model Adli Bilişimi → Öğrenilen Dersler.
完整编辑概述 — "如果人工智能能写回忆录"
前言：如果计算机有一天写下了自传，开头几页不会充满代码，而会充满神话：克里特岛的青铜守护者塔洛斯，以及犹太传说中被赋予生命的泥土造物魔像。这些故事是人类最早尝试想象一个无需持续人类干预便能自主行动的保护系统。从这个意义上说，对人工智能的渴望与文明本身一样古老。
今天，我们面对的不是神话，而是算法。我们创造的不是神灵，而是架构。人工智能不仅仅是一种技术，它是权力、决策和安全的新基础设施。
本书将两个常被分开讨论的领域联系起来：人工智能的激动人心的世界与信息安全的严苛世界。核心问题是：我们需要了解关于人工智能的哪些知识，才能负责任地保护、治理和监管它？
从亚里士多德的形式逻辑、莱布尼茨、巴贝奇、洛夫莱斯，到1956年达特茅斯研讨会。涵盖专家系统时代、人工智能寒冬，以及由海量数据集、GPU和Transformer架构推动的深度学习革命。
ANI/AGI/ASI谱系；学习范式（监督、无监督、强化学习）；Transformer自注意力机制（分词→查询/键/值→多头注意力→前馈块）；生成对抗网络（GAN）——生成器与判别器的对抗训练。
优势：快速处理、模式检测、个性化、危险环境作业。风险：不透明性、数据偏见、对抗性漏洞、监控问题。前沿：多模态AI、边缘AI、联邦学习、神经符号系统。
AI既是盾又是剑：基于签名与行为异常检测、UEBA、日志NLP、图神经网络检测横向移动。SOC"人在回路"原则：AI减少L1告警噪声；分析师判断上下文与适当响应。
SAE 0–5级驾驶自动化。传感器融合：摄像头、雷达、激光雷达、定位、高精地图。最关键挑战：责任与态势感知的转移。自动驾驶安全威胁：对抗性路标、传感器欺骗、恶意OTA更新。
四级风险分类：不可接受（禁止）、高风险（关键基础设施、司法）、有限风险（透明度义务）、最低风险。提供商与部署商义务。XAI方法：LIME、SHAP、Grad-CAM、反事实解释。
实时欺诈评分流水线；信用模型可解释性；计算机视觉监控伦理；攻击分类（逃避/投毒/模型提取）；5级组织成熟度与6阶段路线图；MLSecOps全生命周期安全；AI事件响应7步循环。
Visión editorial completa — "Si la Inteligencia Artificial pudiera escribir sus memorias"
Prefacio: Si una computadora escribiera alguna vez su autobiografía, sus primeras páginas no estarían llenas de código, sino de mitos: Talos, el guardián de bronce de Creta, y el Golem, la criatura de arcilla que cobra vida en la leyenda judía. Estas historias fueron los primeros intentos de la humanidad por imaginar un sistema protector autónomo que pudiera actuar sin intervención humana constante.
Hoy no estamos ante un mito sino ante un algoritmo. No creamos dioses; creamos arquitecturas. La IA no es simplemente una tecnología. Es una nueva infraestructura de poder, toma de decisiones y seguridad.
El libro une dos campos tratados con demasiada frecuencia por separado: el apasionante mundo de la inteligencia artificial y el exigente mundo de la seguridad de la información. Su pregunta práctica es: ¿Qué debemos saber sobre la IA para protegerla, gobernarla y regularla de forma responsable?
Desde la lógica formal de Aristóteles, Leibniz, Babbage y Lovelace hasta el seminario de Dartmouth de 1956. Incluye la era de los sistemas expertos, los inviernos de la IA y la revolución del aprendizaje profundo impulsada por grandes conjuntos de datos, GPUs y arquitecturas Transformer.
Espectro ANI/AGI/ASI; paradigmas de aprendizaje; mecanismo de auto-atención en Transformers (tokenización → consultas/claves/valores → atención multi-cabeza → bloques feed-forward); GANs — entrenamiento adversarial entre generador y discriminador.
Beneficios: procesamiento rápido, detección de patrones, personalización, operación en entornos peligrosos. Riesgos: opacidad, sesgo de datos, vulnerabilidad adversarial, vigilancia. Horizontes: IA multimodal, Edge AI, aprendizaje federado, sistemas neuro-simbólicos.
IA como escudo y espada: detección por firmas vs comportamiento, UEBA, NLP para logs, redes neuronales de grafos para detección de movimiento lateral. Principio SOC "humano en el ciclo": la IA reduce el ruido L1; los analistas determinan el contexto y la respuesta proporcional.
Seis niveles de automatización SAE (0–5). Fusión de sensores: cámaras, radar, LiDAR, posicionamiento, mapas HD. El desafío crítico: la transferencia de responsabilidad y conciencia situacional. Amenazas a vehículos autónomos: señales adversariales, sensores suplantados, actualizaciones OTA comprometidas.
Cuatro categorías de riesgo: Inaceptable (prohibido), Alto (infraestructura crítica, justicia), Limitado (obligaciones de transparencia), Mínimo. Obligaciones de proveedores y desplegadores. Métodos XAI: LIME, SHAP, Grad-CAM, explicaciones contrafactuales.
Pipeline de puntuación de fraude en tiempo real; explicabilidad del riesgo crediticio; ética de la videovigilancia urbana; taxonomía de ataques (evasión/envenenamiento/extracción de modelos); modelo de madurez de 5 niveles; hoja de ruta de 6 fases; ciclo de respuesta a incidentes de IA en 7 pasos.
Систематично въведение в областта на изкуствения интелект за магистри и докторанти
История на ИИ и ключови парадигми
Невронни мрежи и дълбоко обучение
Трансформери и езикови модели (LLM)
AI приложения в транспорта
AI приложения във финансите
ЕС Акт за изкуствен интелект
AI и киберсигурност
Prompt Engineering
Практически ориентиран сборник с теоретична строгост
Какво казват рецензентите
"Изкуствен интелект и киберсигурност – две теми, обикновено разглеждани поотделно, тук са обединени с рядка концептуална яснота. Задължително четиво за всеки специалист по AI."
"Книгата предлага уникална перспектива: AI не само като инструмент, но и като нова инфраструктура на власт и сигурност. Изключително актуална и добре документирана работа."
"Практическите приложения в киберсигурността са представени с изключителна задълбоченост. Препоръчвам сборника на всеки, работещ в областта на AI регулацията."
What the reviewers are saying
"Artificial intelligence and cybersecurity – two topics usually considered separately – are here united with rare conceptual clarity. Required reading for every AI specialist."
"The book offers a unique perspective: AI not only as a tool, but as a new infrastructure of power and security. An exceptionally topical and well-documented work."
"The practical applications in cybersecurity are presented with exceptional depth. I recommend the collection to everyone working in the field of AI regulation."
来自评审专家的声音
"人工智能与网络安全——两个通常分开讨论的话题——在这里以罕见的概念清晰度融合在一起。每位AI专家的必读之作。"
"这本书提供了独特的视角：AI不仅是工具，也是权力与安全的新基础设施。一部极具时代意义且有据可查的作品。"
"网络安全中的实际应用以卓越的深度加以呈现。我向所有从事AI监管领域工作的人推荐这本文集。"
Hakemler ne diyor
"Yapay zeka ve siber güvenlik – genellikle ayrı ayrı ele alınan iki konu – burada nadir görülen kavramsal netlikle bir araya getirilmiştir. Her AI uzmanı için zorunlu okumadır."
"Kitap eşsiz bir bakış açısı sunmaktadır: Yapay zeka yalnızca bir araç olarak değil, güç ve güvenliğin yeni bir altyapısı olarak. Son derece güncel ve belgelenmiş bir çalışma."
"Siber güvenlikteki pratik uygulamalar olağanüstü bir derinlikle sunulmuştur. Derlemeyi AI düzenlemesi alanında çalışan herkese tavsiye ediyorum."
Qué dicen los revisores
"Inteligencia artificial y ciberseguridad – dos temas habitualmente tratados por separado – se unen aquí con una claridad conceptual poco frecuente. Lectura obligatoria para todo especialista en IA."
"El libro ofrece una perspectiva única: la IA no solo como herramienta, sino como una nueva infraestructura de poder y seguridad. Un trabajo excepcionalmente oportuno y bien documentado."
"Las aplicaciones prácticas en ciberseguridad se presentan con una profundidad excepcional. Recomiendo la recopilación a todos los que trabajan en el campo de la regulación de la IA."
Изпрати ни имейл с темата „Поръчка: Изкуствен интелект" и ще получиш книгата директно.
Изпрати поръчка