ericyoc/ai-security-literacyएक पुनरुत्पादनीय Colab पाइपलाइन जो छह AI सुरक्षा साक्षरता दक्षता आयामों को सार्वजनिक बेंचमार्क और सर्वेक्षण सूक्ष्म-डेटा पर आधारित करती है, और आंकड़े, तालिकाएँ तथा पुनः-आरंभ करने योग्य परिणाम उत्पन्न करती है।
एक पुनरुत्पादनीय विश्लेषण पाइपलाइन जो छह AI सुरक्षा साक्षरता क्षमता आयामों को सार्वजनिक बेंचमार्क और राष्ट्रीय स्तर पर प्रतिनिधि सर्वेक्षण डेटा में आधारित करती है। Google Colab में चलती है। प्रत्येक आर्टिफैक्ट — डेटासेट कैश, मॉडल चेकपॉइंट, चित्र, परिणाम तालिका — Google Drive में सहेजा जाता है, और प्रत्येक चरण फिर से शुरू करने योग्य है।
AI स्कूलों में इस बारे में किसी भी मार्गदर्शन से तेज़ी से पहुँच गया कि इसका सुरक्षित रूप से उपयोग कैसे किया जाए। छात्रों को ब्लैक-बॉक्स सिस्टम दिए जाते हैं और अपेक्षा की जाती है कि वे सहज रूप से समझ लें कि उन सिस्टम पर क्या भरोसा किया जा सकता है। शिक्षक AI को अपनाने और उससे डरने के बीच बंटे हुए हैं। जिले स्वीकार्य-उपयोग नीतियाँ लिख रहे हैं जबकि उनके नीचे के उपकरण हर कुछ महीनों में बदल जाते हैं।
जो साक्षरता ढाँचे मौजूद हैं वे छात्रों को AI को समझना और उपयोग करना सिखाते हैं। जो साइबरसुरक्षा ढाँचे मौजूद हैं वे AI-विशिष्ट खतरों के अस्तित्व में आने से पहले लिखे गए थे। कोई भी AI-मध्यस्थ वातावरण में सुरक्षित रूप से संचालन को अपने आप में एक क्षमता के रूप में नहीं मानता — अपने स्वयं के आयामों, अपनी स्वयं की विकासात्मक प्रगति, और अपने स्वयं के सिखाने योग्य कौशलों के साथ।
यही वह क्षमता है जिसे AISL परिभाषित करता है, छह आयामों में जो केवल छात्रों के बजाय पूरे स्कूल पारिस्थितिकी तंत्र में फैले हैं।
एक क्षमता ढाँचा जिसे किसी ने डेटा के विरुद्ध परखा नहीं है, वह केवल एक वर्गीकरण है। कोई भी दावा कर सकता है कि छात्रों को "हेरफेर को पहचानना" या "भरोसे को कैलिब्रेट करना" चाहिए। कठिन प्रश्न यह है कि क्या वे वाक्यांश वास्तविक, मापने योग्य घटनाओं को नाम देते हैं — और यदि हाँ, तो मापन वास्तव में क्या दर्शाते हैं।
यही इस पाइपलाइन का उद्देश्य है। यह पूछती है कि सार्वजनिक डेटा प्रत्येक आयाम के बारे में क्या स्थापित कर सकता है, और उत्तर विशिष्ट हैं:
इनमें से प्रत्येक एक ऐसा पाठ है जिसके माध्यम से एक शिक्षार्थी को वास्तविक मॉडलों और वास्तविक डेटा के साथ ले जाया जा सकता है, और यही बात है: ढाँचे का उद्देश्य पढ़ाया जाना है, केवल उद्धृत किया जाना नहीं।
एक पाइपलाइन ऐसे चित्र बना सकती है जो सही दिखते हैं और हैं नहीं: एक मजबूती वक्र ऐसे मॉडल से जिसे कभी ठीक से प्रशिक्षित नहीं किया गया, या बेंचमार्क परिणाम गलत श्रेणियों से जुड़े क्योंकि दो फाइलें पंक्ति स्थिति से जोड़ी गई थीं। ये उसी प्रकार की विफलताएँ हैं जिन्हें पकड़ना ढाँचे का सबसे उन्नत आयाम छात्रों को सिखाता है।
इसलिए पाइपलाइन को उन्हें संरचनात्मक रूप से कठिन बनाने के लिए बनाया गया है: हमले का मूल्यांकन एक स्वच्छ-सटीकता sanity जाँच पर निर्भर है, जोड़ स्थिति के बजाय सामग्री पर किए जाते हैं, अवरुद्ध चरण खाली आउटपुट देने के बजाय स्वयं की घोषणा करते हैं, नमूनाकरण seeded है, और प्रत्येक रिपोर्ट की गई संख्या हाथ से लिखे जाने के बजाय मशीन-पठनीय परिणाम फ़ाइल में लिखी जाती है। यहाँ पुनरुत्पादनशीलता कोई घरेलू काम नहीं है — यह विषय-वस्तु है।
पाइपलाइन दो स्तरों में चलती है।
टियर 1 राष्ट्रीय स्तर पर प्रतिनिधि
सर्वेक्षण सूक्ष्म-डेटा से दृष्टिकोण संबंधी आयामों को आधार प्रदान करता है जिसे आप स्वयं निःशुल्क पंजीकरण के अंतर्गत डाउनलोड करते हैं। जब तक
फ़ाइलें मौजूद नहीं होतीं, इसके चरण स्वयं को skipped के रूप में चिह्नित करते हैं। देखें
टियर 1 सेटअप।
टियर 2 सार्वजनिक स्रोतों से तकनीकी आयामों को आधार प्रदान करता है। किसी कॉन्फ़िगरेशन की आवश्यकता नहीं — खोलें और चलाएँ। प्रत्येक डेटासेट स्वचालित रूप से डाउनलोड होता है।
| आयाम | टियर 1 (सर्वेक्षण) | टियर 2 (सार्वजनिक डेटा) | |
|---|---|---|---|
| D1 | अनुमति और मानदंड | RAND ATP Fall 2025, Pew ATP W142 | — |
| D2 | डेटा और गोपनीयता सुरक्षा | Pew ATP W152 | — |
| D3 | खतरा और हेरफेर पहचान | Pew ATP W152, W168 | RealToxicityPrompts, SMS Spam Collection, BBQ |
| D4 | विश्वास अंशांकन और सत्यापन | Pew ATP W142, W152 | TruthfulQA + GPT-2 baseline, BBQ |
| D5 | प्रतिकूल और तकनीकी समझ | — | CIFAR-10 + FGSM/PGD, 3 seeds |
| D6 | प्रवृत्ति और एजेंसी | RAND ATP Fall 2025, Pew ATP W152 | — |
Colab में AISL_analysis_poc.ipynb खोलें और सभी सेल ऊपर से नीचे चलाएँ।
Runtime > Change runtime type > GPU # optional; D5 training is ~10x faster
Runtime > Run all
पहला रन CIFAR-10 (~170 MB), Hugging Face कॉर्पोरा, GPT-2 और SMS Spam Collection डाउनलोड करता है। ये सभी Drive में कैश हो जाते हैं और कभी दोबारा डाउनलोड नहीं होते। रन को किसी भी बिंदु पर बाधित करना सुरक्षित है — देखें रन को फिर से शुरू करना।
यदि आप Colab सत्र खुला रहने के दौरान Drive में सर्वे फ़ाइलें जोड़ते हैं, तो दोबारा चलाने से पहले
सत्र को पुनः आरंभ करें (Runtime > Restart session): Colab हमेशा Drive माउंट होने के बाद
जोड़ी गई फ़ाइलों को नहीं देख पाता।
सभी स्थायी चीज़ें MyDrive/AISL_data/ के अंतर्गत रहती हैं। अस्थायी Colab डिस्क पर
कोई भी मूल्यवान चीज़ नहीं लिखी जाती।
AISL_data/
├── cache/
│ ├── hf/ # Hugging Face datasets and GPT-2
│ └── torch/ # CIFAR-10
├── checkpoints/
│ └── cifar10_cnn_seed{N}.pt # one per seed, written after every epoch, atomically
├── figures/ # 300-dpi JPGs
├── tables/ # CSV + JSON + TeX macro exports
├── logs/
│ └── status.json # per-stage completion record
└── microdata/
├── sms/ # SMS Spam Collection (downloaded automatically)
├── pew/ # <- you place the Pew ATP .sav files here
└── rand/ # <- you place the RAND ATP .dta file here
परिणाम तीन प्रारूपों में निर्यात किए जाते हैं: aisl_results.json (मशीन-पठनीय), प्रति-चरण .csv फ़ाइलें, और aisl_results.tex (TeX मैक्रोज़ का एक सेट, प्रत्येक रिपोर्ट किए गए मान के लिए एक, डाउनस्ट्रीम टाइपसेटिंग के लिए)।