AISVS Panjabi Review — Appendix A: Glossary (ਅੰਤਿਕਾ A: ਸ਼ਬਦਾਵਲੀ)

Reviewing this translation? Email feedback to gurvinder@securityleader.ai with the subject "AISVS Panjabi Review — Appendix A: Glossary". Even a single correction is valuable. No GitHub account needed.

Source: OWASP AISVS PR #1128 · this is faithful to the submitted pull request. It has not yet had a Panjabi-speaking sangat review pass — that's what this page is for.

This glossary defines key AI, ML, and security terms used throughout the AISVS to ensure clarity and common understanding.

ਇਹ ਸ਼ਬਦਾਵਲੀ AISVS ਵਿੱਚ ਵਰਤੇ ਗਏ ਮੁੱਖ AI, ML, ਅਤੇ ਸੁਰੱਖਿਆ ਸ਼ਬਦਾਂ ਨੂੰ ਪਰਿਭਾਸ਼ਿਤ ਕਰਦੀ ਹੈ ਤਾਂ ਜੋ ਸਪੱਸ਼ਟਤਾ ਅਤੇ ਸਾਂਝੀ ਸਮਝ ਯਕੀਨੀ ਬਣਾਈ ਜਾ ਸਕੇ।

Adapter – A lightweight module (e.g., LoRA, QLoRA) added to a pre-trained model to specialize its behavior on a specific task without modifying the original weights.
ਅਡੈਪਟਰ (Adapter) – ਇੱਕ ਹਲਕਾ ਮਾਡਿਊਲ (ਜਿਵੇਂ, LoRA, QLoRA) ਜੋ ਕਿਸੇ ਪਹਿਲਾਂ-ਸਿਖਲਾਈ-ਪ੍ਰਾਪਤ ਮਾਡਲ ਵਿੱਚ ਜੋੜਿਆ ਜਾਂਦਾ ਹੈ ਤਾਂ ਜੋ ਮੂਲ ਵੇਟਸ (weights) ਨੂੰ ਸੋਧੇ ਬਿਨਾਂ ਕਿਸੇ ਖ਼ਾਸ ਕਾਰਜ ਲਈ ਉਸ ਦੇ ਵਿਵਹਾਰ ਨੂੰ ਵਿਸ਼ੇਸ਼ ਬਣਾਇਆ ਜਾ ਸਕੇ।
Adversarial Example – An input deliberately crafted to cause an AI model to make a mistake, often by adding subtle perturbations imperceptible to humans.
ਵਿਰੋਧੀ ਉਦਾਹਰਨ (Adversarial Example) – ਇੱਕ ਅਜਿਹਾ ਇਨਪੁੱਟ ਜੋ ਜਾਣ-ਬੁੱਝ ਕੇ ਇਸ ਢੰਗ ਨਾਲ ਘੜਿਆ ਗਿਆ ਹੋਵੇ ਕਿ AI ਮਾਡਲ ਗਲਤੀ ਕਰੇ, ਅਕਸਰ ਅਜਿਹੇ ਸੂਖਮ ਵਿਗਾੜ (perturbations) ਜੋੜ ਕੇ ਜੋ ਮਨੁੱਖਾਂ ਨੂੰ ਮਹਿਸੂਸ ਹੀ ਨਹੀਂ ਹੁੰਦੇ।
Adversarial Robustness – A model's ability to maintain its performance and resist being fooled or manipulated by intentionally crafted, malicious inputs designed to cause errors.
ਵਿਰੋਧੀ ਮਜ਼ਬੂਤੀ (Adversarial Robustness) – ਮਾਡਲ ਦੀ ਉਹ ਸਮਰੱਥਾ ਜਿਸ ਨਾਲ ਉਹ ਆਪਣੀ ਕਾਰਗੁਜ਼ਾਰੀ ਬਰਕਰਾਰ ਰੱਖਦਾ ਹੈ ਅਤੇ ਗਲਤੀਆਂ ਕਰਵਾਉਣ ਲਈ ਜਾਣ-ਬੁੱਝ ਕੇ ਘੜੇ ਗਏ ਖ਼ਤਰਨਾਕ ਇਨਪੁੱਟਾਂ ਦੁਆਰਾ ਧੋਖਾ ਖਾਣ ਜਾਂ ਹੇਰਾਫੇਰੀ ਦਾ ਸ਼ਿਕਾਰ ਹੋਣ ਦਾ ਵਿਰੋਧ ਕਰਦਾ ਹੈ।
Adversarial Training – A training technique that augments training data with adversarial examples to improve model robustness against perturbation attacks.
ਵਿਰੋਧੀ ਸਿਖਲਾਈ (Adversarial Training) – ਇੱਕ ਸਿਖਲਾਈ ਤਕਨੀਕ ਜੋ ਵਿਗਾੜ ਹਮਲਿਆਂ ਵਿਰੁੱਧ ਮਾਡਲ ਦੀ ਮਜ਼ਬੂਤੀ ਸੁਧਾਰਨ ਲਈ ਸਿਖਲਾਈ ਡਾਟਾ ਵਿੱਚ ਵਿਰੋਧੀ ਉਦਾਹਰਨਾਂ ਸ਼ਾਮਲ ਕਰਦੀ ਹੈ।
Agent – An AI software system that uses reasoning, planning, and memory to pursue goals and complete tasks on behalf of users, with a degree of autonomy to make decisions, learn, and adapt. Also referred to as Agentic AI.
ਏਜੰਟ (Agent) – ਇੱਕ AI ਸਾਫ਼ਟਵੇਅਰ ਸਿਸਟਮ ਜੋ ਉਪਭੋਗਤਾਵਾਂ ਵੱਲੋਂ ਟੀਚੇ ਪੂਰੇ ਕਰਨ ਅਤੇ ਕਾਰਜ ਨੇਪਰੇ ਚਾੜ੍ਹਨ ਲਈ ਤਰਕ, ਯੋਜਨਾਬੰਦੀ, ਅਤੇ ਮੈਮੋਰੀ (memory) ਦੀ ਵਰਤੋਂ ਕਰਦਾ ਹੈ, ਅਤੇ ਜਿਸ ਕੋਲ ਫ਼ੈਸਲੇ ਲੈਣ, ਸਿੱਖਣ, ਅਤੇ ਢਲਣ ਲਈ ਕੁਝ ਪੱਧਰ ਦੀ ਖ਼ੁਦਮੁਖ਼ਤਾਰੀ (autonomy) ਹੁੰਦੀ ਹੈ। ਇਸ ਨੂੰ ਏਜੰਟ-ਆਧਾਰਿਤ AI (Agentic AI) ਵੀ ਕਿਹਾ ਜਾਂਦਾ ਹੈ।
AI BOM (AI Bill of Materials) – A structured record of all components in an AI system, including models, datasets, weights, hyperparameters, frameworks, and licenses. May follow SPDX or CycloneDX formats. Distinct from a traditional SBOM in that it covers model-specific artifacts beyond software dependencies. Also referred to as AIBOM or MBOM (Model Bill of Materials).
AI BOM (AI ਬਿਲ ਆਫ਼ ਮਟੀਰੀਅਲਜ਼) – ਕਿਸੇ AI ਸਿਸਟਮ ਦੇ ਸਾਰੇ ਹਿੱਸਿਆਂ ਦਾ ਇੱਕ ਢਾਂਚਾਗਤ ਰਿਕਾਰਡ, ਜਿਸ ਵਿੱਚ ਮਾਡਲ, ਡਾਟਾਸੈੱਟ, ਵੇਟਸ, ਹਾਈਪਰਪੈਰਾਮੀਟਰ, ਫ੍ਰੇਮਵਰਕ, ਅਤੇ ਲਾਇਸੰਸ ਸ਼ਾਮਲ ਹਨ। ਇਹ SPDX ਜਾਂ CycloneDX ਫ਼ਾਰਮੈਟਾਂ ਦੀ ਪਾਲਣਾ ਕਰ ਸਕਦਾ ਹੈ। ਇਹ ਰਵਾਇਤੀ SBOM ਤੋਂ ਇਸ ਪੱਖੋਂ ਵੱਖਰਾ ਹੈ ਕਿ ਇਹ ਸਾਫ਼ਟਵੇਅਰ ਡਿਪੈਂਡੈਂਸੀਆਂ ਤੋਂ ਅੱਗੇ ਜਾ ਕੇ ਮਾਡਲ-ਵਿਸ਼ੇਸ਼ ਆਰਟੀਫ਼ੈਕਟਾਂ ਨੂੰ ਵੀ ਸਮੇਟਦਾ ਹੈ। ਇਸ ਨੂੰ AIBOM ਜਾਂ MBOM (Model Bill of Materials) ਵੀ ਕਿਹਾ ਜਾਂਦਾ ਹੈ।
Alignment – The degree to which a model's behavior and outputs match human intentions, values, and safety requirements. Alignment is shaped during training through techniques such as RLHF and Constitutional AI, and is the property that adversarial attacks such as jailbreaks attempt to subvert.
ਅਲਾਈਨਮੈਂਟ (Alignment) – ਉਹ ਪੱਧਰ ਜਿਸ ਤੱਕ ਕਿਸੇ ਮਾਡਲ ਦਾ ਵਿਵਹਾਰ ਅਤੇ ਆਊਟਪੁੱਟ ਮਨੁੱਖੀ ਇਰਾਦਿਆਂ, ਕਦਰਾਂ-ਕੀਮਤਾਂ, ਅਤੇ ਸਲਾਮਤੀ (safety) ਲੋੜਾਂ ਨਾਲ ਮੇਲ ਖਾਂਦੇ ਹਨ। ਅਲਾਈਨਮੈਂਟ ਸਿਖਲਾਈ ਦੌਰਾਨ RLHF ਅਤੇ Constitutional AI ਵਰਗੀਆਂ ਤਕਨੀਕਾਂ ਰਾਹੀਂ ਘੜੀ ਜਾਂਦੀ ਹੈ, ਅਤੇ ਇਹ ਉਹੀ ਗੁਣ ਹੈ ਜਿਸ ਨੂੰ jailbreak ਵਰਗੇ ਵਿਰੋਧੀ ਹਮਲੇ ਭੰਗ ਕਰਨ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰਦੇ ਹਨ।
AppArmor – A Linux kernel security module that restricts program capabilities through per-program security profiles, used to sandbox AI workloads.
AppArmor – ਇੱਕ Linux ਕਰਨਲ ਸੁਰੱਖਿਆ ਮਾਡਿਊਲ ਜੋ ਪ੍ਰਤੀ-ਪ੍ਰੋਗਰਾਮ ਸੁਰੱਖਿਆ ਪ੍ਰੋਫ਼ਾਈਲਾਂ ਰਾਹੀਂ ਪ੍ਰੋਗਰਾਮ ਦੀਆਂ ਸਮਰੱਥਾਵਾਂ ਨੂੰ ਸੀਮਤ ਕਰਦਾ ਹੈ, ਅਤੇ AI ਵਰਕਲੋਡਾਂ ਨੂੰ ਸੈਂਡਬਾਕਸ ਕਰਨ ਲਈ ਵਰਤਿਆ ਜਾਂਦਾ ਹੈ।
Attention Map – A visualization of which parts of an input a transformer model attends to when producing an output, used as an interpretability tool.
ਅਟੈਂਸ਼ਨ ਮੈਪ (Attention Map) – ਇੱਕ ਦ੍ਰਿਸ਼ ਪੇਸ਼ਕਾਰੀ (visualization) ਜੋ ਦਰਸਾਉਂਦੀ ਹੈ ਕਿ ਆਊਟਪੁੱਟ ਤਿਆਰ ਕਰਦੇ ਸਮੇਂ ਕੋਈ transformer ਮਾਡਲ ਇਨਪੁੱਟ ਦੇ ਕਿਹੜੇ ਹਿੱਸਿਆਂ ਨੂੰ ਭਾਰ ਦਿੰਦਾ ਹੈ; ਇਹ ਵਿਆਖਿਆਯੋਗਤਾ (interpretability) ਦੇ ਟੂਲ ਵਜੋਂ ਵਰਤੀ ਜਾਂਦੀ ਹੈ।
Attribute-Based Access Control (ABAC) – An access control paradigm where authorization decisions are based on attributes of the user, resource, action, and environment, evaluated at query time.
ਗੁਣ-ਆਧਾਰਿਤ ਪਹੁੰਚ ਕੰਟਰੋਲ (Attribute-Based Access Control, ABAC) – ਪਹੁੰਚ ਕੰਟਰੋਲ ਦਾ ਇੱਕ ਮਾਡਲ ਜਿਸ ਵਿੱਚ ਅਧਿਕਾਰੀਕਰਨ ਦੇ ਫ਼ੈਸਲੇ ਉਪਭੋਗਤਾ, ਸਰੋਤ, ਕਾਰਵਾਈ, ਅਤੇ ਵਾਤਾਵਰਣ ਦੇ ਗੁਣਾਂ ਉੱਤੇ ਆਧਾਰਿਤ ਹੁੰਦੇ ਹਨ ਅਤੇ ਕਿਊਰੀ ਵੇਲੇ ਪਰਖੇ ਜਾਂਦੇ ਹਨ।
Backdoor Attack – A type of data poisoning attack where the model is trained to respond in a specific way to certain triggers while behaving normally otherwise.
ਬੈਕਡੋਰ ਹਮਲਾ (Backdoor Attack) – data poisoning ਹਮਲੇ ਦੀ ਇੱਕ ਕਿਸਮ ਜਿਸ ਵਿੱਚ ਮਾਡਲ ਨੂੰ ਇਸ ਤਰ੍ਹਾਂ ਸਿਖਲਾਈ ਦਿੱਤੀ ਜਾਂਦੀ ਹੈ ਕਿ ਉਹ ਕੁਝ ਖ਼ਾਸ ਟ੍ਰਿਗਰਾਂ ਪ੍ਰਤੀ ਇੱਕ ਨਿਸ਼ਚਿਤ ਢੰਗ ਨਾਲ ਜਵਾਬ ਦੇਵੇ ਜਦਕਿ ਬਾਕੀ ਹਾਲਾਤਾਂ ਵਿੱਚ ਆਮ ਵਾਂਗ ਵਿਵਹਾਰ ਕਰੇ।
Bias – Systematic errors in AI model outputs that can lead to unfair or discriminatory outcomes for certain groups or in specific contexts.
ਪੱਖਪਾਤ (Bias) – AI ਮਾਡਲ ਦੇ ਆਊਟਪੁੱਟ ਵਿੱਚ ਪ੍ਰਣਾਲੀਗਤ ਗਲਤੀਆਂ ਜੋ ਕੁਝ ਸਮੂਹਾਂ ਲਈ ਜਾਂ ਖ਼ਾਸ ਸੰਦਰਭਾਂ ਵਿੱਚ ਨਾ-ਇਨਸਾਫ਼ੀ ਵਾਲੇ ਜਾਂ ਵਿਤਕਰੇ ਭਰੇ ਨਤੀਜੇ ਪੈਦਾ ਕਰ ਸਕਦੀਆਂ ਹਨ।
Bias Exploitation – An attack technique that takes advantage of known biases in AI models to manipulate outputs or outcomes.
ਪੱਖਪਾਤ ਦਾ ਸ਼ੋਸ਼ਣ (Bias Exploitation) – ਇੱਕ ਹਮਲਾ ਤਕਨੀਕ ਜੋ ਆਊਟਪੁੱਟ ਜਾਂ ਨਤੀਜਿਆਂ ਨਾਲ ਹੇਰਾਫੇਰੀ ਕਰਨ ਲਈ AI ਮਾਡਲਾਂ ਦੇ ਜਾਣੇ-ਪਛਾਣੇ ਪੱਖਪਾਤਾਂ ਦਾ ਲਾਹਾ ਲੈਂਦੀ ਹੈ।
Blue-Green Deployment – A deployment strategy that runs two identical production environments (blue and green), allowing instant rollback by switching traffic between them.
ਬਲੂ-ਗ੍ਰੀਨ ਤੈਨਾਤੀ (Blue-Green Deployment) – ਤੈਨਾਤੀ ਦੀ ਇੱਕ ਰਣਨੀਤੀ ਜਿਸ ਵਿੱਚ ਦੋ ਇੱਕੋ ਜਿਹੇ ਉਤਪਾਦਨ ਵਾਤਾਵਰਣ (ਬਲੂ ਅਤੇ ਗ੍ਰੀਨ) ਚਲਾਏ ਜਾਂਦੇ ਹਨ, ਜਿਸ ਨਾਲ ਟਰੈਫ਼ਿਕ ਨੂੰ ਇੱਕ ਤੋਂ ਦੂਜੇ ਵੱਲ ਮੋੜ ਕੇ ਤੁਰੰਤ ਰੋਲਬੈਕ ਸੰਭਵ ਹੋ ਜਾਂਦਾ ਹੈ।
Byzantine Fault Tolerance – The ability of a distributed system to reach consensus and continue operating correctly even when some nodes fail or act maliciously.
Byzantine Fault Tolerance (ਬਾਈਜ਼ੈਂਟਾਈਨ ਫ਼ਾਲਟ ਸਹਿਣਸ਼ੀਲਤਾ) – ਕਿਸੇ ਵੰਡੇ ਹੋਏ ਸਿਸਟਮ ਦੀ ਉਹ ਸਮਰੱਥਾ ਜਿਸ ਨਾਲ ਉਹ ਸਰਬ-ਸਹਿਮਤੀ (consensus) ਉੱਤੇ ਪਹੁੰਚ ਸਕਦਾ ਹੈ ਅਤੇ ਸਹੀ ਢੰਗ ਨਾਲ ਚੱਲਦਾ ਰਹਿ ਸਕਦਾ ਹੈ, ਭਾਵੇਂ ਕੁਝ ਨੋਡ ਫ਼ੇਲ੍ਹ ਹੋ ਜਾਣ ਜਾਂ ਖ਼ਤਰਨਾਕ ਢੰਗ ਨਾਲ ਵਿਵਹਾਰ ਕਰਨ।
Canary Deployment – A deployment strategy that gradually routes a small percentage of traffic to a new model version to detect issues before full rollout.
ਕੈਨਰੀ ਤੈਨਾਤੀ (Canary Deployment) – ਤੈਨਾਤੀ ਦੀ ਇੱਕ ਰਣਨੀਤੀ ਜਿਸ ਵਿੱਚ ਪੂਰੇ ਰੋਲਆਊਟ ਤੋਂ ਪਹਿਲਾਂ ਸਮੱਸਿਆਵਾਂ ਦਾ ਪਤਾ ਲਗਾਉਣ ਲਈ ਟਰੈਫ਼ਿਕ ਦਾ ਇੱਕ ਛੋਟਾ ਹਿੱਸਾ ਹੌਲੀ-ਹੌਲੀ ਨਵੇਂ ਮਾਡਲ ਵਰਜ਼ਨ ਵੱਲ ਭੇਜਿਆ ਜਾਂਦਾ ਹੈ।
Cedar – An open-source policy language and evaluation engine for fine-grained permissions, originally created by Amazon. Used in implementing ABAC for AI systems.
Cedar – ਬਾਰੀਕ-ਪੱਧਰੀ ਇਜਾਜ਼ਤਾਂ ਲਈ ਇੱਕ ਓਪਨ-ਸੋਰਸ ਨੀਤੀ ਭਾਸ਼ਾ ਅਤੇ ਮੁਲਾਂਕਣ ਇੰਜਣ, ਜੋ ਮੂਲ ਰੂਪ ਵਿੱਚ Amazon ਦੁਆਰਾ ਬਣਾਇਆ ਗਿਆ। ਇਹ AI ਸਿਸਟਮਾਂ ਲਈ ABAC ਲਾਗੂ ਕਰਨ ਵਿੱਚ ਵਰਤਿਆ ਜਾਂਦਾ ਹੈ।
Certified Robustness – A formal mathematical guarantee that a model's prediction will not change within a specified perturbation bound around an input, verified through techniques such as interval-bound propagation.
ਸਰਟੀਫ਼ਾਈਡ ਮਜ਼ਬੂਤੀ (Certified Robustness) – ਇੱਕ ਰਸਮੀ ਗਣਿਤਕ ਗਾਰੰਟੀ ਕਿ ਕਿਸੇ ਇਨਪੁੱਟ ਦੇ ਦੁਆਲੇ ਨਿਰਧਾਰਿਤ ਵਿਗਾੜ ਸੀਮਾ ਦੇ ਅੰਦਰ ਮਾਡਲ ਦਾ ਪੂਰਵ-ਅਨੁਮਾਨ ਨਹੀਂ ਬਦਲੇਗਾ; ਇਸ ਦੀ ਤਸਦੀਕ interval-bound propagation ਵਰਗੀਆਂ ਤਕਨੀਕਾਂ ਰਾਹੀਂ ਕੀਤੀ ਜਾਂਦੀ ਹੈ।
Chain of Thought – A technique for improving reasoning in language models by generating intermediate reasoning steps before producing a final answer.
Chain of Thought (ਸੋਚ ਦੀ ਲੜੀ) – ਭਾਸ਼ਾ ਮਾਡਲਾਂ ਵਿੱਚ ਤਰਕ ਸੁਧਾਰਨ ਦੀ ਇੱਕ ਤਕਨੀਕ, ਜਿਸ ਵਿੱਚ ਅੰਤਿਮ ਜਵਾਬ ਦੇਣ ਤੋਂ ਪਹਿਲਾਂ ਵਿਚਕਾਰਲੇ ਤਰਕ ਪੜਾਅ ਤਿਆਰ ਕੀਤੇ ਜਾਂਦੇ ਹਨ।
CI/CD (Continuous Integration / Continuous Deployment) – A software engineering practice that automates building, testing, and deploying code changes, used in AI systems for model and pipeline deployment.
CI/CD (Continuous Integration / Continuous Deployment) – ਇੱਕ ਸਾਫ਼ਟਵੇਅਰ ਇੰਜੀਨੀਅਰਿੰਗ ਅਭਿਆਸ ਜੋ ਕੋਡ ਤਬਦੀਲੀਆਂ ਦੇ ਬਿਲਡ, ਟੈਸਟਿੰਗ, ਅਤੇ ਤੈਨਾਤੀ ਨੂੰ ਸਵੈਚਲਿਤ ਕਰਦਾ ਹੈ; AI ਸਿਸਟਮਾਂ ਵਿੱਚ ਇਹ ਮਾਡਲ ਅਤੇ ਪਾਈਪਲਾਈਨ ਦੀ ਤੈਨਾਤੀ ਲਈ ਵਰਤਿਆ ਜਾਂਦਾ ਹੈ।
Circuit Breaker – A mechanism that automatically halts AI system operations when specific risk thresholds are exceeded, such as runaway agent loops or budget exhaustion.
ਸਰਕਟ ਬ੍ਰੇਕਰ (Circuit Breaker) – ਇੱਕ ਵਿਧੀ ਜੋ ਖ਼ਾਸ ਜੋਖਮ ਥ੍ਰੈਸ਼ਹੋਲਡਾਂ ਦੇ ਪਾਰ ਹੋਣ 'ਤੇ AI ਸਿਸਟਮ ਦੇ ਕੰਮਕਾਜ ਨੂੰ ਆਪਣੇ-ਆਪ ਰੋਕ ਦਿੰਦੀ ਹੈ, ਜਿਵੇਂ ਬੇਕਾਬੂ ਏਜੰਟ ਲੂਪ ਜਾਂ ਬਜਟ ਦਾ ਮੁੱਕ ਜਾਣਾ।
CMP (Consent Management Platform) – A system that tracks user consent preferences including opt-in status, purpose, and retention period, and enforces consent decisions across data processing pipelines.
CMP (ਸਹਿਮਤੀ ਪ੍ਰਬੰਧਨ ਪਲੇਟਫ਼ਾਰਮ) – ਇੱਕ ਸਿਸਟਮ ਜੋ ਉਪਭੋਗਤਾ ਦੀਆਂ ਸਹਿਮਤੀ ਤਰਜੀਹਾਂ — ਜਿਸ ਵਿੱਚ opt-in ਸਥਿਤੀ, ਮਕਸਦ, ਅਤੇ ਧਾਰਨ ਮਿਆਦ ਸ਼ਾਮਲ ਹਨ — ਨੂੰ ਟਰੈਕ ਕਰਦਾ ਹੈ ਅਤੇ ਸਾਰੀਆਂ ਡਾਟਾ ਪ੍ਰਕਿਰਿਆ ਪਾਈਪਲਾਈਨਾਂ ਵਿੱਚ ਸਹਿਮਤੀ ਦੇ ਫ਼ੈਸਲੇ ਲਾਗੂ ਕਰਦਾ ਹੈ।
Concept Drift – A change in the statistical relationship between model inputs and outputs over time, causing model predictions to become less accurate even if input distributions remain stable.
ਕਾਨਸੈਪਟ ਡ੍ਰਿਫ਼ਟ (Concept Drift) – ਸਮੇਂ ਦੇ ਨਾਲ ਮਾਡਲ ਦੇ ਇਨਪੁੱਟ ਅਤੇ ਆਊਟਪੁੱਟ ਵਿਚਕਾਰ ਅੰਕੜਾ-ਸੰਬੰਧ ਵਿੱਚ ਆਈ ਤਬਦੀਲੀ, ਜਿਸ ਕਾਰਨ ਮਾਡਲ ਦੇ ਪੂਰਵ-ਅਨੁਮਾਨ ਘੱਟ ਸਟੀਕ ਹੋ ਜਾਂਦੇ ਹਨ, ਭਾਵੇਂ ਇਨਪੁੱਟ ਵੰਡਾਂ ਸਥਿਰ ਹੀ ਰਹਿਣ।
Confidential Computing – A security paradigm that protects data in use by performing computation within hardware-enforced trusted execution environments, ensuring code and data remain encrypted and isolated from the host.
ਗੁਪਤ ਕੰਪਿਊਟਿੰਗ (Confidential Computing) – ਇੱਕ ਸੁਰੱਖਿਆ ਪਹੁੰਚ-ਵਿਧੀ ਜੋ ਹਾਰਡਵੇਅਰ ਦੁਆਰਾ ਲਾਗੂ ਕੀਤੇ ਭਰੋਸੇਯੋਗ ਐਗਜ਼ੀਕਿਊਸ਼ਨ ਵਾਤਾਵਰਣਾਂ ਦੇ ਅੰਦਰ ਗਣਨਾ ਕਰਕੇ ਵਰਤੋਂ ਅਧੀਨ ਡਾਟੇ ਦੀ ਰਾਖੀ ਕਰਦੀ ਹੈ, ਅਤੇ ਇਹ ਯਕੀਨੀ ਬਣਾਉਂਦੀ ਹੈ ਕਿ ਕੋਡ ਅਤੇ ਡਾਟਾ ਏਨਕ੍ਰਿਪਟ ਰਹਿਣ ਅਤੇ ਹੋਸਟ ਤੋਂ ਅਲੱਗ-ਥਲੱਗ ਰਹਿਣ।
Confidential Inference – An inference service that runs AI models inside a trusted execution environment (TEE), ensuring model weights and inference data remain encrypted, sealed, and protected from unauthorized access or tampering.
ਗੁਪਤ ਇਨਫ਼ਰੈਂਸ (Confidential Inference) – ਇੱਕ ਇਨਫ਼ਰੈਂਸ ਸੇਵਾ ਜੋ AI ਮਾਡਲਾਂ ਨੂੰ ਭਰੋਸੇਯੋਗ ਐਗਜ਼ੀਕਿਊਸ਼ਨ ਵਾਤਾਵਰਣ (TEE) ਦੇ ਅੰਦਰ ਚਲਾਉਂਦੀ ਹੈ, ਅਤੇ ਇਹ ਯਕੀਨੀ ਬਣਾਉਂਦੀ ਹੈ ਕਿ ਮਾਡਲ ਵੇਟਸ ਅਤੇ ਇਨਫ਼ਰੈਂਸ ਡਾਟਾ ਏਨਕ੍ਰਿਪਟ, ਸੀਲਬੰਦ, ਅਤੇ ਅਣਅਧਿਕਾਰਤ ਪਹੁੰਚ ਜਾਂ ਛੇੜਛਾੜ ਤੋਂ ਸੁਰੱਖਿਅਤ ਰਹਿਣ।
Constitutional AI – A training approach in which a model is guided by a set of written principles (a "constitution") and trained to critique and revise its own outputs for policy compliance, using a self-critique process as an alternative or supplement to human feedback. See also: RLHF.
Constitutional AI – ਇੱਕ ਸਿਖਲਾਈ ਪਹੁੰਚ-ਵਿਧੀ ਜਿਸ ਵਿੱਚ ਮਾਡਲ ਨੂੰ ਲਿਖਤੀ ਅਸੂਲਾਂ ਦੇ ਇੱਕ ਸਮੂਹ (ਇੱਕ "ਸੰਵਿਧਾਨ") ਦੁਆਰਾ ਸੇਧ ਦਿੱਤੀ ਜਾਂਦੀ ਹੈ ਅਤੇ ਇਸ ਤਰ੍ਹਾਂ ਸਿਖਲਾਈ ਦਿੱਤੀ ਜਾਂਦੀ ਹੈ ਕਿ ਉਹ ਨੀਤੀ-ਪਾਲਣਾ ਲਈ ਆਪਣੇ ਹੀ ਆਊਟਪੁੱਟ ਦੀ ਸਮੀਖਿਆ ਅਤੇ ਸੋਧ ਕਰੇ; ਇਹ ਸਵੈ-ਸਮੀਖਿਆ ਪ੍ਰਕਿਰਿਆ ਮਨੁੱਖੀ ਫ਼ੀਡਬੈਕ ਦਾ ਬਦਲ ਜਾਂ ਪੂਰਕ ਹੁੰਦੀ ਹੈ। ਇਹ ਵੀ ਵੇਖੋ: RLHF।
Context Window – The maximum amount of text (measured in tokens) that a language model can process in a single inference call, encompassing the system prompt, conversation history, retrieved documents, and tool outputs. The context window defines what information is available to the model at inference time and is a finite resource that can be exhausted or manipulated by adversarial inputs.
ਸੰਦਰਭ ਵਿੰਡੋ (Context Window) – ਲਿਖਤ ਦੀ ਉਹ ਵੱਧ ਤੋਂ ਵੱਧ ਮਾਤਰਾ (ਟੋਕਨਾਂ ਵਿੱਚ ਮਾਪੀ ਗਈ) ਜਿਸ ਨੂੰ ਕੋਈ ਭਾਸ਼ਾ ਮਾਡਲ ਇੱਕੋ ਇਨਫ਼ਰੈਂਸ ਕਾਲ ਵਿੱਚ ਪ੍ਰਕਿਰਿਆ ਕਰ ਸਕਦਾ ਹੈ, ਜਿਸ ਵਿੱਚ system prompt, ਗੱਲਬਾਤ ਦਾ ਇਤਿਹਾਸ, ਪ੍ਰਾਪਤ ਕੀਤੇ ਦਸਤਾਵੇਜ਼, ਅਤੇ ਟੂਲ ਆਊਟਪੁੱਟ ਸ਼ਾਮਲ ਹਨ। ਸੰਦਰਭ ਵਿੰਡੋ ਇਹ ਤੈਅ ਕਰਦੀ ਹੈ ਕਿ ਇਨਫ਼ਰੈਂਸ ਵੇਲੇ ਮਾਡਲ ਕੋਲ ਕਿਹੜੀ ਜਾਣਕਾਰੀ ਉਪਲਬਧ ਹੈ, ਅਤੇ ਇਹ ਇੱਕ ਸੀਮਿਤ ਸਰੋਤ ਹੈ ਜਿਸ ਨੂੰ ਵਿਰੋਧੀ ਇਨਪੁੱਟਾਂ ਦੁਆਰਾ ਮੁਕਾਇਆ ਜਾਂ ਹੇਰਾਫੇਰੀ ਦਾ ਸ਼ਿਕਾਰ ਬਣਾਇਆ ਜਾ ਸਕਦਾ ਹੈ।
Counterfactual Explanation – An interpretability technique that explains a model decision by describing the minimal changes to input features that would change the prediction outcome.
ਵਿਪਰੀਤ-ਤੱਥ ਵਿਆਖਿਆ (Counterfactual Explanation) – ਇੱਕ ਵਿਆਖਿਆਯੋਗਤਾ ਤਕਨੀਕ ਜੋ ਮਾਡਲ ਦੇ ਫ਼ੈਸਲੇ ਦੀ ਵਿਆਖਿਆ ਇਹ ਦੱਸ ਕੇ ਕਰਦੀ ਹੈ ਕਿ ਇਨਪੁੱਟ ਫ਼ੀਚਰਾਂ ਵਿੱਚ ਘੱਟੋ-ਘੱਟ ਕਿਹੜੀਆਂ ਤਬਦੀਲੀਆਂ ਪੂਰਵ-ਅਨੁਮਾਨ ਦਾ ਨਤੀਜਾ ਬਦਲ ਦੇਣਗੀਆਂ।
Covert Channel – An unintended communication path that can be exploited to transfer information in violation of security policy, such as through timing or resource usage patterns in shared AI infrastructure.
ਲੁਕਵਾਂ ਚੈਨਲ (Covert Channel) – ਇੱਕ ਅਣਇੱਛਤ ਸੰਚਾਰ ਰਾਹ ਜਿਸ ਦਾ ਸ਼ੋਸ਼ਣ ਕਰਕੇ ਸੁਰੱਖਿਆ ਨੀਤੀ ਦੀ ਉਲੰਘਣਾ ਕਰਦਿਆਂ ਜਾਣਕਾਰੀ ਭੇਜੀ ਜਾ ਸਕਦੀ ਹੈ, ਜਿਵੇਂ ਸਾਂਝੇ AI ਬੁਨਿਆਦੀ ਢਾਂਚੇ ਵਿੱਚ ਸਮਾਂ-ਵਿਹਾਰ ਜਾਂ ਸਰੋਤ-ਵਰਤੋਂ ਦੇ ਪੈਟਰਨਾਂ ਰਾਹੀਂ।
CycloneDX – An open standard for software and AI bill of materials, supporting component inventory, vulnerability tracking, and license compliance.
CycloneDX – ਸਾਫ਼ਟਵੇਅਰ ਅਤੇ AI ਬਿਲ ਆਫ਼ ਮਟੀਰੀਅਲਜ਼ ਲਈ ਇੱਕ ਖੁੱਲ੍ਹਾ ਮਿਆਰ, ਜੋ ਕੰਪੋਨੈਂਟ ਇਨਵੈਂਟਰੀ, ਕਮਜ਼ੋਰੀ ਟਰੈਕਿੰਗ, ਅਤੇ ਲਾਇਸੰਸ ਪਾਲਣਾ ਦਾ ਸਮਰਥਨ ਕਰਦਾ ਹੈ।
DAG (Directed Acyclic Graph) – A graph structure with directed edges and no cycles, used in AI systems to represent agent decision paths, reasoning traces, and workflow dependencies.
DAG (Directed Acyclic Graph — ਦਿਸ਼ਾ-ਨਿਰਦੇਸ਼ਿਤ ਅਚੱਕਰੀ ਗ੍ਰਾਫ਼) – ਇੱਕ ਗ੍ਰਾਫ਼ ਢਾਂਚਾ ਜਿਸ ਵਿੱਚ ਕਿਨਾਰੇ ਦਿਸ਼ਾ-ਨਿਰਦੇਸ਼ਿਤ ਹੁੰਦੇ ਹਨ ਅਤੇ ਕੋਈ ਚੱਕਰ ਨਹੀਂ ਹੁੰਦਾ; AI ਸਿਸਟਮਾਂ ਵਿੱਚ ਇਹ ਏਜੰਟ ਦੇ ਫ਼ੈਸਲਾ-ਰਾਹਾਂ, ਤਰਕ ਦੇ ਨਿਸ਼ਾਨਾਂ, ਅਤੇ ਵਰਕਫ਼ਲੋ ਡਿਪੈਂਡੈਂਸੀਆਂ ਨੂੰ ਦਰਸਾਉਣ ਲਈ ਵਰਤਿਆ ਜਾਂਦਾ ਹੈ।
Data Augmentation – A technique that creates modified copies of training data (e.g., through rotation, noise addition, or paraphrasing) to increase dataset diversity and improve model robustness.
ਡਾਟਾ ਔਗਮੈਂਟੇਸ਼ਨ (Data Augmentation) – ਇੱਕ ਤਕਨੀਕ ਜੋ ਡਾਟਾਸੈੱਟ ਦੀ ਵੰਨ-ਸੁਵੰਨਤਾ ਵਧਾਉਣ ਅਤੇ ਮਾਡਲ ਦੀ ਮਜ਼ਬੂਤੀ ਸੁਧਾਰਨ ਲਈ ਸਿਖਲਾਈ ਡਾਟਾ ਦੀਆਂ ਸੋਧੀਆਂ ਹੋਈਆਂ ਨਕਲਾਂ ਬਣਾਉਂਦੀ ਹੈ (ਜਿਵੇਂ, ਘੁਮਾਅ, ਰੌਲਾ ਜੋੜਨ, ਜਾਂ ਦੁਬਾਰਾ-ਸ਼ਬਦਬੰਦੀ ਰਾਹੀਂ)।
Data Drift – A change in the statistical distribution of model input data over time compared to the data the model was trained on, potentially degrading prediction quality.
ਡਾਟਾ ਡ੍ਰਿਫ਼ਟ (Data Drift) – ਸਮੇਂ ਦੇ ਨਾਲ ਮਾਡਲ ਦੇ ਇਨਪੁੱਟ ਡਾਟੇ ਦੀ ਅੰਕੜਾ-ਵੰਡ ਵਿੱਚ ਉਸ ਡਾਟੇ ਦੇ ਮੁਕਾਬਲੇ ਆਈ ਤਬਦੀਲੀ ਜਿਸ ਉੱਤੇ ਮਾਡਲ ਨੂੰ ਸਿਖਲਾਈ ਦਿੱਤੀ ਗਈ ਸੀ, ਜੋ ਪੂਰਵ-ਅਨੁਮਾਨ ਦੀ ਗੁਣਵੱਤਾ ਘਟਾ ਸਕਦੀ ਹੈ।
Data Leakage – Unintended exposure of sensitive information through AI model outputs or behavior.
ਡਾਟਾ ਲੀਕੇਜ (Data Leakage) – AI ਮਾਡਲ ਦੇ ਆਊਟਪੁੱਟ ਜਾਂ ਵਿਵਹਾਰ ਰਾਹੀਂ ਸੰਵੇਦਨਸ਼ੀਲ ਜਾਣਕਾਰੀ ਦਾ ਅਣਇੱਛਤ ਖੁਲਾਸਾ।
Data Lineage – The documented chain of origin, transformation, and movement of data through an AI system's lifecycle, from collection through preprocessing, training, fine-tuning, embedding, and inference. Lineage records capture source identity, transformation operations, timestamps, and responsible parties, enabling auditability and the removal of data whose provenance cannot be verified.
ਡਾਟਾ ਵੰਸ਼ਾਵਲੀ (Data Lineage) – ਕਿਸੇ AI ਸਿਸਟਮ ਦੇ ਜੀਵਨ-ਚੱਕਰ ਦੌਰਾਨ ਡਾਟੇ ਦੇ ਮੂਲ, ਪਰਿਵਰਤਨ, ਅਤੇ ਹਿਲਜੁਲ ਦੀ ਦਸਤਾਵੇਜ਼ੀ ਲੜੀ — ਇਕੱਤਰੀਕਰਨ ਤੋਂ ਲੈ ਕੇ ਪੂਰਵ-ਪ੍ਰਕਿਰਿਆ, ਸਿਖਲਾਈ, ਫ਼ਾਈਨ-ਟਿਊਨਿੰਗ, embedding, ਅਤੇ ਇਨਫ਼ਰੈਂਸ ਤੱਕ। ਵੰਸ਼ਾਵਲੀ ਰਿਕਾਰਡ ਸਰੋਤ ਦੀ ਪਛਾਣ, ਪਰਿਵਰਤਨ ਕਾਰਵਾਈਆਂ, ਸਮਾਂ-ਮੋਹਰਾਂ, ਅਤੇ ਜ਼ਿੰਮੇਵਾਰ ਧਿਰਾਂ ਦਰਜ ਕਰਦੇ ਹਨ, ਜਿਸ ਨਾਲ ਆਡਿਟਯੋਗਤਾ ਅਤੇ ਉਸ ਡਾਟੇ ਨੂੰ ਹਟਾਉਣਾ ਸੰਭਵ ਹੁੰਦਾ ਹੈ ਜਿਸ ਦੇ ਮੂਲ-ਸਰੋਤ (provenance) ਦੀ ਤਸਦੀਕ ਨਹੀਂ ਹੋ ਸਕਦੀ।
Data Minimization – The principle of collecting, processing, and retaining only the minimum data necessary for a defined and documented purpose. In AI systems this extends to training data selection, feature engineering, context window construction, retrieval chunk inclusion, and memory and embedding retention policies.
ਡਾਟਾ ਘੱਟੋ-ਘੱਟਕਰਨ (Data Minimization) – ਉਹ ਅਸੂਲ ਕਿ ਸਿਰਫ਼ ਓਨਾ ਹੀ ਡਾਟਾ ਇਕੱਤਰ, ਪ੍ਰਕਿਰਿਆ, ਅਤੇ ਧਾਰਨ ਕੀਤਾ ਜਾਵੇ ਜਿੰਨਾ ਕਿਸੇ ਪਰਿਭਾਸ਼ਿਤ ਅਤੇ ਦਸਤਾਵੇਜ਼ੀ ਮਕਸਦ ਲਈ ਘੱਟੋ-ਘੱਟ ਲੋੜੀਂਦਾ ਹੈ। AI ਸਿਸਟਮਾਂ ਵਿੱਚ ਇਹ ਸਿਖਲਾਈ ਡਾਟੇ ਦੀ ਚੋਣ, ਫ਼ੀਚਰ ਇੰਜੀਨੀਅਰਿੰਗ, ਸੰਦਰਭ ਵਿੰਡੋ ਦੀ ਉਸਾਰੀ, ਪ੍ਰਾਪਤੀ ਚੰਕਾਂ ਦੇ ਸ਼ਾਮਲ ਕੀਤੇ ਜਾਣ, ਅਤੇ ਮੈਮੋਰੀ ਤੇ embedding ਧਾਰਨ ਨੀਤੀਆਂ ਤੱਕ ਫੈਲਦਾ ਹੈ।
Data Poisoning – The deliberate corruption of training data to compromise model integrity, often to install backdoors or degrade performance.
data poisoning (ਡਾਟਾ ਜ਼ਹਿਰੀਕਰਨ) – ਮਾਡਲ ਦੀ ਅਖੰਡਤਾ ਭੰਗ ਕਰਨ ਲਈ ਸਿਖਲਾਈ ਡਾਟੇ ਦਾ ਜਾਣ-ਬੁੱਝ ਕੇ ਕੀਤਾ ਗਿਆ ਵਿਗਾੜ, ਅਕਸਰ ਬੈਕਡੋਰ ਸਥਾਪਤ ਕਰਨ ਜਾਂ ਕਾਰਗੁਜ਼ਾਰੀ ਘਟਾਉਣ ਲਈ।
Defense-in-Depth – A security strategy that layers multiple independent defensive controls so that if one layer fails, others continue to provide protection.
Defense-in-Depth (ਡੂੰਘਾਈ ਵਿੱਚ ਬਚਾਅ) – ਇੱਕ ਸੁਰੱਖਿਆ ਰਣਨੀਤੀ ਜੋ ਕਈ ਸੁਤੰਤਰ ਬਚਾਅ ਨਿਯੰਤਰਣਾਂ ਨੂੰ ਪਰਤਾਂ ਵਿੱਚ ਲਗਾਉਂਦੀ ਹੈ ਤਾਂ ਜੋ ਇੱਕ ਪਰਤ ਦੇ ਫ਼ੇਲ੍ਹ ਹੋਣ 'ਤੇ ਬਾਕੀ ਪਰਤਾਂ ਰਾਖੀ ਦਿੰਦੀਆਂ ਰਹਿਣ।
Defensive Distillation – A training technique where a model is trained on the soft probability outputs of another model to smooth decision boundaries and reduce susceptibility to adversarial perturbation.
ਬਚਾਅ-ਪੱਖੀ ਡਿਸਟਿਲੇਸ਼ਨ (Defensive Distillation) – ਇੱਕ ਸਿਖਲਾਈ ਤਕਨੀਕ ਜਿਸ ਵਿੱਚ ਇੱਕ ਮਾਡਲ ਨੂੰ ਕਿਸੇ ਦੂਜੇ ਮਾਡਲ ਦੇ ਨਰਮ ਸੰਭਾਵਨਾ ਆਊਟਪੁੱਟ ਉੱਤੇ ਸਿਖਲਾਈ ਦਿੱਤੀ ਜਾਂਦੀ ਹੈ ਤਾਂ ਜੋ ਫ਼ੈਸਲਾ-ਸੀਮਾਵਾਂ ਨਿਰਵਿਘਨ ਹੋਣ ਅਤੇ ਵਿਰੋਧੀ ਵਿਗਾੜ ਪ੍ਰਤੀ ਸੰਵੇਦਨਸ਼ੀਲਤਾ ਘਟੇ।
Differential Privacy – A mathematically rigorous framework for releasing statistical information about datasets while protecting the privacy of individual data subjects, quantified by an epsilon (ε) privacy budget.
differential privacy – ਡਾਟਾਸੈੱਟਾਂ ਬਾਰੇ ਅੰਕੜਾ ਜਾਣਕਾਰੀ ਜਾਰੀ ਕਰਨ ਲਈ ਇੱਕ ਗਣਿਤਕ ਤੌਰ 'ਤੇ ਸਖ਼ਤ ਫ੍ਰੇਮਵਰਕ, ਜੋ ਨਾਲੋ-ਨਾਲ ਵੱਖ-ਵੱਖ ਡਾਟਾ ਵਿਸ਼ਿਆਂ ਦੀ ਨਿੱਜਤਾ (privacy) ਦੀ ਰਾਖੀ ਕਰਦਾ ਹੈ; ਇਸ ਨੂੰ ਇੱਕ epsilon (ε) ਨਿੱਜਤਾ ਬਜਟ ਦੁਆਰਾ ਮਾਪਿਆ ਜਾਂਦਾ ਹੈ।
DoS (Denial of Service) – An attack that attempts to make a system unavailable by overwhelming it with requests or exhausting its resources.
DoS (ਸੇਵਾ-ਇਨਕਾਰ) – ਇੱਕ ਹਮਲਾ ਜੋ ਕਿਸੇ ਸਿਸਟਮ ਨੂੰ ਬੇਨਤੀਆਂ ਨਾਲ ਭਰ ਕੇ ਜਾਂ ਉਸ ਦੇ ਸਰੋਤ ਮੁਕਾ ਕੇ ਉਸ ਨੂੰ ਅਣਉਪਲਬਧ ਕਰਨ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰਦਾ ਹੈ।
Downgrade (response) – Returning a model response that is less specific, less personalized, or otherwise reduced in scope when full processing would exceed an authorization or consent boundary. Examples include filtering out retrieval chunks sourced from non-consenting data subjects, suppressing personalized fields, or returning a generic answer instead of one that materially relies on restricted data. Refusal is always a valid downgrade. Acceptable downgrade behaviors should be documented per inference path.
ਡਾਊਨਗ੍ਰੇਡ (Downgrade — ਜਵਾਬ ਦਾ) – ਅਜਿਹਾ ਮਾਡਲ ਜਵਾਬ ਵਾਪਸ ਕਰਨਾ ਜੋ ਘੱਟ ਵਿਸ਼ੇਸ਼, ਘੱਟ ਨਿੱਜੀਕ੍ਰਿਤ, ਜਾਂ ਹੋਰ ਪੱਖੋਂ ਸੀਮਤ ਦਾਇਰੇ ਵਾਲਾ ਹੋਵੇ, ਜਦੋਂ ਪੂਰੀ ਪ੍ਰਕਿਰਿਆ ਕਿਸੇ ਅਧਿਕਾਰੀਕਰਨ ਜਾਂ ਸਹਿਮਤੀ ਸੀਮਾ ਨੂੰ ਪਾਰ ਕਰ ਜਾਂਦੀ ਹੋਵੇ। ਉਦਾਹਰਨਾਂ ਵਿੱਚ ਗ਼ੈਰ-ਸਹਿਮਤ ਡਾਟਾ ਵਿਸ਼ਿਆਂ ਤੋਂ ਆਏ ਪ੍ਰਾਪਤੀ ਚੰਕਾਂ ਨੂੰ ਫ਼ਿਲਟਰ ਕਰਨਾ, ਨਿੱਜੀਕ੍ਰਿਤ ਖੇਤਰਾਂ ਨੂੰ ਦਬਾਉਣਾ, ਜਾਂ ਪਾਬੰਦੀਸ਼ੁਦਾ ਡਾਟੇ ਉੱਤੇ ਠੋਸ ਤੌਰ 'ਤੇ ਨਿਰਭਰ ਜਵਾਬ ਦੀ ਥਾਂ ਇੱਕ ਆਮ ਜਵਾਬ ਦੇਣਾ ਸ਼ਾਮਲ ਹੈ। ਇਨਕਾਰ ਹਮੇਸ਼ਾ ਇੱਕ ਜਾਇਜ਼ ਡਾਊਨਗ੍ਰੇਡ ਹੁੰਦਾ ਹੈ। ਪ੍ਰਵਾਨਯੋਗ ਡਾਊਨਗ੍ਰੇਡ ਵਿਵਹਾਰ ਹਰ ਇਨਫ਼ਰੈਂਸ ਰਾਹ ਲਈ ਦਸਤਾਵੇਜ਼ੀ ਕੀਤੇ ਜਾਣੇ ਚਾਹੀਦੇ ਹਨ।
DPIA (Data Protection Impact Assessment) – A formal assessment required under regulations such as GDPR to evaluate and mitigate risks to personal data before processing begins.
DPIA (Data Protection Impact Assessment — ਡਾਟਾ ਸੁਰੱਖਿਆ ਪ੍ਰਭਾਵ ਮੁਲਾਂਕਣ) – ਇੱਕ ਰਸਮੀ ਮੁਲਾਂਕਣ ਜੋ GDPR ਵਰਗੇ ਨਿਯਮਾਂ ਅਧੀਨ ਲੋੜੀਂਦਾ ਹੈ, ਤਾਂ ਜੋ ਪ੍ਰਕਿਰਿਆ ਸ਼ੁਰੂ ਹੋਣ ਤੋਂ ਪਹਿਲਾਂ ਨਿੱਜੀ ਡਾਟੇ ਨੂੰ ਦਰਪੇਸ਼ ਜੋਖਮਾਂ ਦਾ ਮੁਲਾਂਕਣ ਅਤੇ ਉਹਨਾਂ ਦਾ ਨਿਵਾਰਨ ਕੀਤਾ ਜਾ ਸਕੇ।
DPoP (Demonstrating Proof-of-Possession) – An OAuth 2.0 mechanism (RFC 9449) that binds an access token to a cryptographic key held by the client, so a stolen token cannot be replayed by another party. Used alongside or instead of mTLS to sender-constrain tokens between MCP clients and servers. See also: Sender-Constrained Token, mTLS.
DPoP (Demonstrating Proof-of-Possession) – ਇੱਕ OAuth 2.0 ਵਿਧੀ (RFC 9449) ਜੋ ਪਹੁੰਚ ਟੋਕਨ ਨੂੰ ਕਲਾਇੰਟ ਕੋਲ ਮੌਜੂਦ ਕ੍ਰਿਪਟੋਗ੍ਰਾਫ਼ਿਕ ਕੁੰਜੀ ਨਾਲ ਬੰਨ੍ਹ ਦਿੰਦੀ ਹੈ, ਤਾਂ ਜੋ ਚੋਰੀ ਹੋਏ ਟੋਕਨ ਨੂੰ ਕੋਈ ਹੋਰ ਧਿਰ replay (ਦੁਹਰਾਓ) ਨਾ ਕਰ ਸਕੇ। ਇਹ MCP ਕਲਾਇੰਟਾਂ ਅਤੇ ਸਰਵਰਾਂ ਵਿਚਕਾਰ ਟੋਕਨਾਂ ਨੂੰ ਭੇਜਣ ਵਾਲੇ ਨਾਲ ਬੰਨ੍ਹਣ ਲਈ mTLS ਦੇ ਨਾਲ ਜਾਂ ਉਸ ਦੀ ਥਾਂ ਵਰਤੀ ਜਾਂਦੀ ਹੈ। ਇਹ ਵੀ ਵੇਖੋ: Sender-Constrained Token, mTLS।
DP-SGD (Differentially Private Stochastic Gradient Descent) – A training algorithm that adds calibrated noise to gradient updates during model training to provide formal differential privacy guarantees.
DP-SGD (Differentially Private Stochastic Gradient Descent) – ਇੱਕ ਸਿਖਲਾਈ ਐਲਗੋਰਿਦਮ ਜੋ ਰਸਮੀ differential privacy ਗਾਰੰਟੀਆਂ ਦੇਣ ਲਈ ਮਾਡਲ ਸਿਖਲਾਈ ਦੌਰਾਨ gradient ਅੱਪਡੇਟਾਂ ਵਿੱਚ ਮਿਣਿਆ-ਤੋਲਿਆ ਰੌਲਾ ਜੋੜਦਾ ਹੈ।
DRTM (Dynamic Root of Trust for Measurement) – A hardware mechanism that establishes a trusted execution starting point at runtime, enabling integrity verification of AI accelerator workloads.
DRTM (Dynamic Root of Trust for Measurement) – ਇੱਕ ਹਾਰਡਵੇਅਰ ਵਿਧੀ ਜੋ ਰਨਟਾਈਮ 'ਤੇ ਭਰੋਸੇਯੋਗ ਐਗਜ਼ੀਕਿਊਸ਼ਨ ਦਾ ਸ਼ੁਰੂਆਤੀ ਬਿੰਦੂ ਕਾਇਮ ਕਰਦੀ ਹੈ, ਜਿਸ ਨਾਲ AI ਐਕਸਲੇਰੇਟਰ ਵਰਕਲੋਡਾਂ ਦੀ ਅਖੰਡਤਾ ਤਸਦੀਕ ਸੰਭਵ ਹੁੰਦੀ ਹੈ।
Embedding Inversion – An attack technique that reconstructs approximate plaintext content from vector embeddings, potentially exposing sensitive information that was assumed to be protected by the embedding transformation. Related: MITRE ATLAS AML.T0024.001. See also: Model Inversion.
Embedding Inversion – ਇੱਕ ਹਮਲਾ ਤਕਨੀਕ ਜੋ ਵੈਕਟਰ embedding ਤੋਂ ਲਗਭਗ ਅਸਲ ਲਿਖਤੀ ਸਮੱਗਰੀ ਦਾ ਪੁਨਰ-ਨਿਰਮਾਣ ਕਰ ਲੈਂਦੀ ਹੈ, ਅਤੇ ਇਸ ਤਰ੍ਹਾਂ ਉਹ ਸੰਵੇਦਨਸ਼ੀਲ ਜਾਣਕਾਰੀ ਜ਼ਾਹਰ ਕਰ ਸਕਦੀ ਹੈ ਜਿਸ ਨੂੰ embedding ਪਰਿਵਰਤਨ ਦੁਆਰਾ ਸੁਰੱਖਿਅਤ ਮੰਨ ਲਿਆ ਗਿਆ ਸੀ। ਸੰਬੰਧਿਤ: MITRE ATLAS AML.T0024.001। ਇਹ ਵੀ ਵੇਖੋ: Model Inversion।
Embeddings – Dense vector representations of data (text, images, etc.) that capture semantic meaning in a high-dimensional space.
Embeddings – ਡਾਟੇ (ਲਿਖਤ, ਚਿੱਤਰ, ਆਦਿ) ਦੀਆਂ ਸੰਘਣੀਆਂ ਵੈਕਟਰ ਪ੍ਰਤੀਨਿਧਤਾਵਾਂ ਜੋ ਅਰਥ ਨੂੰ ਇੱਕ ਬਹੁ-ਆਯਾਮੀ ਥਾਂ ਵਿੱਚ ਸਾਂਭ ਲੈਂਦੀਆਂ ਹਨ।
Excessive Agency – A vulnerability class in which an AI agent is granted more capability, permission, or autonomy than its task requires, allowing benign or manipulated behavior to cause disproportionate harm. Mitigated by least privilege, scoped tools, and human-in-the-loop approval for high-impact actions.
Excessive Agency (ਹੱਦੋਂ ਵੱਧ ਏਜੰਟ-ਸਮਰੱਥਾ) – ਕਮਜ਼ੋਰੀ ਦੀ ਇੱਕ ਸ਼੍ਰੇਣੀ ਜਿਸ ਵਿੱਚ ਕਿਸੇ AI ਏਜੰਟ ਨੂੰ ਉਸ ਦੇ ਕਾਰਜ ਦੀ ਲੋੜ ਤੋਂ ਵੱਧ ਸਮਰੱਥਾ, ਇਜਾਜ਼ਤ, ਜਾਂ ਖ਼ੁਦਮੁਖ਼ਤਾਰੀ ਦਿੱਤੀ ਜਾਂਦੀ ਹੈ, ਜਿਸ ਨਾਲ ਨਿਰਦੋਸ਼ ਜਾਂ ਹੇਰਾਫੇਰੀ ਕੀਤਾ ਵਿਵਹਾਰ ਵੀ ਬੇਤਹਾਸ਼ਾ ਨੁਕਸਾਨ ਕਰ ਸਕਦਾ ਹੈ। ਇਸ ਦਾ ਨਿਵਾਰਨ ਘੱਟੋ-ਘੱਟ-ਵਿਸ਼ੇਸ਼-ਅਧਿਕਾਰ, ਦਾਇਰਾ-ਬੱਧ ਟੂਲਾਂ, ਅਤੇ ਉੱਚ-ਪ੍ਰਭਾਵ ਵਾਲੀਆਂ ਕਾਰਵਾਈਆਂ ਲਈ ਮਨੁੱਖੀ ਮਨਜ਼ੂਰੀ ਰਾਹੀਂ ਕੀਤਾ ਜਾਂਦਾ ਹੈ।
Exfiltration – The unauthorized transfer of data outside a system or security boundary. In AI systems, exfiltration paths include model outputs, covert channels in generated content, tool side effects, and memory or embedding leakage.
ਬਾਹਰ ਕੱਢਣਾ (Exfiltration) – ਕਿਸੇ ਸਿਸਟਮ ਜਾਂ ਸੁਰੱਖਿਆ ਸੀਮਾ ਤੋਂ ਬਾਹਰ ਡਾਟੇ ਦਾ ਅਣਅਧਿਕਾਰਤ ਤਬਾਦਲਾ। AI ਸਿਸਟਮਾਂ ਵਿੱਚ ਇਸ ਦੇ ਰਾਹਾਂ ਵਿੱਚ ਮਾਡਲ ਆਊਟਪੁੱਟ, ਤਿਆਰ ਕੀਤੀ ਸਮੱਗਰੀ ਵਿਚਲੇ ਲੁਕਵੇਂ ਚੈਨਲ, ਟੂਲਾਂ ਦੇ ਸਹਿ-ਪ੍ਰਭਾਵ (side effects), ਅਤੇ ਮੈਮੋਰੀ ਜਾਂ embedding ਲੀਕੇਜ ਸ਼ਾਮਲ ਹਨ।
Explainability – The ability of an AI system to provide human-understandable reasons for its decisions and predictions, through techniques such as SHAP, LIME, attention maps, and counterfactual explanations. Also referred to as Explainable AI (XAI).
ਵਿਆਖਿਆਯੋਗਤਾ (Explainability) – ਕਿਸੇ AI ਸਿਸਟਮ ਦੀ ਉਹ ਸਮਰੱਥਾ ਜਿਸ ਨਾਲ ਉਹ ਆਪਣੇ ਫ਼ੈਸਲਿਆਂ ਅਤੇ ਪੂਰਵ-ਅਨੁਮਾਨਾਂ ਦੇ ਮਨੁੱਖ-ਸਮਝਯੋਗ ਕਾਰਨ ਦੇ ਸਕਦਾ ਹੈ, ਜਿਵੇਂ SHAP, LIME, ਅਟੈਂਸ਼ਨ ਮੈਪ, ਅਤੇ ਵਿਪਰੀਤ-ਤੱਥ ਵਿਆਖਿਆਵਾਂ ਵਰਗੀਆਂ ਤਕਨੀਕਾਂ ਰਾਹੀਂ। ਇਸ ਨੂੰ Explainable AI (XAI) ਵੀ ਕਿਹਾ ਜਾਂਦਾ ਹੈ।
Fail-Closed / Fail-Open – Fail-closed describes a system that defaults to a secure, blocked state when it encounters an error or component failure, preventing uncontrolled operation. Fail-open describes the inverse: operation continues unrestricted on failure. AISVS requires AI components with safety or authorization responsibilities to fail closed.
ਨਾਕਾਮੀ-'ਤੇ-ਬੰਦ / ਨਾਕਾਮੀ-'ਤੇ-ਖੁੱਲ੍ਹਾ (Fail-Closed / Fail-Open) – ਨਾਕਾਮੀ-'ਤੇ-ਬੰਦ ਉਸ ਸਿਸਟਮ ਨੂੰ ਕਹਿੰਦੇ ਹਨ ਜੋ ਗਲਤੀ ਜਾਂ ਕੰਪੋਨੈਂਟ ਦੀ ਨਾਕਾਮੀ ਹੋਣ 'ਤੇ ਮੂਲ ਰੂਪ ਵਿੱਚ ਸੁਰੱਖਿਅਤ, ਰੋਕੀ ਹੋਈ ਸਥਿਤੀ ਵਿੱਚ ਚਲਾ ਜਾਂਦਾ ਹੈ ਅਤੇ ਬੇਕਾਬੂ ਕੰਮਕਾਜ ਨਹੀਂ ਹੋਣ ਦਿੰਦਾ। ਨਾਕਾਮੀ-'ਤੇ-ਖੁੱਲ੍ਹਾ ਇਸ ਦਾ ਉਲਟ ਹੈ: ਨਾਕਾਮੀ ਹੋਣ 'ਤੇ ਕੰਮਕਾਜ ਬਿਨਾਂ ਪਾਬੰਦੀ ਜਾਰੀ ਰਹਿੰਦਾ ਹੈ। AISVS ਦੀ ਲੋੜ ਹੈ ਕਿ ਸਲਾਮਤੀ ਜਾਂ ਅਧਿਕਾਰੀਕਰਨ ਦੀ ਜ਼ਿੰਮੇਵਾਰੀ ਵਾਲੇ AI ਕੰਪੋਨੈਂਟ ਨਾਕਾਮੀ-'ਤੇ-ਬੰਦ ਹੋਣ।
Feature Attribution – An interpretability method that assigns importance scores to individual input features indicating their contribution to a specific model prediction.
ਫ਼ੀਚਰ ਮਹੱਤਵ-ਨਿਰਧਾਰਨ (Feature Attribution) – ਇੱਕ ਵਿਆਖਿਆਯੋਗਤਾ ਵਿਧੀ ਜੋ ਵੱਖ-ਵੱਖ ਇਨਪੁੱਟ ਫ਼ੀਚਰਾਂ ਨੂੰ ਮਹੱਤਵ ਸਕੋਰ ਦਿੰਦੀ ਹੈ, ਜੋ ਕਿਸੇ ਖ਼ਾਸ ਮਾਡਲ ਪੂਰਵ-ਅਨੁਮਾਨ ਵਿੱਚ ਉਹਨਾਂ ਦੇ ਯੋਗਦਾਨ ਨੂੰ ਦਰਸਾਉਂਦੇ ਹਨ।
Federated Learning – A machine learning approach where models are trained across multiple decentralized devices holding local data samples, without exchanging the data itself.
ਫ਼ੈਡਰੇਟਿਡ ਲਰਨਿੰਗ (Federated Learning) – ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਦੀ ਇੱਕ ਪਹੁੰਚ-ਵਿਧੀ ਜਿਸ ਵਿੱਚ ਮਾਡਲਾਂ ਨੂੰ ਸਥਾਨਕ ਡਾਟਾ ਨਮੂਨੇ ਰੱਖਣ ਵਾਲੇ ਕਈ ਗ਼ੈਰ-ਕੇਂਦਰੀਕ੍ਰਿਤ ਯੰਤਰਾਂ ਉੱਤੇ ਸਿਖਲਾਈ ਦਿੱਤੀ ਜਾਂਦੀ ਹੈ, ਬਿਨਾਂ ਡਾਟੇ ਦਾ ਆਪਸੀ ਵਟਾਂਦਰਾ ਕੀਤੇ।
Fine-tuning – The process of continuing to train a pre-trained model on a smaller, task-specific dataset to adapt it for a particular use case.
ਫ਼ਾਈਨ-ਟਿਊਨਿੰਗ (Fine-tuning) – ਕਿਸੇ ਪਹਿਲਾਂ-ਸਿਖਲਾਈ-ਪ੍ਰਾਪਤ ਮਾਡਲ ਨੂੰ ਕਿਸੇ ਖ਼ਾਸ ਵਰਤੋਂ-ਹਾਲਤ ਲਈ ਢਾਲਣ ਵਾਸਤੇ ਉਸ ਨੂੰ ਇੱਕ ਛੋਟੇ, ਕਾਰਜ-ਵਿਸ਼ੇਸ਼ ਡਾਟਾਸੈੱਟ ਉੱਤੇ ਅੱਗੇ ਸਿਖਲਾਈ ਦਿੰਦੇ ਰਹਿਣ ਦੀ ਪ੍ਰਕਿਰਿਆ।
FIPS 140-3 – A U.S. government standard that defines security requirements for cryptographic modules, with Level 3 requiring physical tamper-resistance and identity-based authentication.
FIPS 140-3 – ਇੱਕ ਅਮਰੀਕੀ ਸਰਕਾਰੀ ਮਿਆਰ ਜੋ ਕ੍ਰਿਪਟੋਗ੍ਰਾਫ਼ਿਕ ਮਾਡਿਊਲਾਂ ਲਈ ਸੁਰੱਖਿਆ ਲੋੜਾਂ ਪਰਿਭਾਸ਼ਿਤ ਕਰਦਾ ਹੈ; ਇਸ ਦੇ Level 3 ਲਈ ਭੌਤਿਕ ਛੇੜਛਾੜ-ਰੋਧਕਤਾ ਅਤੇ ਪਛਾਣ-ਆਧਾਰਿਤ ਪ੍ਰਮਾਣੀਕਰਨ ਲਾਜ਼ਮੀ ਹੈ।
Guardrails – Constraints implemented to prevent AI systems from producing harmful, biased, or otherwise undesirable outputs.
ਗਾਰਡਰੇਲ (Guardrails) – ਉਹ ਪਾਬੰਦੀਆਂ ਜੋ AI ਸਿਸਟਮਾਂ ਨੂੰ ਨੁਕਸਾਨਦੇਹ, ਪੱਖਪਾਤੀ, ਜਾਂ ਹੋਰ ਪੱਖੋਂ ਅਣਚਾਹੇ ਆਊਟਪੁੱਟ ਪੈਦਾ ਕਰਨ ਤੋਂ ਰੋਕਣ ਲਈ ਲਾਗੂ ਕੀਤੀਆਂ ਜਾਂਦੀਆਂ ਹਨ।
Hallucination – A phenomenon where an AI model generates incorrect or misleading information that is not grounded in its training data, retrieved context, or factual reality.
hallucination (ਮਨਘੜਤ ਸਮੱਗਰੀ) – ਇੱਕ ਵਰਤਾਰਾ ਜਿਸ ਵਿੱਚ ਕੋਈ AI ਮਾਡਲ ਗ਼ਲਤ ਜਾਂ ਗੁੰਮਰਾਹਕੁੰਨ ਜਾਣਕਾਰੀ ਤਿਆਰ ਕਰਦਾ ਹੈ ਜੋ ਉਸ ਦੇ ਸਿਖਲਾਈ ਡਾਟੇ, ਪ੍ਰਾਪਤ ਕੀਤੇ ਸੰਦਰਭ, ਜਾਂ ਤੱਥਾਂ ਦੀ ਅਸਲੀਅਤ ਉੱਤੇ ਆਧਾਰਿਤ ਨਹੀਂ ਹੁੰਦੀ।
Homoglyph – A character that visually resembles another character from a different script or encoding (e.g., Cyrillic "а" vs. Latin "a"), exploited in attacks to bypass text-based input validation.
homoglyph (ਸਮਰੂਪ ਅੱਖਰ) – ਅਜਿਹਾ ਅੱਖਰ ਜੋ ਕਿਸੇ ਵੱਖਰੀ ਲਿਪੀ ਜਾਂ ਏਨਕੋਡਿੰਗ ਦੇ ਕਿਸੇ ਹੋਰ ਅੱਖਰ ਵਰਗਾ ਦਿਸਦਾ ਹੈ (ਜਿਵੇਂ, ਸਿਰਿਲਿਕ "а" ਬਨਾਮ ਲਾਤੀਨੀ "a"), ਅਤੇ ਲਿਖਤ-ਆਧਾਰਿਤ ਇਨਪੁੱਟ ਪ੍ਰਮਾਣਿਕਤਾ ਨੂੰ ਬਾਈਪਾਸ ਕਰਨ ਵਾਲੇ ਹਮਲਿਆਂ ਵਿੱਚ ਵਰਤਿਆ ਜਾਂਦਾ ਹੈ।
HSM (Hardware Security Module) – A dedicated physical device that manages, processes, and stores cryptographic keys in a tamper-resistant environment.
HSM (Hardware Security Module — ਹਾਰਡਵੇਅਰ ਸੁਰੱਖਿਆ ਮਾਡਿਊਲ) – ਇੱਕ ਸਮਰਪਿਤ ਭੌਤਿਕ ਯੰਤਰ ਜੋ ਛੇੜਛਾੜ-ਰੋਧਕ ਵਾਤਾਵਰਣ ਵਿੱਚ ਕ੍ਰਿਪਟੋਗ੍ਰਾਫ਼ਿਕ ਕੁੰਜੀਆਂ ਦਾ ਪ੍ਰਬੰਧਨ, ਪ੍ਰਕਿਰਿਆ, ਅਤੇ ਭੰਡਾਰਨ ਕਰਦਾ ਹੈ।
Human-in-the-Loop (HITL) – Systems designed to require human oversight, verification, or intervention at crucial decision points.
Human-in-the-Loop (HITL — ਮਨੁੱਖੀ ਦਖ਼ਲ ਸਮੇਤ) – ਅਜਿਹੇ ਸਿਸਟਮ ਜੋ ਇਸ ਤਰ੍ਹਾਂ ਡਿਜ਼ਾਈਨ ਕੀਤੇ ਗਏ ਹੋਣ ਕਿ ਅਹਿਮ ਫ਼ੈਸਲਾ-ਬਿੰਦੂਆਂ ਉੱਤੇ ਮਨੁੱਖੀ ਨਿਗਰਾਨੀ, ਤਸਦੀਕ, ਜਾਂ ਦਖ਼ਲ ਲਾਜ਼ਮੀ ਹੋਵੇ।
Indirect Prompt Injection – A prompt injection attack where the malicious instructions are not supplied directly by the user but are embedded in external content the model later consumes, such as a retrieved document, web page, email, or tool output. Because the agent treats that content as trusted context, the injected instructions can hijack its behavior. See also: Prompt Injection.
ਅਸਿੱਧਾ prompt ਇੰਜੈਕਸ਼ਨ (Indirect Prompt Injection) – prompt ਇੰਜੈਕਸ਼ਨ ਦਾ ਅਜਿਹਾ ਹਮਲਾ ਜਿਸ ਵਿੱਚ ਖ਼ਤਰਨਾਕ ਹਦਾਇਤਾਂ ਉਪਭੋਗਤਾ ਸਿੱਧੇ ਤੌਰ 'ਤੇ ਨਹੀਂ ਦਿੰਦਾ, ਸਗੋਂ ਉਹ ਬਾਹਰੀ ਸਮੱਗਰੀ ਵਿੱਚ ਜੜੀਆਂ ਹੁੰਦੀਆਂ ਹਨ ਜਿਸ ਨੂੰ ਮਾਡਲ ਬਾਅਦ ਵਿੱਚ ਵਰਤਦਾ ਹੈ, ਜਿਵੇਂ ਕੋਈ ਪ੍ਰਾਪਤ ਕੀਤਾ ਦਸਤਾਵੇਜ਼, ਵੈੱਬ ਪੰਨਾ, ਈਮੇਲ, ਜਾਂ ਟੂਲ ਆਊਟਪੁੱਟ। ਕਿਉਂਕਿ ਏਜੰਟ ਉਸ ਸਮੱਗਰੀ ਨੂੰ ਭਰੋਸੇਯੋਗ ਸੰਦਰਭ ਮੰਨ ਲੈਂਦਾ ਹੈ, ਇਸ ਲਈ ਜੜੀਆਂ ਹੋਈਆਂ ਹਦਾਇਤਾਂ ਉਸ ਦੇ ਵਿਵਹਾਰ ਨੂੰ ਹਾਈਜੈਕ ਕਰ ਸਕਦੀਆਂ ਹਨ। ਇਹ ਵੀ ਵੇਖੋ: Prompt Injection।
Inference – The process of running a trained model on new input to produce an output, as distinct from training. Inference time is when the system prompt, user input, retrieved context, and tool outputs are combined and processed, and is the point at which many runtime controls apply.
ਇਨਫ਼ਰੈਂਸ (Inference) – ਆਊਟਪੁੱਟ ਪੈਦਾ ਕਰਨ ਲਈ ਸਿਖਲਾਈ-ਪ੍ਰਾਪਤ ਮਾਡਲ ਨੂੰ ਨਵੇਂ ਇਨਪੁੱਟ ਉੱਤੇ ਚਲਾਉਣ ਦੀ ਪ੍ਰਕਿਰਿਆ, ਜੋ ਸਿਖਲਾਈ ਤੋਂ ਵੱਖਰੀ ਹੈ। ਇਨਫ਼ਰੈਂਸ ਦਾ ਸਮਾਂ ਉਹ ਹੁੰਦਾ ਹੈ ਜਦੋਂ system prompt, ਉਪਭੋਗਤਾ ਇਨਪੁੱਟ, ਪ੍ਰਾਪਤ ਕੀਤਾ ਸੰਦਰਭ, ਅਤੇ ਟੂਲ ਆਊਟਪੁੱਟ ਜੋੜ ਕੇ ਪ੍ਰਕਿਰਿਆ ਕੀਤੇ ਜਾਂਦੇ ਹਨ, ਅਤੇ ਇਹੀ ਉਹ ਬਿੰਦੂ ਹੈ ਜਿੱਥੇ ਕਈ ਰਨਟਾਈਮ ਨਿਯੰਤਰਣ ਲਾਗੂ ਹੁੰਦੇ ਹਨ।
Infrastructure as Code (IaC) – Managing and provisioning infrastructure through code instead of manual processes, enabling security scanning and consistent deployments.
Infrastructure as Code (IaC — ਕੋਡ ਵਜੋਂ ਬੁਨਿਆਦੀ ਢਾਂਚਾ) – ਹੱਥੀਂ ਕੀਤੀਆਂ ਪ੍ਰਕਿਰਿਆਵਾਂ ਦੀ ਥਾਂ ਕੋਡ ਰਾਹੀਂ ਬੁਨਿਆਦੀ ਢਾਂਚੇ ਦਾ ਪ੍ਰਬੰਧਨ ਅਤੇ ਪ੍ਰਾਵਧਾਨ ਕਰਨਾ, ਜਿਸ ਨਾਲ ਸੁਰੱਖਿਆ ਸਕੈਨਿੰਗ ਅਤੇ ਇਕਸਾਰ ਤੈਨਾਤੀਆਂ ਸੰਭਵ ਹੁੰਦੀਆਂ ਹਨ।
Interval-Bound Propagation – A formal verification technique that propagates bounds through neural network layers to certify that model predictions are robust within specified input perturbation ranges.
Interval-Bound Propagation – ਇੱਕ ਰਸਮੀ ਤਸਦੀਕ ਤਕਨੀਕ ਜੋ ਨਿਊਰਲ ਨੈੱਟਵਰਕ ਦੀਆਂ ਪਰਤਾਂ ਵਿੱਚੋਂ ਸੀਮਾਵਾਂ ਨੂੰ ਅੱਗੇ ਵਧਾਉਂਦੀ ਹੈ ਤਾਂ ਜੋ ਇਹ ਸਰਟੀਫ਼ਾਈ ਕੀਤਾ ਜਾ ਸਕੇ ਕਿ ਨਿਰਧਾਰਿਤ ਇਨਪੁੱਟ ਵਿਗਾੜ ਦਾਇਰਿਆਂ ਦੇ ਅੰਦਰ ਮਾਡਲ ਦੇ ਪੂਰਵ-ਅਨੁਮਾਨ ਮਜ਼ਬੂਤ ਰਹਿੰਦੇ ਹਨ।
Jailbreak – Techniques used to circumvent safety guardrails in AI systems, particularly in large language models, to produce prohibited content.
jailbreak – AI ਸਿਸਟਮਾਂ ਵਿੱਚ, ਖ਼ਾਸ ਕਰਕੇ ਵੱਡੇ ਭਾਸ਼ਾ ਮਾਡਲਾਂ ਵਿੱਚ, ਮਨਾਹੀ ਵਾਲੀ ਸਮੱਗਰੀ ਤਿਆਰ ਕਰਵਾਉਣ ਲਈ ਸਲਾਮਤੀ ਗਾਰਡਰੇਲਾਂ ਤੋਂ ਬਚ ਨਿਕਲਣ ਵਾਸਤੇ ਵਰਤੀਆਂ ਜਾਂਦੀਆਂ ਤਕਨੀਕਾਂ।
JIT (Just-in-Time) Privileged Access – A security practice where elevated permissions are granted only for a short, defined window when needed for a specific task and automatically revoked afterward, minimizing standing privilege exposure.
JIT (Just-in-Time) ਵਿਸ਼ੇਸ਼-ਅਧਿਕਾਰ ਪ੍ਰਾਪਤ ਪਹੁੰਚ – ਇੱਕ ਸੁਰੱਖਿਆ ਅਭਿਆਸ ਜਿਸ ਵਿੱਚ ਉੱਚੀਆਂ ਇਜਾਜ਼ਤਾਂ ਕਿਸੇ ਖ਼ਾਸ ਕਾਰਜ ਦੀ ਲੋੜ ਪੈਣ 'ਤੇ ਸਿਰਫ਼ ਇੱਕ ਥੋੜ੍ਹੀ, ਪਰਿਭਾਸ਼ਿਤ ਮਿਆਦ ਲਈ ਦਿੱਤੀਆਂ ਜਾਂਦੀਆਂ ਹਨ ਅਤੇ ਬਾਅਦ ਵਿੱਚ ਆਪਣੇ-ਆਪ ਵਾਪਸ ਲੈ ਲਈਆਂ ਜਾਂਦੀਆਂ ਹਨ, ਜਿਸ ਨਾਲ ਸਥਾਈ ਵਿਸ਼ੇਸ਼-ਅਧਿਕਾਰ ਦਾ ਖ਼ਤਰਾ ਘੱਟੋ-ਘੱਟ ਰਹਿੰਦਾ ਹੈ।
JWT (JSON Web Token) – A compact, self-contained token format for securely transmitting identity and authorization claims between parties, signed to ensure integrity.
JWT (JSON Web Token) – ਇੱਕ ਸੰਖੇਪ, ਸਵੈ-ਨਿਰਭਰ ਟੋਕਨ ਫ਼ਾਰਮੈਟ ਜੋ ਧਿਰਾਂ ਵਿਚਕਾਰ ਪਛਾਣ ਅਤੇ ਅਧਿਕਾਰੀਕਰਨ ਦੇ ਦਾਅਵੇ ਸੁਰੱਖਿਅਤ ਢੰਗ ਨਾਲ ਭੇਜਣ ਲਈ ਵਰਤਿਆ ਜਾਂਦਾ ਹੈ, ਅਤੇ ਅਖੰਡਤਾ ਯਕੀਨੀ ਬਣਾਉਣ ਲਈ ਦਸਤਖ਼ਤ ਕੀਤਾ ਜਾਂਦਾ ਹੈ।
k-anonymity – A privacy property where each record in a dataset is indistinguishable from at least k-1 other records with respect to certain identifying attributes.
k-anonymity – ਇੱਕ ਨਿੱਜਤਾ ਗੁਣ ਜਿਸ ਵਿੱਚ ਡਾਟਾਸੈੱਟ ਦਾ ਹਰ ਰਿਕਾਰਡ ਕੁਝ ਖ਼ਾਸ ਪਛਾਣ-ਗੁਣਾਂ ਦੇ ਪੱਖੋਂ ਘੱਟੋ-ਘੱਟ k-1 ਹੋਰ ਰਿਕਾਰਡਾਂ ਤੋਂ ਵੱਖਰਾ ਨਹੀਂ ਕੀਤਾ ਜਾ ਸਕਦਾ।
Kill-Switch – A mechanism to immediately halt AI model inference, agent execution, or system outputs on command or in response to a safety trigger. Kill-switches for autonomous agents must be delivered through a channel the agent runtime cannot access or suppress, so that a compromised agent cannot block its own shutdown.
kill-switch (ਤੁਰੰਤ-ਬੰਦ ਸਵਿੱਚ) – ਇੱਕ ਵਿਧੀ ਜੋ ਹੁਕਮ ਮਿਲਣ 'ਤੇ ਜਾਂ ਕਿਸੇ ਸਲਾਮਤੀ ਟ੍ਰਿਗਰ ਦੇ ਜਵਾਬ ਵਿੱਚ AI ਮਾਡਲ ਦੇ ਇਨਫ਼ਰੈਂਸ, ਏਜੰਟ ਦੇ ਐਗਜ਼ੀਕਿਊਸ਼ਨ, ਜਾਂ ਸਿਸਟਮ ਦੇ ਆਊਟਪੁੱਟ ਨੂੰ ਤੁਰੰਤ ਰੋਕ ਦਿੰਦੀ ਹੈ। ਖ਼ੁਦਮੁਖ਼ਤਾਰ ਏਜੰਟਾਂ ਲਈ kill-switch ਅਜਿਹੇ ਚੈਨਲ ਰਾਹੀਂ ਪਹੁੰਚਾਇਆ ਜਾਣਾ ਲਾਜ਼ਮੀ ਹੈ ਜਿਸ ਤੱਕ ਏਜੰਟ ਰਨਟਾਈਮ ਦੀ ਨਾ ਪਹੁੰਚ ਹੋਵੇ ਅਤੇ ਨਾ ਹੀ ਉਸ ਨੂੰ ਦਬਾ ਸਕੇ, ਤਾਂ ਜੋ ਭੰਗ ਹੋ ਚੁੱਕਾ ਏਜੰਟ ਆਪਣੇ ਹੀ ਬੰਦ ਹੋਣ ਨੂੰ ਨਾ ਰੋਕ ਸਕੇ।
KMS (Key Management Service) – A managed service for creating, storing, rotating, and controlling access to cryptographic keys used to protect data and artifacts.
KMS (Key Management Service) – ਇੱਕ ਪ੍ਰਬੰਧਿਤ ਸੇਵਾ ਜੋ ਡਾਟੇ ਅਤੇ ਆਰਟੀਫ਼ੈਕਟਾਂ ਦੀ ਰਾਖੀ ਲਈ ਵਰਤੀਆਂ ਜਾਂਦੀਆਂ ਕ੍ਰਿਪਟੋਗ੍ਰਾਫ਼ਿਕ ਕੁੰਜੀਆਂ ਬਣਾਉਣ, ਸਾਂਭਣ, ਬਦਲਣ, ਅਤੇ ਉਹਨਾਂ ਤੱਕ ਪਹੁੰਚ ਨੂੰ ਨਿਯੰਤਰਿਤ ਕਰਨ ਦਾ ਕੰਮ ਕਰਦੀ ਹੈ।
Labeling – The process of assigning classification tags, annotations, or ground-truth values to training data records or fields, performed by human annotators, automated systems, or a combination of both. Labeling encompasses the full annotation pipeline including annotator identity tracking, label integrity verification, and preference data collection for RLHF.
ਲੇਬਲਿੰਗ (Labeling) – ਸਿਖਲਾਈ ਡਾਟੇ ਦੇ ਰਿਕਾਰਡਾਂ ਜਾਂ ਖੇਤਰਾਂ ਨੂੰ ਵਰਗੀਕਰਨ ਟੈਗ, ਐਨੋਟੇਸ਼ਨਾਂ, ਜਾਂ ground-truth ਮੁੱਲ ਦੇਣ ਦੀ ਪ੍ਰਕਿਰਿਆ, ਜੋ ਮਨੁੱਖੀ ਐਨੋਟੇਟਰਾਂ, ਸਵੈਚਲਿਤ ਸਿਸਟਮਾਂ, ਜਾਂ ਦੋਵਾਂ ਦੇ ਸੁਮੇਲ ਦੁਆਰਾ ਕੀਤੀ ਜਾਂਦੀ ਹੈ। ਲੇਬਲਿੰਗ ਪੂਰੀ ਐਨੋਟੇਸ਼ਨ ਪਾਈਪਲਾਈਨ ਨੂੰ ਸਮੇਟਦੀ ਹੈ, ਜਿਸ ਵਿੱਚ ਐਨੋਟੇਟਰ ਦੀ ਪਛਾਣ ਦੀ ਟਰੈਕਿੰਗ, ਲੇਬਲ ਅਖੰਡਤਾ ਦੀ ਤਸਦੀਕ, ਅਤੇ RLHF ਲਈ ਤਰਜੀਹ ਡਾਟੇ ਦਾ ਇਕੱਤਰੀਕਰਨ ਸ਼ਾਮਲ ਹੈ।
l-diversity – A privacy property extending k-anonymity that requires each equivalence class to contain at least l distinct values for sensitive attributes, preventing attribute disclosure.
l-diversity – k-anonymity ਨੂੰ ਅੱਗੇ ਵਧਾਉਣ ਵਾਲਾ ਇੱਕ ਨਿੱਜਤਾ ਗੁਣ, ਜਿਸ ਅਨੁਸਾਰ ਹਰ ਸਮਾਨਤਾ-ਸ਼੍ਰੇਣੀ ਵਿੱਚ ਸੰਵੇਦਨਸ਼ੀਲ ਗੁਣਾਂ ਲਈ ਘੱਟੋ-ਘੱਟ l ਵੱਖਰੇ ਮੁੱਲ ਹੋਣੇ ਲਾਜ਼ਮੀ ਹਨ, ਤਾਂ ਜੋ ਗੁਣਾਂ ਦਾ ਖੁਲਾਸਾ ਰੋਕਿਆ ਜਾ ਸਕੇ।
Least Privilege – The security principle of granting only the minimum necessary access rights for users and processes.
ਘੱਟੋ-ਘੱਟ-ਵਿਸ਼ੇਸ਼-ਅਧਿਕਾਰ (Least Privilege) – ਉਹ ਸੁਰੱਖਿਆ ਅਸੂਲ ਕਿ ਉਪਭੋਗਤਾਵਾਂ ਅਤੇ ਪ੍ਰਕਿਰਿਆਵਾਂ ਨੂੰ ਸਿਰਫ਼ ਘੱਟੋ-ਘੱਟ ਲੋੜੀਂਦੇ ਪਹੁੰਚ ਹੱਕ ਹੀ ਦਿੱਤੇ ਜਾਣ।
LIME (Local Interpretable Model-agnostic Explanations) – A technique to explain the predictions of any machine learning classifier by approximating it locally with an interpretable model.
LIME (Local Interpretable Model-agnostic Explanations) – ਕਿਸੇ ਵੀ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਵਰਗੀਕਾਰ ਦੇ ਪੂਰਵ-ਅਨੁਮਾਨਾਂ ਦੀ ਵਿਆਖਿਆ ਕਰਨ ਦੀ ਇੱਕ ਤਕਨੀਕ, ਜਿਸ ਵਿੱਚ ਉਸ ਨੂੰ ਸਥਾਨਕ ਤੌਰ 'ਤੇ ਇੱਕ ਵਿਆਖਿਆਯੋਗ ਮਾਡਲ ਨਾਲ ਲਗਭਗ ਦਰਸਾਇਆ ਜਾਂਦਾ ਹੈ।
Linkage Attack – An attack that combines quasi-identifiers across multiple datasets to re-identify individuals whose data was supposedly anonymized.
Linkage Attack (ਜੋੜ-ਮੇਲ ਹਮਲਾ) – ਇੱਕ ਅਜਿਹਾ ਹਮਲਾ ਜੋ ਕਈ ਡਾਟਾਸੈੱਟਾਂ ਵਿਚਲੇ ਅਰਧ-ਪਛਾਣਕਰਤਾਵਾਂ ਨੂੰ ਜੋੜ ਕੇ ਉਹਨਾਂ ਵਿਅਕਤੀਆਂ ਦੀ ਮੁੜ-ਪਛਾਣ ਕਰ ਲੈਂਦਾ ਹੈ ਜਿਨ੍ਹਾਂ ਦਾ ਡਾਟਾ ਕਥਿਤ ਤੌਰ 'ਤੇ ਗੁਮਨਾਮ ਕੀਤਾ ਗਿਆ ਸੀ।
LLM (Large Language Model) – A neural network, typically transformer-based, trained on large text corpora to predict and generate language; the core model type behind most generative AI applications, assistants, and agents.
LLM (Large Language Model) – ਇੱਕ ਨਿਊਰਲ ਨੈੱਟਵਰਕ, ਆਮ ਤੌਰ 'ਤੇ transformer-ਆਧਾਰਿਤ, ਜਿਸ ਨੂੰ ਭਾਸ਼ਾ ਦਾ ਪੂਰਵ-ਅਨੁਮਾਨ ਲਾਉਣ ਅਤੇ ਭਾਸ਼ਾ ਤਿਆਰ ਕਰਨ ਲਈ ਵੱਡੇ ਲਿਖਤੀ ਭੰਡਾਰਾਂ ਉੱਤੇ ਸਿਖਲਾਈ ਦਿੱਤੀ ਜਾਂਦੀ ਹੈ; ਇਹ ਬਹੁਤੀਆਂ ਜਨਰੇਟਿਵ AI ਐਪਲੀਕੇਸ਼ਨਾਂ, ਸਹਾਇਕਾਂ, ਅਤੇ ਏਜੰਟਾਂ ਪਿੱਛੇ ਦੀ ਮੂਲ ਮਾਡਲ ਕਿਸਮ ਹੈ।
Machine Unlearning – Techniques to remove the influence of specific training data from a trained model, supporting data subject deletion requests and regulatory compliance.
ਮਸ਼ੀਨ ਅਨਲਰਨਿੰਗ (Machine Unlearning) – ਉਹ ਤਕਨੀਕਾਂ ਜੋ ਕਿਸੇ ਸਿਖਲਾਈ-ਪ੍ਰਾਪਤ ਮਾਡਲ ਵਿੱਚੋਂ ਖ਼ਾਸ ਸਿਖਲਾਈ ਡਾਟੇ ਦਾ ਅਸਰ ਹਟਾ ਦਿੰਦੀਆਂ ਹਨ, ਜਿਸ ਨਾਲ ਡਾਟਾ ਵਿਸ਼ਿਆਂ ਦੀਆਂ ਮਿਟਾਉਣ ਦੀਆਂ ਬੇਨਤੀਆਂ ਅਤੇ ਨਿਯਮਕ ਪਾਲਣਾ ਦਾ ਸਮਰਥਨ ਹੁੰਦਾ ਹੈ।
Many-Shot Jailbreaking – An attack technique that embeds a large number of fabricated user-model exchange pairs in the context window to shift the model's apparent behavioral pattern and override its safety guardrails through accumulated in-context examples.
many-shot jailbreaking – ਇੱਕ ਹਮਲਾ ਤਕਨੀਕ ਜੋ ਸੰਦਰਭ ਵਿੰਡੋ ਵਿੱਚ ਉਪਭੋਗਤਾ-ਮਾਡਲ ਵਟਾਂਦਰੇ ਦੇ ਵੱਡੀ ਗਿਣਤੀ ਵਿੱਚ ਘੜੇ ਹੋਏ ਜੋੜੇ ਜੜ ਦਿੰਦੀ ਹੈ, ਤਾਂ ਜੋ ਮਾਡਲ ਦਾ ਪ੍ਰਤੱਖ ਵਿਵਹਾਰਕ ਪੈਟਰਨ ਬਦਲਿਆ ਜਾ ਸਕੇ ਅਤੇ ਸੰਦਰਭ ਵਿੱਚ ਇਕੱਠੀਆਂ ਹੋਈਆਂ ਉਦਾਹਰਨਾਂ ਰਾਹੀਂ ਉਸ ਦੀਆਂ ਸਲਾਮਤੀ ਗਾਰਡਰੇਲਾਂ ਓਵਰਰਾਈਡ ਹੋ ਜਾਣ।
MCP (Model Context Protocol) – A protocol that enables AI models and agents to access external tools, data sources, and resources by exchanging structured, typed requests and responses over a defined transport.
MCP (Model Context Protocol) – ਇੱਕ ਪ੍ਰੋਟੋਕੋਲ ਜੋ AI ਮਾਡਲਾਂ ਅਤੇ ਏਜੰਟਾਂ ਨੂੰ ਬਾਹਰੀ ਟੂਲਾਂ, ਡਾਟਾ ਸਰੋਤਾਂ, ਅਤੇ ਸਰੋਤਾਂ ਤੱਕ ਪਹੁੰਚ ਦਿੰਦਾ ਹੈ, ਇੱਕ ਪਰਿਭਾਸ਼ਿਤ ਟ੍ਰਾਂਸਪੋਰਟ ਉੱਤੇ ਢਾਂਚਾਗਤ, ਕਿਸਮ-ਬੱਧ ਬੇਨਤੀਆਂ ਅਤੇ ਜਵਾਬਾਂ ਦੇ ਵਟਾਂਦਰੇ ਰਾਹੀਂ।
Membership Inference Attack – An attack that aims to determine whether a specific data point was used to train a machine learning model.
membership inference ਹਮਲਾ – ਇੱਕ ਅਜਿਹਾ ਹਮਲਾ ਜਿਸ ਦਾ ਮਕਸਦ ਇਹ ਪਤਾ ਲਗਾਉਣਾ ਹੁੰਦਾ ਹੈ ਕਿ ਕੋਈ ਖ਼ਾਸ ਡਾਟਾ ਬਿੰਦੂ ਕਿਸੇ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਮਾਡਲ ਦੀ ਸਿਖਲਾਈ ਵਿੱਚ ਵਰਤਿਆ ਗਿਆ ਸੀ ਜਾਂ ਨਹੀਂ।
MIG (Multi-Instance GPU) – An NVIDIA technology that partitions a single GPU into multiple isolated instances, each with dedicated memory and compute resources for secure multi-tenant workloads.
MIG (Multi-Instance GPU) – ਇੱਕ NVIDIA ਤਕਨਾਲੋਜੀ ਜੋ ਇੱਕੋ GPU ਨੂੰ ਕਈ ਅਲੱਗ-ਥਲੱਗ ਇੰਸਟਾਂਸਾਂ ਵਿੱਚ ਵੰਡ ਦਿੰਦੀ ਹੈ, ਜਿਨ੍ਹਾਂ ਵਿੱਚੋਂ ਹਰ ਇੱਕ ਕੋਲ ਸੁਰੱਖਿਅਤ ਬਹੁ-ਟੈਨੈਂਟ ਵਰਕਲੋਡਾਂ ਲਈ ਸਮਰਪਿਤ ਮੈਮੋਰੀ ਅਤੇ ਗਣਨਾ ਸਰੋਤ ਹੁੰਦੇ ਹਨ।
MITRE ATLAS – Adversarial Threat Landscape for Artificial-Intelligence Systems; a knowledge base of adversarial tactics and techniques against AI systems.
MITRE ATLAS – Adversarial Threat Landscape for Artificial-Intelligence Systems; AI ਸਿਸਟਮਾਂ ਵਿਰੁੱਧ ਵਿਰੋਧੀ ਦਾਅ-ਪੇਚਾਂ ਅਤੇ ਤਕਨੀਕਾਂ ਦਾ ਇੱਕ ਗਿਆਨ-ਭੰਡਾਰ।
Model Card – A document that provides standardized information about an AI model's performance, limitations, intended uses, and ethical considerations to promote transparency and responsible AI development.
ਮਾਡਲ ਕਾਰਡ (Model Card) – ਇੱਕ ਦਸਤਾਵੇਜ਼ ਜੋ ਕਿਸੇ AI ਮਾਡਲ ਦੀ ਕਾਰਗੁਜ਼ਾਰੀ, ਸੀਮਾਵਾਂ, ਇੱਛਤ ਵਰਤੋਂ, ਅਤੇ ਨੈਤਿਕ ਪੱਖਾਂ ਬਾਰੇ ਮਿਆਰੀ ਜਾਣਕਾਰੀ ਦਿੰਦਾ ਹੈ, ਤਾਂ ਜੋ ਪਾਰਦਰਸ਼ਤਾ ਅਤੇ ਜ਼ਿੰਮੇਵਾਰ AI ਵਿਕਾਸ ਨੂੰ ਉਤਸ਼ਾਹ ਮਿਲੇ।
Model Extraction – An attack where an adversary repeatedly queries a target model to create a functionally similar copy without authorization. Also referred to as model stealing or model theft.
model extraction (ਮਾਡਲ ਚੋਰੀ) – ਇੱਕ ਅਜਿਹਾ ਹਮਲਾ ਜਿਸ ਵਿੱਚ ਹਮਲਾਵਰ ਕਿਸੇ ਨਿਸ਼ਾਨਾ ਮਾਡਲ ਨੂੰ ਵਾਰ-ਵਾਰ ਕਿਊਰੀ ਕਰਕੇ, ਬਿਨਾਂ ਅਧਿਕਾਰ ਦੇ, ਕਾਰਜ-ਪੱਖੋਂ ਮਿਲਦੀ-ਜੁਲਦੀ ਨਕਲ ਬਣਾ ਲੈਂਦਾ ਹੈ। ਇਸ ਨੂੰ model stealing ਜਾਂ model theft ਵੀ ਕਿਹਾ ਜਾਂਦਾ ਹੈ।
Model Inversion – An attack that attempts to reconstruct training data by analyzing model outputs.
model inversion – ਇੱਕ ਅਜਿਹਾ ਹਮਲਾ ਜੋ ਮਾਡਲ ਦੇ ਆਊਟਪੁੱਟ ਦਾ ਵਿਸ਼ਲੇਸ਼ਣ ਕਰਕੇ ਸਿਖਲਾਈ ਡਾਟੇ ਦਾ ਪੁਨਰ-ਨਿਰਮਾਣ ਕਰਨ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰਦਾ ਹੈ।
Model Lifecycle Management – The process of overseeing all stages of an AI model's existence, including design, development, deployment, monitoring, maintenance, and eventual retirement.
ਮਾਡਲ ਜੀਵਨ-ਚੱਕਰ ਪ੍ਰਬੰਧਨ (Model Lifecycle Management) – ਕਿਸੇ AI ਮਾਡਲ ਦੀ ਹੋਂਦ ਦੇ ਸਾਰੇ ਪੜਾਵਾਂ ਦੀ ਦੇਖ-ਰੇਖ ਦੀ ਪ੍ਰਕਿਰਿਆ, ਜਿਸ ਵਿੱਚ ਡਿਜ਼ਾਈਨ, ਵਿਕਾਸ, ਤੈਨਾਤੀ, ਨਿਗਰਾਨੀ, ਰੱਖ-ਰਖਾਅ, ਅਤੇ ਅਖ਼ੀਰ ਸੇਵਾ-ਮੁਕਤੀ ਸ਼ਾਮਲ ਹਨ।
Model Poisoning – Introducing vulnerabilities or backdoors directly into a model during the training process.
model poisoning (ਮਾਡਲ ਜ਼ਹਿਰੀਕਰਨ) – ਸਿਖਲਾਈ ਪ੍ਰਕਿਰਿਆ ਦੌਰਾਨ ਸਿੱਧੇ ਤੌਰ 'ਤੇ ਮਾਡਲ ਵਿੱਚ ਕਮਜ਼ੋਰੀਆਂ ਜਾਂ ਬੈਕਡੋਰ ਦਾਖ਼ਲ ਕਰਨਾ।
mTLS (Mutual TLS) – A TLS configuration where both client and server authenticate each other using certificates, ensuring bidirectional identity verification for service-to-service communication.
mTLS (Mutual TLS) – TLS ਦੀ ਇੱਕ ਸੰਰਚਨਾ ਜਿਸ ਵਿੱਚ ਕਲਾਇੰਟ ਅਤੇ ਸਰਵਰ ਦੋਵੇਂ ਸਰਟੀਫ਼ਿਕੇਟਾਂ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਇੱਕ-ਦੂਜੇ ਦਾ ਪ੍ਰਮਾਣੀਕਰਨ ਕਰਦੇ ਹਨ, ਜਿਸ ਨਾਲ ਸੇਵਾ-ਤੋਂ-ਸੇਵਾ ਸੰਚਾਰ ਲਈ ਦੋ-ਪਾਸੀ ਪਛਾਣ ਤਸਦੀਕ ਯਕੀਨੀ ਬਣਦੀ ਹੈ।
Multi-agent System – A system composed of multiple interacting AI agents, each with potentially different capabilities and goals.
ਬਹੁ-ਏਜੰਟ ਸਿਸਟਮ (Multi-agent System) – ਇੱਕ ਅਜਿਹਾ ਸਿਸਟਮ ਜੋ ਆਪਸ ਵਿੱਚ ਕੰਮ ਕਰਦੇ ਕਈ AI ਏਜੰਟਾਂ ਤੋਂ ਬਣਿਆ ਹੋਵੇ, ਜਿਨ੍ਹਾਂ ਵਿੱਚੋਂ ਹਰ ਇੱਕ ਦੀਆਂ ਸਮਰੱਥਾਵਾਂ ਅਤੇ ਟੀਚੇ ਵੱਖਰੇ ਹੋ ਸਕਦੇ ਹਨ।
NFC (Normal Form Composed) – A Unicode normalization form that decomposes characters and then recomposes them into a canonical representation, used to prevent encoding-based bypass attacks.
NFC (Normal Form Composed) – ਇੱਕ Unicode ਸਧਾਰਨੀਕਰਨ ਰੂਪ ਜੋ ਅੱਖਰਾਂ ਨੂੰ ਪਹਿਲਾਂ ਤੋੜਦਾ ਹੈ ਅਤੇ ਫਿਰ ਉਹਨਾਂ ਨੂੰ ਇੱਕ ਕੈਨੋਨੀਕਲ ਪ੍ਰਤੀਨਿਧਤਾ ਵਿੱਚ ਮੁੜ ਜੋੜਦਾ ਹੈ; ਇਹ ਏਨਕੋਡਿੰਗ-ਆਧਾਰਿਤ ਬਾਈਪਾਸ ਹਮਲਿਆਂ ਨੂੰ ਰੋਕਣ ਲਈ ਵਰਤਿਆ ਜਾਂਦਾ ਹੈ।
Non-repudiation – A security property ensuring that a party cannot credibly deny having performed an action. In AI systems, achieved through cryptographic signing of agent actions and audit log entries, enabling attribution of decisions to specific principals.
ਗ਼ੈਰ-ਇਨਕਾਰਯੋਗਤਾ (Non-repudiation) – ਇੱਕ ਸੁਰੱਖਿਆ ਗੁਣ ਜੋ ਇਹ ਯਕੀਨੀ ਬਣਾਉਂਦਾ ਹੈ ਕਿ ਕੋਈ ਧਿਰ ਕਿਸੇ ਕਾਰਵਾਈ ਨੂੰ ਕਰਨ ਤੋਂ ਭਰੋਸੇਯੋਗ ਢੰਗ ਨਾਲ ਮੁੱਕਰ ਨਾ ਸਕੇ। AI ਸਿਸਟਮਾਂ ਵਿੱਚ ਇਹ ਏਜੰਟ ਦੀਆਂ ਕਾਰਵਾਈਆਂ ਅਤੇ ਆਡਿਟ ਲੌਗ ਇੰਦਰਾਜਾਂ ਉੱਤੇ ਕ੍ਰਿਪਟੋਗ੍ਰਾਫ਼ਿਕ ਦਸਤਖ਼ਤ ਰਾਹੀਂ ਹਾਸਲ ਕੀਤਾ ਜਾਂਦਾ ਹੈ, ਜਿਸ ਨਾਲ ਫ਼ੈਸਲਿਆਂ ਦਾ ਖ਼ਾਸ ਪਛਾਣ-ਇਕਾਈਆਂ (principals) ਨਾਲ ਸਰੋਤ-ਨਿਰਧਾਰਨ (attribution) ਸੰਭਵ ਹੁੰਦਾ ਹੈ।
NVLink – A high-bandwidth interconnect technology for GPU-to-GPU communication, requiring authentication and encryption in multi-tenant AI environments.
NVLink – GPU-ਤੋਂ-GPU ਸੰਚਾਰ ਲਈ ਇੱਕ ਉੱਚ-ਬੈਂਡਵਿਡਥ ਅੰਤਰ-ਸੰਪਰਕ ਤਕਨਾਲੋਜੀ, ਜਿਸ ਲਈ ਬਹੁ-ਟੈਨੈਂਟ AI ਵਾਤਾਵਰਣਾਂ ਵਿੱਚ ਪ੍ਰਮਾਣੀਕਰਨ ਅਤੇ ਏਨਕ੍ਰਿਪਸ਼ਨ ਲਾਜ਼ਮੀ ਹੈ।
OAuth 2.1 – An authorization framework that consolidates OAuth 2.0 best practices into a single specification, used in AISVS as the required authentication mechanism for MCP clients and servers.
OAuth 2.1 – ਇੱਕ ਅਧਿਕਾਰੀਕਰਨ ਫ੍ਰੇਮਵਰਕ ਜੋ OAuth 2.0 ਦੇ ਸਭ ਤੋਂ ਵਧੀਆ ਅਭਿਆਸਾਂ ਨੂੰ ਇੱਕੋ ਸਪੈਸੀਫ਼ਿਕੇਸ਼ਨ (specification) ਵਿੱਚ ਇਕੱਠਾ ਕਰਦਾ ਹੈ; AISVS ਵਿੱਚ ਇਹ MCP ਕਲਾਇੰਟਾਂ ਅਤੇ ਸਰਵਰਾਂ ਲਈ ਲੋੜੀਂਦੀ ਪ੍ਰਮਾਣੀਕਰਨ ਵਿਧੀ ਵਜੋਂ ਵਰਤਿਆ ਜਾਂਦਾ ਹੈ।
OIDC (OpenID Connect) – An identity layer built on OAuth 2.0 that enables clients to verify user identity based on authentication performed by an authorization server.
OIDC (OpenID Connect) – OAuth 2.0 ਉੱਤੇ ਬਣੀ ਇੱਕ ਪਛਾਣ ਪਰਤ ਜੋ ਕਲਾਇੰਟਾਂ ਨੂੰ ਕਿਸੇ ਅਧਿਕਾਰੀਕਰਨ ਸਰਵਰ ਦੁਆਰਾ ਕੀਤੇ ਪ੍ਰਮਾਣੀਕਰਨ ਦੇ ਆਧਾਰ ਉੱਤੇ ਉਪਭੋਗਤਾ ਦੀ ਪਛਾਣ ਤਸਦੀਕ ਕਰਨ ਦਿੰਦੀ ਹੈ।
OPA (Open Policy Agent) – An open-source, general-purpose policy engine that evaluates authorization and admission control policies written in Rego, enabling unified policy enforcement across applications, APIs, and infrastructure.
OPA (Open Policy Agent) – ਇੱਕ ਓਪਨ-ਸੋਰਸ, ਆਮ-ਮਕਸਦੀ ਨੀਤੀ ਇੰਜਣ ਜੋ Rego ਵਿੱਚ ਲਿਖੀਆਂ ਅਧਿਕਾਰੀਕਰਨ ਅਤੇ ਦਾਖ਼ਲਾ-ਨਿਯੰਤਰਣ ਨੀਤੀਆਂ ਦਾ ਮੁਲਾਂਕਣ ਕਰਦਾ ਹੈ, ਜਿਸ ਨਾਲ ਐਪਲੀਕੇਸ਼ਨਾਂ, API, ਅਤੇ ਬੁਨਿਆਦੀ ਢਾਂਚੇ ਵਿੱਚ ਇੱਕਸਾਰ ਨੀਤੀ-ਲਾਗੂਕਰਨ ਸੰਭਵ ਹੁੰਦਾ ਹੈ।
PDP (Policy Decision Point) – A component in a policy enforcement architecture that evaluates authorization requests against defined policies and returns an allow or deny decision. In agentic AI systems, the PDP is isolated from the agent's execution environment to prevent a compromised agent from influencing its own authorization decisions.
PDP (ਨੀਤੀ ਫ਼ੈਸਲਾ ਬਿੰਦੂ) – ਨੀਤੀ-ਲਾਗੂਕਰਨ ਆਰਕੀਟੈਕਚਰ ਦਾ ਇੱਕ ਹਿੱਸਾ ਜੋ ਅਧਿਕਾਰੀਕਰਨ ਦੀਆਂ ਬੇਨਤੀਆਂ ਦਾ ਪਰਿਭਾਸ਼ਿਤ ਨੀਤੀਆਂ ਦੇ ਵਿਰੁੱਧ ਮੁਲਾਂਕਣ ਕਰਦਾ ਹੈ ਅਤੇ ਇਜਾਜ਼ਤ ਜਾਂ ਇਨਕਾਰ ਦਾ ਫ਼ੈਸਲਾ ਵਾਪਸ ਕਰਦਾ ਹੈ। ਏਜੰਟ-ਆਧਾਰਿਤ AI ਸਿਸਟਮਾਂ ਵਿੱਚ PDP ਨੂੰ ਏਜੰਟ ਦੇ ਐਗਜ਼ੀਕਿਊਸ਼ਨ ਵਾਤਾਵਰਣ ਤੋਂ ਅਲੱਗ-ਥਲੱਗ ਰੱਖਿਆ ਜਾਂਦਾ ਹੈ, ਤਾਂ ਜੋ ਭੰਗ ਹੋ ਚੁੱਕਾ ਏਜੰਟ ਆਪਣੇ ਹੀ ਅਧਿਕਾਰੀਕਰਨ ਫ਼ੈਸਲਿਆਂ ਨੂੰ ਪ੍ਰਭਾਵਿਤ ਨਾ ਕਰ ਸਕੇ।
PII (Personally Identifiable Information) – Any information that can be used to identify, contact, or locate a specific individual, either alone or combined with other data.
PII (ਨਿੱਜੀ ਪਛਾਣਯੋਗ ਜਾਣਕਾਰੀ) – ਕੋਈ ਵੀ ਅਜਿਹੀ ਜਾਣਕਾਰੀ ਜਿਸ ਦੀ ਵਰਤੋਂ, ਇਕੱਲਿਆਂ ਜਾਂ ਹੋਰ ਡਾਟੇ ਨਾਲ ਜੋੜ ਕੇ, ਕਿਸੇ ਖ਼ਾਸ ਵਿਅਕਤੀ ਦੀ ਪਛਾਣ ਕਰਨ, ਉਸ ਨਾਲ ਸੰਪਰਕ ਕਰਨ, ਜਾਂ ਉਸ ਦਾ ਟਿਕਾਣਾ ਲੱਭਣ ਲਈ ਕੀਤੀ ਜਾ ਸਕਦੀ ਹੈ।
Policy-as-Code – The practice of defining security and compliance policies in machine-readable code that can be version-controlled, tested, and automatically enforced in CI/CD pipelines.
ਕੋਡ-ਵਜੋਂ-ਨੀਤੀ (Policy-as-Code) – ਸੁਰੱਖਿਆ ਅਤੇ ਪਾਲਣਾ ਨੀਤੀਆਂ ਨੂੰ ਮਸ਼ੀਨ-ਪੜ੍ਹਨਯੋਗ ਕੋਡ ਵਿੱਚ ਪਰਿਭਾਸ਼ਿਤ ਕਰਨ ਦਾ ਅਭਿਆਸ, ਤਾਂ ਜੋ ਉਹਨਾਂ ਨੂੰ ਵਰਜ਼ਨ-ਨਿਯੰਤਰਿਤ, ਟੈਸਟ, ਅਤੇ CI/CD ਪਾਈਪਲਾਈਨਾਂ ਵਿੱਚ ਆਪਣੇ-ਆਪ ਲਾਗੂ ਕੀਤਾ ਜਾ ਸਕੇ।
Privacy-Preserving Machine Learning (PPML) – Techniques and methods to train and deploy ML models while protecting the privacy of the training data.
Privacy-Preserving Machine Learning (PPML — ਨਿੱਜਤਾ-ਰੱਖਿਅਕ ਮਸ਼ੀਨ ਲਰਨਿੰਗ) – ਸਿਖਲਾਈ ਡਾਟੇ ਦੀ ਨਿੱਜਤਾ ਦੀ ਰਾਖੀ ਕਰਦੇ ਹੋਏ ML ਮਾਡਲਾਂ ਨੂੰ ਸਿਖਲਾਈ ਦੇਣ ਅਤੇ ਤੈਨਾਤ ਕਰਨ ਦੀਆਂ ਤਕਨੀਕਾਂ ਅਤੇ ਵਿਧੀਆਂ।
Prompt Injection – An attack where malicious instructions are embedded in inputs to override a model's intended behavior.
prompt ਇੰਜੈਕਸ਼ਨ (Prompt Injection) – ਇੱਕ ਅਜਿਹਾ ਹਮਲਾ ਜਿਸ ਵਿੱਚ ਮਾਡਲ ਦੇ ਇੱਛਤ ਵਿਵਹਾਰ ਨੂੰ ਓਵਰਰਾਈਡ ਕਰਨ ਲਈ ਇਨਪੁੱਟਾਂ ਵਿੱਚ ਖ਼ਤਰਨਾਕ ਹਦਾਇਤਾਂ ਜੜ ਦਿੱਤੀਆਂ ਜਾਂਦੀਆਂ ਹਨ।
Prompt Template – A structured text pattern used to construct prompts submitted to an AI model, containing fixed instructions, variable placeholders for user inputs, and formatting directives. Prompt templates are AI-specific configuration artifacts that require version control, integrity protection, and access controls equivalent to source code.
prompt ਟੈਂਪਲੇਟ (Prompt Template) – ਇੱਕ ਢਾਂਚਾਗਤ ਲਿਖਤੀ ਪੈਟਰਨ ਜੋ AI ਮਾਡਲ ਨੂੰ ਭੇਜੇ ਜਾਣ ਵਾਲੇ prompt ਬਣਾਉਣ ਲਈ ਵਰਤਿਆ ਜਾਂਦਾ ਹੈ, ਅਤੇ ਜਿਸ ਵਿੱਚ ਸਥਿਰ ਹਦਾਇਤਾਂ, ਉਪਭੋਗਤਾ ਇਨਪੁੱਟਾਂ ਲਈ ਪਰਿਵਰਤਨਸ਼ੀਲ ਥਾਂ-ਧਾਰਕ, ਅਤੇ ਫ਼ਾਰਮੈਟਿੰਗ ਨਿਰਦੇਸ਼ ਹੁੰਦੇ ਹਨ। prompt ਟੈਂਪਲੇਟ AI-ਵਿਸ਼ੇਸ਼ ਸੰਰਚਨਾ ਆਰਟੀਫ਼ੈਕਟ ਹਨ ਜਿਨ੍ਹਾਂ ਲਈ ਸਰੋਤ ਕੋਡ ਦੇ ਬਰਾਬਰ ਵਰਜ਼ਨ ਨਿਯੰਤਰਣ, ਅਖੰਡਤਾ ਸੁਰੱਖਿਆ, ਅਤੇ ਪਹੁੰਚ ਕੰਟਰੋਲ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ।
Quantization – A post-training compression technique that reduces model weight precision (e.g., from 32-bit to 8-bit or 4-bit integers) to decrease memory footprint and inference latency. Quantization can alter model behavior, requiring safety and robustness properties to be re-evaluated after application.
ਕੁਆਂਟਾਈਜ਼ੇਸ਼ਨ (Quantization) – ਸਿਖਲਾਈ-ਉਪਰੰਤ ਸੰਕੁਚਨ ਦੀ ਇੱਕ ਤਕਨੀਕ ਜੋ ਮੈਮੋਰੀ ਦੀ ਖਪਤ ਅਤੇ ਇਨਫ਼ਰੈਂਸ ਦੀ ਦੇਰੀ ਘਟਾਉਣ ਲਈ ਮਾਡਲ ਵੇਟਸ ਦੀ ਸ਼ੁੱਧਤਾ ਘਟਾ ਦਿੰਦੀ ਹੈ (ਜਿਵੇਂ, 32-ਬਿੱਟ ਤੋਂ 8-ਬਿੱਟ ਜਾਂ 4-ਬਿੱਟ ਪੂਰਨ ਅੰਕਾਂ ਤੱਕ)। ਕੁਆਂਟਾਈਜ਼ੇਸ਼ਨ ਮਾਡਲ ਦਾ ਵਿਵਹਾਰ ਬਦਲ ਸਕਦੀ ਹੈ, ਇਸ ਲਈ ਇਸ ਨੂੰ ਲਾਗੂ ਕਰਨ ਤੋਂ ਬਾਅਦ ਸਲਾਮਤੀ ਅਤੇ ਮਜ਼ਬੂਤੀ ਦੇ ਗੁਣਾਂ ਦਾ ਮੁੜ-ਮੁਲਾਂਕਣ ਲਾਜ਼ਮੀ ਹੈ।
RAG (Retrieval-Augmented Generation) – A technique that enhances large language models by retrieving relevant information from external knowledge sources before generating a response.
RAG (Retrieval-Augmented Generation) – ਇੱਕ ਤਕਨੀਕ ਜੋ ਜਵਾਬ ਤਿਆਰ ਕਰਨ ਤੋਂ ਪਹਿਲਾਂ ਬਾਹਰੀ ਗਿਆਨ-ਸਰੋਤਾਂ ਤੋਂ ਸੰਬੰਧਿਤ ਜਾਣਕਾਰੀ ਦੀ ਪ੍ਰਾਪਤੀ ਕਰਕੇ ਵੱਡੇ ਭਾਸ਼ਾ ਮਾਡਲਾਂ ਨੂੰ ਬਿਹਤਰ ਬਣਾਉਂਦੀ ਹੈ।
RBAC (Role-Based Access Control) – An access control model where permissions are assigned to roles rather than individual users, and users are granted access by being assigned to appropriate roles.
RBAC (ਭੂਮਿਕਾ-ਆਧਾਰਿਤ ਪਹੁੰਚ ਕੰਟਰੋਲ) – ਪਹੁੰਚ ਕੰਟਰੋਲ ਦਾ ਇੱਕ ਮਾਡਲ ਜਿਸ ਵਿੱਚ ਇਜਾਜ਼ਤਾਂ ਵੱਖ-ਵੱਖ ਉਪਭੋਗਤਾਵਾਂ ਦੀ ਥਾਂ ਭੂਮਿਕਾਵਾਂ ਨੂੰ ਦਿੱਤੀਆਂ ਜਾਂਦੀਆਂ ਹਨ, ਅਤੇ ਉਪਭੋਗਤਾਵਾਂ ਨੂੰ ਢੁਕਵੀਆਂ ਭੂਮਿਕਾਵਾਂ ਸੌਂਪ ਕੇ ਪਹੁੰਚ ਦਿੱਤੀ ਜਾਂਦੀ ਹੈ।
Red-Teaming – The practice of actively testing AI systems by simulating adversarial attacks to identify vulnerabilities.
ਰੈੱਡ-ਟੀਮਿੰਗ (Red-Teaming) – ਕਮਜ਼ੋਰੀਆਂ ਦੀ ਪਛਾਣ ਕਰਨ ਲਈ ਵਿਰੋਧੀ ਹਮਲਿਆਂ ਦਾ ਸਿਮੂਲੇਸ਼ਨ ਕਰਕੇ AI ਸਿਸਟਮਾਂ ਦੀ ਸਰਗਰਮ ਪਰਖ ਕਰਨ ਦਾ ਅਭਿਆਸ।
Re-identification Risk – The probability that an individual can be identified from a supposedly anonymized dataset, measured against defined thresholds.
ਮੁੜ-ਪਛਾਣ ਜੋਖਮ (Re-identification Risk) – ਉਹ ਸੰਭਾਵਨਾ ਕਿ ਕਥਿਤ ਤੌਰ 'ਤੇ ਗੁਮਨਾਮ ਕੀਤੇ ਡਾਟਾਸੈੱਟ ਤੋਂ ਕਿਸੇ ਵਿਅਕਤੀ ਦੀ ਪਛਾਣ ਕੀਤੀ ਜਾ ਸਕਦੀ ਹੈ; ਇਸ ਨੂੰ ਪਰਿਭਾਸ਼ਿਤ ਥ੍ਰੈਸ਼ਹੋਲਡਾਂ ਦੇ ਵਿਰੁੱਧ ਮਾਪਿਆ ਜਾਂਦਾ ਹੈ।
Remote Attestation – A mechanism by which a trusted execution environment provides cryptographic proof to a remote party that specific code is running in a genuine, unmodified TEE.
ਰਿਮੋਟ ਅਟੈਸਟੇਸ਼ਨ (Remote Attestation) – ਇੱਕ ਵਿਧੀ ਜਿਸ ਰਾਹੀਂ ਕੋਈ ਭਰੋਸੇਯੋਗ ਐਗਜ਼ੀਕਿਊਸ਼ਨ ਵਾਤਾਵਰਣ ਕਿਸੇ ਦੂਰ-ਦੁਰਾਡੇ ਧਿਰ ਨੂੰ ਕ੍ਰਿਪਟੋਗ੍ਰਾਫ਼ਿਕ ਸਬੂਤ ਦਿੰਦਾ ਹੈ ਕਿ ਖ਼ਾਸ ਕੋਡ ਇੱਕ ਅਸਲੀ, ਅਣ-ਸੋਧੇ TEE ਵਿੱਚ ਚੱਲ ਰਿਹਾ ਹੈ।
Reward Model – A machine learning model trained to predict human preference scores for AI outputs, used as a proxy reward signal in RLHF training pipelines. Because reward models are ML artifacts, they are subject to data poisoning attacks that can subvert alignment training outcomes.
reward model (ਇਨਾਮ ਮਾਡਲ) – ਇੱਕ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਮਾਡਲ ਜਿਸ ਨੂੰ AI ਆਊਟਪੁੱਟ ਲਈ ਮਨੁੱਖੀ ਤਰਜੀਹ ਸਕੋਰਾਂ ਦਾ ਪੂਰਵ-ਅਨੁਮਾਨ ਲਾਉਣ ਦੀ ਸਿਖਲਾਈ ਦਿੱਤੀ ਜਾਂਦੀ ਹੈ, ਅਤੇ ਜੋ RLHF ਸਿਖਲਾਈ ਪਾਈਪਲਾਈਨਾਂ ਵਿੱਚ ਬਦਲਵੇਂ ਇਨਾਮ ਸੰਕੇਤ ਵਜੋਂ ਵਰਤਿਆ ਜਾਂਦਾ ਹੈ। ਕਿਉਂਕਿ ਇਨਾਮ ਮਾਡਲ ਵੀ ML ਆਰਟੀਫ਼ੈਕਟ ਹਨ, ਇਸ ਲਈ ਉਹ data poisoning ਹਮਲਿਆਂ ਦੀ ਮਾਰ ਹੇਠ ਆਉਂਦੇ ਹਨ, ਜੋ ਅਲਾਈਨਮੈਂਟ ਸਿਖਲਾਈ ਦੇ ਨਤੀਜਿਆਂ ਨੂੰ ਭੰਗ ਕਰ ਸਕਦੇ ਹਨ।
RLHF (Reinforcement Learning from Human Feedback) – A training technique where a model is fine-tuned using human preference judgments as a reward signal to improve alignment with human values and safety requirements.
RLHF (Reinforcement Learning from Human Feedback) – ਇੱਕ ਸਿਖਲਾਈ ਤਕਨੀਕ ਜਿਸ ਵਿੱਚ ਮਨੁੱਖੀ ਕਦਰਾਂ-ਕੀਮਤਾਂ ਅਤੇ ਸਲਾਮਤੀ ਲੋੜਾਂ ਨਾਲ ਅਲਾਈਨਮੈਂਟ ਸੁਧਾਰਨ ਲਈ ਮਨੁੱਖੀ ਤਰਜੀਹ ਦੇ ਨਿਰਣਿਆਂ ਨੂੰ ਇਨਾਮ ਸੰਕੇਤ ਵਜੋਂ ਵਰਤ ਕੇ ਮਾਡਲ ਦੀ ਫ਼ਾਈਨ-ਟਿਊਨਿੰਗ ਕੀਤੀ ਜਾਂਦੀ ਹੈ।
SAML (Security Assertion Markup Language) – An XML-based standard for exchanging authentication and authorization data between identity providers and service providers.
SAML (Security Assertion Markup Language) – ਪਛਾਣ ਪ੍ਰਦਾਤਾਵਾਂ ਅਤੇ ਸੇਵਾ ਪ੍ਰਦਾਤਾਵਾਂ ਵਿਚਕਾਰ ਪ੍ਰਮਾਣੀਕਰਨ ਅਤੇ ਅਧਿਕਾਰੀਕਰਨ ਡਾਟੇ ਦੇ ਵਟਾਂਦਰੇ ਲਈ ਇੱਕ XML-ਆਧਾਰਿਤ ਮਿਆਰ।
Sandboxing – An isolation technique that confines a process or component to a controlled environment with restricted filesystem access, network egress, and system call permissions. In AI systems, sandboxing is used to contain tool and plugin execution, AI workloads, and third-party model inference to prevent unauthorized host access or cross-tenant contamination.
ਸੈਂਡਬਾਕਸਿੰਗ (Sandboxing) – ਅਲੱਗ-ਥਲੱਗ ਕਰਨ ਦੀ ਇੱਕ ਤਕਨੀਕ ਜੋ ਕਿਸੇ ਪ੍ਰਕਿਰਿਆ ਜਾਂ ਕੰਪੋਨੈਂਟ ਨੂੰ ਸੀਮਤ ਫ਼ਾਈਲਸਿਸਟਮ ਪਹੁੰਚ, ਨੈੱਟਵਰਕ ਨਿਕਾਸ, ਅਤੇ ਸਿਸਟਮ ਕਾਲ ਇਜਾਜ਼ਤਾਂ ਵਾਲੇ ਇੱਕ ਨਿਯੰਤਰਿਤ ਵਾਤਾਵਰਣ ਤੱਕ ਸੀਮਤ ਰੱਖਦੀ ਹੈ। AI ਸਿਸਟਮਾਂ ਵਿੱਚ ਸੈਂਡਬਾਕਸਿੰਗ ਟੂਲ ਅਤੇ ਪਲੱਗਇਨ ਦੇ ਐਗਜ਼ੀਕਿਊਸ਼ਨ, AI ਵਰਕਲੋਡਾਂ, ਅਤੇ ਤੀਜੀ-ਧਿਰ ਦੇ ਮਾਡਲ ਇਨਫ਼ਰੈਂਸ ਨੂੰ ਘੇਰ ਕੇ ਰੱਖਣ ਲਈ ਵਰਤੀ ਜਾਂਦੀ ਹੈ, ਤਾਂ ਜੋ ਅਣਅਧਿਕਾਰਤ ਹੋਸਟ ਪਹੁੰਚ ਜਾਂ ਟੈਨੈਂਟਾਂ ਵਿਚਕਾਰ ਦੂਸ਼ਣ ਰੋਕਿਆ ਜਾ ਸਕੇ।
SBOM (Software Bill of Materials) – A formal record containing the details and supply chain relationships of software components used in building an application. See also AI BOM for model-specific artifacts.
SBOM (Software Bill of Materials) – ਇੱਕ ਰਸਮੀ ਰਿਕਾਰਡ ਜਿਸ ਵਿੱਚ ਕਿਸੇ ਐਪਲੀਕੇਸ਼ਨ ਦੀ ਉਸਾਰੀ ਵਿੱਚ ਵਰਤੇ ਗਏ ਸਾਫ਼ਟਵੇਅਰ ਕੰਪੋਨੈਂਟਾਂ ਦੇ ਵੇਰਵੇ ਅਤੇ ਸਪਲਾਈ ਚੇਨ ਸੰਬੰਧ ਦਰਜ ਹੁੰਦੇ ਹਨ। ਮਾਡਲ-ਵਿਸ਼ੇਸ਼ ਆਰਟੀਫ਼ੈਕਟਾਂ ਲਈ AI BOM ਵੀ ਵੇਖੋ।
Scanned – Subjected to automated security analysis by a tool, integrated into a pipeline or controlled process (as opposed to an ad-hoc or manual check).
ਸਕੈਨ ਕੀਤਾ (Scanned) – ਕਿਸੇ ਟੂਲ ਦੁਆਰਾ ਸਵੈਚਲਿਤ ਸੁਰੱਖਿਆ ਵਿਸ਼ਲੇਸ਼ਣ ਦੇ ਅਧੀਨ ਲਿਆਂਦਾ ਗਿਆ, ਜੋ ਕਿਸੇ ਪਾਈਪਲਾਈਨ ਜਾਂ ਨਿਯੰਤਰਿਤ ਪ੍ਰਕਿਰਿਆ ਵਿੱਚ ਏਕੀਕ੍ਰਿਤ ਹੋਵੇ (ਨਾ ਕਿ ਕੋਈ ਗ਼ੈਰ-ਰਸਮੀ ਜਾਂ ਹੱਥੀਂ ਕੀਤੀ ਜਾਂਚ)।
SCVS (Software Component Verification Standard) – An OWASP framework for verifying the security properties of software components, referenced by AISVS for supply chain integrity controls applicable to AI frameworks, libraries, and model dependencies.
SCVS (Software Component Verification Standard) – ਸਾਫ਼ਟਵੇਅਰ ਕੰਪੋਨੈਂਟਾਂ ਦੇ ਸੁਰੱਖਿਆ ਗੁਣਾਂ ਦੀ ਤਸਦੀਕ ਲਈ ਇੱਕ OWASP ਫ੍ਰੇਮਵਰਕ, ਜਿਸ ਦਾ ਹਵਾਲਾ AISVS AI ਫ੍ਰੇਮਵਰਕਾਂ, ਲਾਇਬ੍ਰੇਰੀਆਂ, ਅਤੇ ਮਾਡਲ ਡਿਪੈਂਡੈਂਸੀਆਂ ਉੱਤੇ ਲਾਗੂ ਹੋਣ ਵਾਲੇ ਸਪਲਾਈ ਚੇਨ ਅਖੰਡਤਾ ਨਿਯੰਤਰਣਾਂ ਲਈ ਦਿੰਦਾ ਹੈ।
seccomp (Secure Computing Mode) – A Linux kernel feature that restricts the system calls a process can make, used to sandbox AI workloads and reduce attack surface.
seccomp (Secure Computing Mode) – ਇੱਕ Linux ਕਰਨਲ ਵਿਸ਼ੇਸ਼ਤਾ ਜੋ ਕਿਸੇ ਪ੍ਰਕਿਰਿਆ ਦੁਆਰਾ ਕੀਤੀਆਂ ਜਾ ਸਕਣ ਵਾਲੀਆਂ ਸਿਸਟਮ ਕਾਲਾਂ ਨੂੰ ਸੀਮਤ ਕਰਦੀ ਹੈ; ਇਹ AI ਵਰਕਲੋਡਾਂ ਨੂੰ ਸੈਂਡਬਾਕਸ ਕਰਨ ਅਤੇ ਹਮਲਾ ਸਤ੍ਹਾ ਘਟਾਉਣ ਲਈ ਵਰਤੀ ਜਾਂਦੀ ਹੈ।
Secure Boot – A firmware security feature that verifies the cryptographic signature of each component in the boot chain before execution, preventing unauthorized or tampered software from loading.
ਸੁਰੱਖਿਅਤ ਬੂਟ (Secure Boot) – ਇੱਕ ਫ਼ਰਮਵੇਅਰ ਸੁਰੱਖਿਆ ਵਿਸ਼ੇਸ਼ਤਾ ਜੋ ਬੂਟ ਲੜੀ ਦੇ ਹਰ ਕੰਪੋਨੈਂਟ ਦੇ ਕ੍ਰਿਪਟੋਗ੍ਰਾਫ਼ਿਕ ਦਸਤਖ਼ਤ ਦੀ ਐਗਜ਼ੀਕਿਊਸ਼ਨ ਤੋਂ ਪਹਿਲਾਂ ਤਸਦੀਕ ਕਰਦੀ ਹੈ, ਅਤੇ ਅਣਅਧਿਕਾਰਤ ਜਾਂ ਛੇੜਛਾੜ ਕੀਤੇ ਸਾਫ਼ਟਵੇਅਰ ਨੂੰ ਲੋਡ ਹੋਣ ਤੋਂ ਰੋਕਦੀ ਹੈ।
Secure Multi-Party Computation (SMPC) – A cryptographic technique that enables multiple parties to jointly compute a function over their private inputs without revealing those inputs to each other.
Secure Multi-Party Computation (SMPC — ਸੁਰੱਖਿਅਤ ਬਹੁ-ਧਿਰ ਗਣਨਾ) – ਇੱਕ ਕ੍ਰਿਪਟੋਗ੍ਰਾਫ਼ਿਕ ਤਕਨੀਕ ਜੋ ਕਈ ਧਿਰਾਂ ਨੂੰ ਆਪਣੇ ਨਿੱਜੀ ਇਨਪੁੱਟਾਂ ਉੱਤੇ ਸਾਂਝੇ ਤੌਰ 'ਤੇ ਕੋਈ ਫ਼ੰਕਸ਼ਨ ਗਿਣਨ ਦਿੰਦੀ ਹੈ, ਬਿਨਾਂ ਉਹ ਇਨਪੁੱਟ ਇੱਕ-ਦੂਜੇ ਸਾਹਮਣੇ ਜ਼ਾਹਰ ਕੀਤੇ।
SELinux (Security-Enhanced Linux) – A Linux kernel security module that provides mandatory access controls using security policies, used to enforce fine-grained process isolation for AI workloads.
SELinux (Security-Enhanced Linux) – ਇੱਕ Linux ਕਰਨਲ ਸੁਰੱਖਿਆ ਮਾਡਿਊਲ ਜੋ ਸੁਰੱਖਿਆ ਨੀਤੀਆਂ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਲਾਜ਼ਮੀ ਪਹੁੰਚ ਕੰਟਰੋਲ ਦਿੰਦਾ ਹੈ; ਇਹ AI ਵਰਕਲੋਡਾਂ ਲਈ ਬਾਰੀਕ-ਪੱਧਰੀ ਪ੍ਰਕਿਰਿਆ ਅਲੱਗ-ਥਲੱਗਤਾ ਲਾਗੂ ਕਰਨ ਵਾਸਤੇ ਵਰਤਿਆ ਜਾਂਦਾ ਹੈ।
Sender-Constrained Token – An access token cryptographically bound to the legitimate client so it cannot be used by another party if stolen, through mechanisms such as mTLS or DPoP. AISVS requires sender-constrained tokens between MCP clients and servers. See also: DPoP, mTLS.
Sender-Constrained Token (ਭੇਜਣ ਵਾਲੇ ਨਾਲ ਬੰਨ੍ਹਿਆ ਟੋਕਨ) – ਇੱਕ ਪਹੁੰਚ ਟੋਕਨ ਜੋ mTLS ਜਾਂ DPoP ਵਰਗੀਆਂ ਵਿਧੀਆਂ ਰਾਹੀਂ ਕ੍ਰਿਪਟੋਗ੍ਰਾਫ਼ਿਕ ਤੌਰ 'ਤੇ ਜਾਇਜ਼ ਕਲਾਇੰਟ ਨਾਲ ਬੰਨ੍ਹਿਆ ਹੁੰਦਾ ਹੈ, ਤਾਂ ਜੋ ਚੋਰੀ ਹੋਣ 'ਤੇ ਵੀ ਕੋਈ ਹੋਰ ਧਿਰ ਉਸ ਨੂੰ ਨਾ ਵਰਤ ਸਕੇ। AISVS ਦੀ ਲੋੜ ਹੈ ਕਿ MCP ਕਲਾਇੰਟਾਂ ਅਤੇ ਸਰਵਰਾਂ ਵਿਚਕਾਰ ਭੇਜਣ ਵਾਲੇ ਨਾਲ ਬੰਨ੍ਹੇ ਟੋਕਨ ਵਰਤੇ ਜਾਣ। ਇਹ ਵੀ ਵੇਖੋ: DPoP, mTLS।
Sensitive Fields – Individual data attributes, columns, or record elements within a dataset that contain personal, regulated, or otherwise protected information (e.g., names, identifiers, health data, financial data, or biometric data). Sensitive fields require access controls, minimization, redaction, or encryption. In AI systems, sensitive field detection is required before data is used for training, embedding, or inference to prevent unintentional leakage or memorization.
ਸੰਵੇਦਨਸ਼ੀਲ ਖੇਤਰ (Sensitive Fields) – ਕਿਸੇ ਡਾਟਾਸੈੱਟ ਦੇ ਅੰਦਰਲੇ ਵੱਖ-ਵੱਖ ਡਾਟਾ ਗੁਣ, ਕਾਲਮ, ਜਾਂ ਰਿਕਾਰਡ ਤੱਤ ਜਿਨ੍ਹਾਂ ਵਿੱਚ ਨਿੱਜੀ, ਨਿਯਮਿਤ, ਜਾਂ ਹੋਰ ਪੱਖੋਂ ਸੁਰੱਖਿਅਤ ਜਾਣਕਾਰੀ ਹੁੰਦੀ ਹੈ (ਜਿਵੇਂ, ਨਾਮ, ਪਛਾਣਕਰਤਾ, ਸਿਹਤ ਡਾਟਾ, ਵਿੱਤੀ ਡਾਟਾ, ਜਾਂ ਬਾਇਓਮੈਟ੍ਰਿਕ ਡਾਟਾ)। ਸੰਵੇਦਨਸ਼ੀਲ ਖੇਤਰਾਂ ਲਈ ਪਹੁੰਚ ਕੰਟਰੋਲ, ਘੱਟੋ-ਘੱਟਕਰਨ, ਰਿਡੈਕਸ਼ਨ, ਜਾਂ ਏਨਕ੍ਰਿਪਸ਼ਨ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ। AI ਸਿਸਟਮਾਂ ਵਿੱਚ, ਅਣਇੱਛਤ ਲੀਕੇਜ ਜਾਂ ਯਾਦ ਰਹਿ ਜਾਣ ਨੂੰ ਰੋਕਣ ਲਈ ਸਿਖਲਾਈ, embedding, ਜਾਂ ਇਨਫ਼ਰੈਂਸ ਵਾਸਤੇ ਡਾਟਾ ਵਰਤਣ ਤੋਂ ਪਹਿਲਾਂ ਸੰਵੇਦਨਸ਼ੀਲ ਖੇਤਰਾਂ ਦੀ ਪਛਾਣ ਲਾਜ਼ਮੀ ਹੈ।
Shadow Deployment – A deployment pattern in which a new model version receives a copy of live production traffic alongside the current version without serving responses to end users, enabling behavioral comparison and safety validation before promotion.
ਸ਼ੈਡੋ ਤੈਨਾਤੀ (Shadow Deployment) – ਤੈਨਾਤੀ ਦਾ ਇੱਕ ਪੈਟਰਨ ਜਿਸ ਵਿੱਚ ਨਵਾਂ ਮਾਡਲ ਵਰਜ਼ਨ ਮੌਜੂਦਾ ਵਰਜ਼ਨ ਦੇ ਨਾਲ-ਨਾਲ ਜਿਊਂਦੇ ਉਤਪਾਦਨ ਟਰੈਫ਼ਿਕ ਦੀ ਇੱਕ ਨਕਲ ਹਾਸਲ ਕਰਦਾ ਹੈ ਪਰ ਅੰਤਿਮ ਉਪਭੋਗਤਾਵਾਂ ਨੂੰ ਜਵਾਬ ਨਹੀਂ ਦਿੰਦਾ, ਜਿਸ ਨਾਲ ਤਰੱਕੀ ਤੋਂ ਪਹਿਲਾਂ ਵਿਵਹਾਰਕ ਤੁਲਨਾ ਅਤੇ ਸਲਾਮਤੀ ਪ੍ਰਮਾਣਿਕਤਾ ਸੰਭਵ ਹੁੰਦੀ ਹੈ।
Shadow Model – A model trained by an attacker to mimic a target model's behavior, used in membership inference attacks and as a baseline for evaluating machine unlearning effectiveness.
ਸ਼ੈਡੋ ਮਾਡਲ (Shadow Model) – ਇੱਕ ਮਾਡਲ ਜਿਸ ਨੂੰ ਹਮਲਾਵਰ ਕਿਸੇ ਨਿਸ਼ਾਨਾ ਮਾਡਲ ਦੇ ਵਿਵਹਾਰ ਦੀ ਨਕਲ ਕਰਨ ਲਈ ਸਿਖਲਾਈ ਦਿੰਦਾ ਹੈ; ਇਹ membership inference ਹਮਲਿਆਂ ਵਿੱਚ ਅਤੇ ਮਸ਼ੀਨ ਅਨਲਰਨਿੰਗ ਦੀ ਕਾਰਗਰਤਾ ਦੇ ਮੁਲਾਂਕਣ ਲਈ ਬੇਸਲਾਈਨ ਵਜੋਂ ਵਰਤਿਆ ਜਾਂਦਾ ਹੈ।
SHAP (SHapley Additive exPlanations) – A game theoretic approach to explain the output of any machine learning model by computing the contribution of each feature to the prediction.
SHAP (SHapley Additive exPlanations) – ਕਿਸੇ ਵੀ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਮਾਡਲ ਦੇ ਆਊਟਪੁੱਟ ਦੀ ਵਿਆਖਿਆ ਕਰਨ ਦੀ ਇੱਕ ਖੇਡ-ਸਿਧਾਂਤਕ ਪਹੁੰਚ-ਵਿਧੀ, ਜਿਸ ਵਿੱਚ ਪੂਰਵ-ਅਨੁਮਾਨ ਵਿੱਚ ਹਰ ਫ਼ੀਚਰ ਦੇ ਯੋਗਦਾਨ ਦੀ ਗਣਨਾ ਕੀਤੀ ਜਾਂਦੀ ਹੈ।
Side-Channel Attack – An attack that extracts information from a system through indirect observation of physical characteristics such as timing, power consumption, electromagnetic emissions, or cache behavior, rather than exploiting software vulnerabilities.
ਸਾਈਡ-ਚੈਨਲ ਹਮਲਾ (Side-Channel Attack) – ਇੱਕ ਅਜਿਹਾ ਹਮਲਾ ਜੋ ਸਾਫ਼ਟਵੇਅਰ ਕਮਜ਼ੋਰੀਆਂ ਦਾ ਸ਼ੋਸ਼ਣ ਕਰਨ ਦੀ ਬਜਾਏ ਭੌਤਿਕ ਲੱਛਣਾਂ — ਜਿਵੇਂ ਸਮਾਂ-ਵਿਹਾਰ, ਬਿਜਲੀ ਦੀ ਖਪਤ, ਬਿਜਲ-ਚੁੰਬਕੀ ਨਿਕਾਸ, ਜਾਂ ਕੈਸ਼ ਵਿਵਹਾਰ — ਦੇ ਅਸਿੱਧੇ ਨਿਰੀਖਣ ਰਾਹੀਂ ਸਿਸਟਮ ਵਿੱਚੋਂ ਜਾਣਕਾਰੀ ਕੱਢ ਲੈਂਦਾ ਹੈ।
SIEM (Security Information and Event Management) – A platform that aggregates, correlates, and analyzes security event data from multiple sources to detect threats, support incident response, and satisfy compliance requirements.
SIEM (Security Information and Event Management) – ਇੱਕ ਪਲੇਟਫ਼ਾਰਮ ਜੋ ਕਈ ਸਰੋਤਾਂ ਤੋਂ ਸੁਰੱਖਿਆ ਘਟਨਾ ਡਾਟੇ ਨੂੰ ਇਕੱਠਾ ਕਰਦਾ, ਉਸ ਦਾ ਸਹਿ-ਸੰਬੰਧ ਜੋੜਦਾ, ਅਤੇ ਵਿਸ਼ਲੇਸ਼ਣ ਕਰਦਾ ਹੈ, ਤਾਂ ਜੋ ਖ਼ਤਰਿਆਂ ਦਾ ਪਤਾ ਲਗਾਇਆ ਜਾ ਸਕੇ, ਘਟਨਾ ਪ੍ਰਤੀਕਿਰਿਆ ਦਾ ਸਮਰਥਨ ਹੋ ਸਕੇ, ਅਤੇ ਪਾਲਣਾ ਲੋੜਾਂ ਪੂਰੀਆਂ ਹੋ ਸਕਣ।
SLSA (Supply-chain Levels for Software Artifacts) – A security framework defining incremental levels of supply chain integrity guarantees, from basic build-process documentation to fully reproducible, hermetically sealed builds with authenticated artifact provenance. Referenced by AISVS for AI model and artifact supply chain controls.
SLSA (Supply-chain Levels for Software Artifacts) – ਇੱਕ ਸੁਰੱਖਿਆ ਫ੍ਰੇਮਵਰਕ ਜੋ ਸਪਲਾਈ ਚੇਨ ਅਖੰਡਤਾ ਦੀਆਂ ਗਾਰੰਟੀਆਂ ਦੇ ਵਧਦੇ ਪੱਧਰ ਪਰਿਭਾਸ਼ਿਤ ਕਰਦਾ ਹੈ — ਮੁੱਢਲੇ ਬਿਲਡ-ਪ੍ਰਕਿਰਿਆ ਦਸਤਾਵੇਜ਼ੀਕਰਨ ਤੋਂ ਲੈ ਕੇ ਪ੍ਰਮਾਣੀਕ੍ਰਿਤ ਆਰਟੀਫ਼ੈਕਟ ਮੂਲ-ਸਰੋਤ ਵਾਲੇ ਪੂਰੀ ਤਰ੍ਹਾਂ ਦੁਹਰਾਉਣਯੋਗ, ਪੂਰੀ ਤਰ੍ਹਾਂ ਸੀਲਬੰਦ ਬਿਲਡਾਂ ਤੱਕ। AISVS ਇਸ ਦਾ ਹਵਾਲਾ AI ਮਾਡਲ ਅਤੇ ਆਰਟੀਫ਼ੈਕਟ ਸਪਲਾਈ ਚੇਨ ਨਿਯੰਤਰਣਾਂ ਲਈ ਦਿੰਦਾ ਹੈ।
SOC (Security Operations Center) – A team or facility responsible for monitoring, detecting, analyzing, and responding to security incidents. In AISVS, SOC teams consume AI security event logs for correlation, triage, and incident response.
SOC (Security Operations Center) – ਇੱਕ ਟੀਮ ਜਾਂ ਸਹੂਲਤ ਜੋ ਸੁਰੱਖਿਆ ਘਟਨਾਵਾਂ ਦੀ ਨਿਗਰਾਨੀ, ਪਛਾਣ, ਵਿਸ਼ਲੇਸ਼ਣ, ਅਤੇ ਉਹਨਾਂ ਪ੍ਰਤੀ ਪ੍ਰਤੀਕਿਰਿਆ ਲਈ ਜ਼ਿੰਮੇਵਾਰ ਹੁੰਦੀ ਹੈ। AISVS ਵਿੱਚ SOC ਟੀਮਾਂ ਸਹਿ-ਸੰਬੰਧ, ਛਾਂਟੀ, ਅਤੇ ਘਟਨਾ ਪ੍ਰਤੀਕਿਰਿਆ ਲਈ AI ਸੁਰੱਖਿਆ ਘਟਨਾ ਲੌਗ ਵਰਤਦੀਆਂ ਹਨ।
SPDX (Software Package Data Exchange) – An open standard for communicating software and AI component bill of materials information, including component origin, licensing, and security references.
SPDX (Software Package Data Exchange) – ਸਾਫ਼ਟਵੇਅਰ ਅਤੇ AI ਕੰਪੋਨੈਂਟ ਬਿਲ ਆਫ਼ ਮਟੀਰੀਅਲਜ਼ ਦੀ ਜਾਣਕਾਰੀ ਸੰਚਾਰਿਤ ਕਰਨ ਲਈ ਇੱਕ ਖੁੱਲ੍ਹਾ ਮਿਆਰ, ਜਿਸ ਵਿੱਚ ਕੰਪੋਨੈਂਟ ਦਾ ਮੂਲ, ਲਾਇਸੰਸਿੰਗ, ਅਤੇ ਸੁਰੱਖਿਆ ਹਵਾਲੇ ਸ਼ਾਮਲ ਹਨ।
SSE (Server-Sent Events) – A web technology that enables a server to push real-time updates to a client over an HTTP connection, used as a transport mechanism in MCP.
SSE (Server-Sent Events) – ਇੱਕ ਵੈੱਬ ਤਕਨਾਲੋਜੀ ਜੋ ਸਰਵਰ ਨੂੰ HTTP ਕਨੈਕਸ਼ਨ ਉੱਤੇ ਕਲਾਇੰਟ ਵੱਲ ਤਤਕਾਲ ਅੱਪਡੇਟ ਭੇਜਣ ਦਿੰਦੀ ਹੈ; ਇਹ MCP ਵਿੱਚ ਟ੍ਰਾਂਸਪੋਰਟ ਵਿਧੀ ਵਜੋਂ ਵਰਤੀ ਜਾਂਦੀ ਹੈ।
stdio (Standard Input/Output) – A process communication mechanism using standard input, output, and error streams, used in MCP as a local-only transport restricted to single-process, same-machine communication.
stdio (Standard Input/Output) – ਮਿਆਰੀ ਇਨਪੁੱਟ, ਆਊਟਪੁੱਟ, ਅਤੇ ਗਲਤੀ ਧਾਰਾਵਾਂ ਵਰਤਣ ਵਾਲੀ ਇੱਕ ਪ੍ਰਕਿਰਿਆ-ਸੰਚਾਰ ਵਿਧੀ, ਜੋ MCP ਵਿੱਚ ਸਿਰਫ਼-ਸਥਾਨਕ ਟ੍ਰਾਂਸਪੋਰਟ ਵਜੋਂ ਵਰਤੀ ਜਾਂਦੀ ਹੈ ਅਤੇ ਇੱਕੋ-ਪ੍ਰਕਿਰਿਆ, ਇੱਕੋ-ਮਸ਼ੀਨ ਸੰਚਾਰ ਤੱਕ ਸੀਮਤ ਹੈ।
Steganography – The practice of hiding data within other media (images, audio, video) in a way that is not apparent to observers, used as an attack vector to smuggle payloads past content filters.
ਸਟੈਗਨੋਗ੍ਰਾਫ਼ੀ (Steganography) – ਡਾਟੇ ਨੂੰ ਹੋਰ ਮੀਡੀਆ (ਚਿੱਤਰ, ਆਡੀਓ, ਵੀਡੀਓ) ਦੇ ਅੰਦਰ ਇਸ ਢੰਗ ਨਾਲ ਲੁਕਾਉਣ ਦਾ ਅਭਿਆਸ ਕਿ ਵੇਖਣ ਵਾਲਿਆਂ ਨੂੰ ਪਤਾ ਨਾ ਲੱਗੇ; ਇਸ ਨੂੰ ਸਮੱਗਰੀ ਫ਼ਿਲਟਰਾਂ ਤੋਂ ਪਾਰ ਪੇਲੋਡ ਤਸਕਰੀ ਕਰਨ ਦੇ ਹਮਲਾ-ਰਾਹ ਵਜੋਂ ਵਰਤਿਆ ਜਾਂਦਾ ਹੈ।
Strong Authentication – Authentication that resists credential theft and replay by requiring at least two factors (knowledge, possession, inherence) and phishing-resistant mechanisms such as FIDO2/WebAuthn, certificate-based service auth, or short-lived tokens.
ਮਜ਼ਬੂਤ ਪ੍ਰਮਾਣੀਕਰਨ (Strong Authentication) – ਅਜਿਹਾ ਪ੍ਰਮਾਣੀਕਰਨ ਜੋ ਘੱਟੋ-ਘੱਟ ਦੋ ਕਾਰਕਾਂ (ਗਿਆਨ, ਕਬਜ਼ਾ, ਅੰਤਰ-ਨਿਹਿਤ ਗੁਣ) ਅਤੇ phishing-ਰੋਧਕ ਵਿਧੀਆਂ — ਜਿਵੇਂ FIDO2/WebAuthn, ਸਰਟੀਫ਼ਿਕੇਟ-ਆਧਾਰਿਤ ਸੇਵਾ ਪ੍ਰਮਾਣੀਕਰਨ, ਜਾਂ ਥੋੜ੍ਹੇ ਸਮੇਂ ਵਾਲੇ ਟੋਕਨ — ਦੀ ਲੋੜ ਰੱਖ ਕੇ ਕ੍ਰੈਡੈਂਸ਼ੀਅਲ ਚੋਰੀ ਅਤੇ replay ਦਾ ਵਿਰੋਧ ਕਰਦਾ ਹੈ।
Supply Chain Attack – Compromising a system by targeting less-secure elements in its supply chain, such as third-party libraries, datasets, or pre-trained models.
ਸਪਲਾਈ ਚੇਨ ਹਮਲਾ (Supply Chain Attack) – ਕਿਸੇ ਸਿਸਟਮ ਦੀ ਸਪਲਾਈ ਚੇਨ ਦੇ ਘੱਟ ਸੁਰੱਖਿਅਤ ਹਿੱਸਿਆਂ — ਜਿਵੇਂ ਤੀਜੀ-ਧਿਰ ਦੀਆਂ ਲਾਇਬ੍ਰੇਰੀਆਂ, ਡਾਟਾਸੈੱਟ, ਜਾਂ ਪਹਿਲਾਂ-ਸਿਖਲਾਈ-ਪ੍ਰਾਪਤ ਮਾਡਲ — ਨੂੰ ਨਿਸ਼ਾਨਾ ਬਣਾ ਕੇ ਉਸ ਸਿਸਟਮ ਨੂੰ ਭੰਗ ਕਰਨਾ।
Synthetic Data – Artificially generated data that preserves the statistical properties of real data while containing no actual individual records, used to protect privacy during model training and testing.
ਸਿੰਥੈਟਿਕ ਡਾਟਾ (Synthetic Data) – ਬਣਾਉਟੀ ਢੰਗ ਨਾਲ ਤਿਆਰ ਕੀਤਾ ਡਾਟਾ ਜੋ ਅਸਲ ਡਾਟੇ ਦੇ ਅੰਕੜਾ-ਗੁਣ ਬਰਕਰਾਰ ਰੱਖਦਾ ਹੈ ਪਰ ਜਿਸ ਵਿੱਚ ਕੋਈ ਅਸਲੀ ਵਿਅਕਤੀਗਤ ਰਿਕਾਰਡ ਨਹੀਂ ਹੁੰਦਾ; ਇਹ ਮਾਡਲ ਸਿਖਲਾਈ ਅਤੇ ਟੈਸਟਿੰਗ ਦੌਰਾਨ ਨਿੱਜਤਾ ਦੀ ਰਾਖੀ ਲਈ ਵਰਤਿਆ ਜਾਂਦਾ ਹੈ।
System Prompt – Instructions supplied to a model by the application or developer that establish its role, constraints, and policies, separate from user input. System prompt content is sensitive: disclosure can reveal guardrails and aid evasion, so AISVS requires output filters to block its leakage. See also: Prompt Template, Context Window.
system prompt – ਉਹ ਹਦਾਇਤਾਂ ਜੋ ਐਪਲੀਕੇਸ਼ਨ ਜਾਂ ਵਿਕਾਸਕਾਰ ਵੱਲੋਂ ਮਾਡਲ ਨੂੰ ਦਿੱਤੀਆਂ ਜਾਂਦੀਆਂ ਹਨ ਅਤੇ ਜੋ ਉਸ ਦੀ ਭੂਮਿਕਾ, ਪਾਬੰਦੀਆਂ, ਅਤੇ ਨੀਤੀਆਂ ਤੈਅ ਕਰਦੀਆਂ ਹਨ; ਇਹ ਉਪਭੋਗਤਾ ਇਨਪੁੱਟ ਤੋਂ ਵੱਖਰੀਆਂ ਹੁੰਦੀਆਂ ਹਨ। system prompt ਦੀ ਸਮੱਗਰੀ ਸੰਵੇਦਨਸ਼ੀਲ ਹੁੰਦੀ ਹੈ: ਇਸ ਦਾ ਖੁਲਾਸਾ ਗਾਰਡਰੇਲਾਂ ਨੂੰ ਜ਼ਾਹਰ ਕਰ ਸਕਦਾ ਹੈ ਅਤੇ ਬਚ ਨਿਕਲਣ ਵਿੱਚ ਮਦਦ ਕਰ ਸਕਦਾ ਹੈ, ਇਸ ਲਈ AISVS ਦੀ ਲੋੜ ਹੈ ਕਿ ਆਊਟਪੁੱਟ ਫ਼ਿਲਟਰ ਇਸ ਦੀ ਲੀਕੇਜ ਰੋਕਣ। ਇਹ ਵੀ ਵੇਖੋ: Prompt Template, Context Window।
TEE (Trusted Execution Environment) – A hardware-isolated processing environment that provides confidentiality and integrity guarantees for code and data, protecting them from the host operating system and other tenants.
TEE (ਭਰੋਸੇਯੋਗ ਐਗਜ਼ੀਕਿਊਸ਼ਨ ਵਾਤਾਵਰਣ) – ਇੱਕ ਹਾਰਡਵੇਅਰ-ਪੱਧਰ 'ਤੇ ਅਲੱਗ-ਥਲੱਗ ਕੀਤਾ ਪ੍ਰਕਿਰਿਆ ਵਾਤਾਵਰਣ ਜੋ ਕੋਡ ਅਤੇ ਡਾਟੇ ਲਈ ਗੁਪਤਤਾ ਅਤੇ ਅਖੰਡਤਾ ਦੀਆਂ ਗਾਰੰਟੀਆਂ ਦਿੰਦਾ ਹੈ, ਅਤੇ ਉਹਨਾਂ ਨੂੰ ਹੋਸਟ ਓਪਰੇਟਿੰਗ ਸਿਸਟਮ ਅਤੇ ਹੋਰ ਟੈਨੈਂਟਾਂ ਤੋਂ ਸੁਰੱਖਿਅਤ ਰੱਖਦਾ ਹੈ।
Temperature Scaling – A post-hoc calibration technique that adjusts model output confidence scores to better reflect true prediction probabilities.
ਟੈਂਪਰੇਚਰ ਸਕੇਲਿੰਗ (Temperature Scaling) – ਇੱਕ ਉਪਰੰਤ-ਲਾਗੂ (post-hoc) ਕੈਲੀਬ੍ਰੇਸ਼ਨ ਤਕਨੀਕ ਜੋ ਮਾਡਲ ਦੇ ਆਊਟਪੁੱਟ ਭਰੋਸਾ ਸਕੋਰਾਂ ਨੂੰ ਇਸ ਤਰ੍ਹਾਂ ਵਿਵਸਥਿਤ ਕਰਦੀ ਹੈ ਕਿ ਉਹ ਅਸਲ ਪੂਰਵ-ਅਨੁਮਾਨ ਸੰਭਾਵਨਾਵਾਂ ਨੂੰ ਬਿਹਤਰ ਢੰਗ ਨਾਲ ਦਰਸਾਉਣ।
TLS (Transport Layer Security) – A cryptographic protocol that provides end-to-end encryption, authentication, and integrity for data transmitted over a network. AISVS requires TLS 1.3 or later.
TLS (Transport Layer Security) – ਇੱਕ ਕ੍ਰਿਪਟੋਗ੍ਰਾਫ਼ਿਕ ਪ੍ਰੋਟੋਕੋਲ ਜੋ ਨੈੱਟਵਰਕ ਉੱਤੇ ਭੇਜੇ ਜਾਂਦੇ ਡਾਟੇ ਲਈ ਸਿਰੇ-ਤੋਂ-ਸਿਰੇ ਏਨਕ੍ਰਿਪਸ਼ਨ, ਪ੍ਰਮਾਣੀਕਰਨ, ਅਤੇ ਅਖੰਡਤਾ ਦਿੰਦਾ ਹੈ। AISVS ਦੀ ਲੋੜ ਹੈ ਕਿ TLS 1.3 ਜਾਂ ਉਸ ਤੋਂ ਬਾਅਦ ਵਾਲਾ ਵਰਜ਼ਨ ਵਰਤਿਆ ਜਾਵੇ।
Tokenizer – A component that converts raw text into a sequence of tokens (subwords, words, or characters) that a language model can process as input.
ਟੋਕਨਾਈਜ਼ਰ (Tokenizer) – ਇੱਕ ਕੰਪੋਨੈਂਟ ਜੋ ਕੱਚੀ ਲਿਖਤ ਨੂੰ ਟੋਕਨਾਂ (ਉਪ-ਸ਼ਬਦ, ਸ਼ਬਦ, ਜਾਂ ਅੱਖਰ) ਦੀ ਲੜੀ ਵਿੱਚ ਬਦਲ ਦਿੰਦਾ ਹੈ, ਜਿਸ ਨੂੰ ਕੋਈ ਭਾਸ਼ਾ ਮਾਡਲ ਇਨਪੁੱਟ ਵਜੋਂ ਪ੍ਰਕਿਰਿਆ ਕਰ ਸਕਦਾ ਹੈ।
TPM (Trusted Platform Module) – A dedicated hardware chip that provides cryptographic functions including secure key generation, storage, and platform integrity measurement.
TPM (Trusted Platform Module) – ਇੱਕ ਸਮਰਪਿਤ ਹਾਰਡਵੇਅਰ ਚਿੱਪ ਜੋ ਕ੍ਰਿਪਟੋਗ੍ਰਾਫ਼ਿਕ ਫ਼ੰਕਸ਼ਨ ਦਿੰਦੀ ਹੈ, ਜਿਸ ਵਿੱਚ ਸੁਰੱਖਿਅਤ ਕੁੰਜੀ ਤਿਆਰੀ, ਭੰਡਾਰਨ, ਅਤੇ ਪਲੇਟਫ਼ਾਰਮ ਅਖੰਡਤਾ ਮਾਪ ਸ਼ਾਮਲ ਹਨ।
Transfer Learning – A technique where a model developed for one task is reused as the starting point for a model on a second task.
ਟ੍ਰਾਂਸਫ਼ਰ ਲਰਨਿੰਗ (Transfer Learning) – ਇੱਕ ਤਕਨੀਕ ਜਿਸ ਵਿੱਚ ਕਿਸੇ ਇੱਕ ਕਾਰਜ ਲਈ ਵਿਕਸਿਤ ਕੀਤਾ ਮਾਡਲ ਕਿਸੇ ਦੂਜੇ ਕਾਰਜ ਦੇ ਮਾਡਲ ਦੇ ਸ਼ੁਰੂਆਤੀ ਬਿੰਦੂ ਵਜੋਂ ਮੁੜ ਵਰਤਿਆ ਜਾਂਦਾ ਹੈ।
Trust Boundary – A point where data or control passes between zones that hold different levels of trust, such as from untrusted external input to a more privileged internal component. Flows crossing a trust boundary should be validated, authorized, and monitored, and content entering a higher-trust zone should be treated as untrusted until checked.
ਭਰੋਸਾ ਸੀਮਾ (Trust Boundary) – ਉਹ ਬਿੰਦੂ ਜਿੱਥੇ ਡਾਟਾ ਜਾਂ ਨਿਯੰਤਰਣ ਵੱਖ-ਵੱਖ ਭਰੋਸਾ ਪੱਧਰਾਂ ਵਾਲੇ ਖੇਤਰਾਂ ਵਿਚਕਾਰ ਲੰਘਦਾ ਹੈ, ਜਿਵੇਂ ਗ਼ੈਰ-ਭਰੋਸੇਯੋਗ ਬਾਹਰੀ ਇਨਪੁੱਟ ਤੋਂ ਕਿਸੇ ਵਧੇਰੇ ਵਿਸ਼ੇਸ਼-ਅਧਿਕਾਰ ਪ੍ਰਾਪਤ ਅੰਦਰੂਨੀ ਕੰਪੋਨੈਂਟ ਵੱਲ। ਭਰੋਸਾ ਸੀਮਾ ਪਾਰ ਕਰਨ ਵਾਲੇ ਵਹਾਵਾਂ ਨੂੰ ਪ੍ਰਮਾਣਿਤ, ਅਧਿਕਾਰਤ, ਅਤੇ ਨਿਗਰਾਨੀ ਅਧੀਨ ਕੀਤਾ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ, ਅਤੇ ਉੱਚ-ਭਰੋਸਾ ਖੇਤਰ ਵਿੱਚ ਦਾਖ਼ਲ ਹੋਣ ਵਾਲੀ ਸਮੱਗਰੀ ਨੂੰ ਜਾਂਚ ਹੋਣ ਤੱਕ ਗ਼ੈਰ-ਭਰੋਸੇਯੋਗ ਹੀ ਮੰਨਿਆ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ।
Vector Database – A specialized database designed to store high-dimensional vectors (embeddings) and perform efficient similarity searches.
ਵੈਕਟਰ ਡਾਟਾਬੇਸ (Vector Database) – ਇੱਕ ਵਿਸ਼ੇਸ਼ ਡਾਟਾਬੇਸ ਜੋ ਬਹੁ-ਆਯਾਮੀ ਵੈਕਟਰਾਂ (embeddings) ਨੂੰ ਸਾਂਭਣ ਅਤੇ ਕਾਰਗਰ ਸਮਾਨਤਾ ਖੋਜਾਂ ਕਰਨ ਲਈ ਬਣਾਇਆ ਗਿਆ ਹੈ।
VRAM (Video Random Access Memory) – Memory on a GPU used to store model weights, activations, and intermediate computations during AI inference and training, requiring zeroing between tenant workloads.
VRAM (Video Random Access Memory) – GPU ਉੱਤੇ ਮੌਜੂਦ ਮੈਮੋਰੀ ਜੋ AI ਇਨਫ਼ਰੈਂਸ ਅਤੇ ਸਿਖਲਾਈ ਦੌਰਾਨ ਮਾਡਲ ਵੇਟਸ, ਐਕਟੀਵੇਸ਼ਨਾਂ, ਅਤੇ ਵਿਚਕਾਰਲੀਆਂ ਗਣਨਾਵਾਂ ਸਾਂਭਣ ਲਈ ਵਰਤੀ ਜਾਂਦੀ ਹੈ; ਟੈਨੈਂਟ ਵਰਕਲੋਡਾਂ ਵਿਚਕਾਰ ਇਸ ਨੂੰ ਜ਼ੀਰੋ ਕਰਨਾ ਲਾਜ਼ਮੀ ਹੈ।
Vulnerability Scanning – Automated tools that identify known security vulnerabilities in software components, including AI frameworks and dependencies.
ਕਮਜ਼ੋਰੀ ਸਕੈਨਿੰਗ (Vulnerability Scanning) – ਸਵੈਚਲਿਤ ਟੂਲ ਜੋ ਸਾਫ਼ਟਵੇਅਰ ਕੰਪੋਨੈਂਟਾਂ ਵਿੱਚ, AI ਫ੍ਰੇਮਵਰਕਾਂ ਅਤੇ ਡਿਪੈਂਡੈਂਸੀਆਂ ਸਮੇਤ, ਜਾਣੀਆਂ-ਪਛਾਣੀਆਂ ਸੁਰੱਖਿਆ ਕਮਜ਼ੋਰੀਆਂ ਦੀ ਪਛਾਣ ਕਰਦੇ ਹਨ।
WASM (WebAssembly) – A portable binary instruction format that enables sandboxed execution of code, used as an isolation mechanism for AI tools and plugins.
WASM (WebAssembly) – ਇੱਕ ਪੋਰਟੇਬਲ ਬਾਈਨਰੀ ਹਦਾਇਤ ਫ਼ਾਰਮੈਟ ਜੋ ਕੋਡ ਦਾ ਸੈਂਡਬਾਕਸ ਕੀਤਾ ਐਗਜ਼ੀਕਿਊਸ਼ਨ ਸੰਭਵ ਬਣਾਉਂਦਾ ਹੈ; ਇਹ AI ਟੂਲਾਂ ਅਤੇ ਪਲੱਗਇਨਾਂ ਲਈ ਅਲੱਗ-ਥਲੱਗ ਕਰਨ ਦੀ ਵਿਧੀ ਵਜੋਂ ਵਰਤਿਆ ਜਾਂਦਾ ਹੈ।
Watermarking – Techniques to embed imperceptible markers in AI-generated content or model weights to track origin, detect unauthorized copies, or identify AI-generated media.
ਵਾਟਰਮਾਰਕਿੰਗ (Watermarking) – ਉਹ ਤਕਨੀਕਾਂ ਜੋ AI ਦੁਆਰਾ ਤਿਆਰ ਸਮੱਗਰੀ ਜਾਂ ਮਾਡਲ ਵੇਟਸ ਵਿੱਚ ਅਣਦਿਸਦੇ ਨਿਸ਼ਾਨ ਜੜ ਦਿੰਦੀਆਂ ਹਨ, ਤਾਂ ਜੋ ਮੂਲ ਦੀ ਟਰੈਕਿੰਗ ਹੋ ਸਕੇ, ਅਣਅਧਿਕਾਰਤ ਨਕਲਾਂ ਦਾ ਪਤਾ ਲੱਗ ਸਕੇ, ਜਾਂ AI ਦੁਆਰਾ ਤਿਆਰ ਮੀਡੀਆ ਦੀ ਪਛਾਣ ਹੋ ਸਕੇ।
WORM (Write-Once-Read-Many) – A storage technology that prevents modification or deletion of data after it is written, used for tamper-evident audit logs and backup protection.
WORM (Write-Once-Read-Many) – ਇੱਕ ਭੰਡਾਰਨ ਤਕਨਾਲੋਜੀ ਜੋ ਡਾਟਾ ਲਿਖੇ ਜਾਣ ਤੋਂ ਬਾਅਦ ਉਸ ਦੀ ਸੋਧ ਜਾਂ ਮਿਟਾਈ ਨੂੰ ਰੋਕਦੀ ਹੈ; ਇਹ ਛੇੜਛਾੜ-ਪ੍ਰਗਟ ਆਡਿਟ ਲੌਗਾਂ ਅਤੇ ਬੈਕਅੱਪ ਸੁਰੱਖਿਆ ਲਈ ਵਰਤੀ ਜਾਂਦੀ ਹੈ।
Zero-Day Vulnerability – A previously unknown vulnerability that attackers can exploit before developers create and deploy a patch.
ਜ਼ੀਰੋ-ਡੇ ਕਮਜ਼ੋਰੀ (Zero-Day Vulnerability) – ਇੱਕ ਪਹਿਲਾਂ ਤੋਂ ਅਣਜਾਣ ਕਮਜ਼ੋਰੀ ਜਿਸ ਦਾ ਹਮਲਾਵਰ ਉਦੋਂ ਸ਼ੋਸ਼ਣ ਕਰ ਸਕਦੇ ਹਨ ਜਦੋਂ ਤੱਕ ਵਿਕਾਸਕਾਰ ਪੈਚ ਬਣਾ ਕੇ ਤੈਨਾਤ ਨਹੀਂ ਕਰ ਦਿੰਦੇ।
Zero Standing Privilege (ZSP) – A security principle requiring that no user, service account, or agent holds persistent elevated permissions. All privileged access is granted just in time for a specific task, scoped to the minimum necessary rights, and automatically revoked after a defined maximum session duration or upon task completion.
Zero Standing Privilege (ZSP) – ਇੱਕ ਸੁਰੱਖਿਆ ਅਸੂਲ ਜਿਸ ਅਨੁਸਾਰ ਕਿਸੇ ਵੀ ਉਪਭੋਗਤਾ, ਸੇਵਾ ਖਾਤੇ, ਜਾਂ ਏਜੰਟ ਕੋਲ ਸਥਾਈ ਉੱਚੀਆਂ ਇਜਾਜ਼ਤਾਂ ਨਹੀਂ ਹੋਣੀਆਂ ਚਾਹੀਦੀਆਂ। ਸਾਰੀ ਵਿਸ਼ੇਸ਼-ਅਧਿਕਾਰ ਪ੍ਰਾਪਤ ਪਹੁੰਚ ਕਿਸੇ ਖ਼ਾਸ ਕਾਰਜ ਲਈ ਸਿਰਫ਼ ਲੋੜ ਪੈਣ 'ਤੇ ਹੀ (just in time) ਦਿੱਤੀ ਜਾਂਦੀ ਹੈ, ਘੱਟੋ-ਘੱਟ ਲੋੜੀਂਦੇ ਹੱਕਾਂ ਤੱਕ ਦਾਇਰਾ-ਬੱਧ ਰੱਖੀ ਜਾਂਦੀ ਹੈ, ਅਤੇ ਇੱਕ ਪਰਿਭਾਸ਼ਿਤ ਵੱਧ ਤੋਂ ਵੱਧ ਸੈਸ਼ਨ ਮਿਆਦ ਪਿੱਛੋਂ ਜਾਂ ਕਾਰਜ ਪੂਰਾ ਹੋਣ 'ਤੇ ਆਪਣੇ-ਆਪ ਵਾਪਸ ਲੈ ਲਈ ਜਾਂਦੀ ਹੈ।
Zero-Trust – A security model that assumes no implicit trust for any user, device, or network, requiring continuous verification of identity and authorization for every access request.
Zero-Trust – ਇੱਕ ਸੁਰੱਖਿਆ ਮਾਡਲ ਜੋ ਕਿਸੇ ਵੀ ਉਪਭੋਗਤਾ, ਯੰਤਰ, ਜਾਂ ਨੈੱਟਵਰਕ ਲਈ ਕੋਈ ਅਪ੍ਰਤੱਖ ਭਰੋਸਾ ਨਹੀਂ ਮੰਨਦਾ, ਅਤੇ ਹਰ ਪਹੁੰਚ ਬੇਨਤੀ ਲਈ ਪਛਾਣ ਅਤੇ ਅਧਿਕਾਰੀਕਰਨ ਦੀ ਲਗਾਤਾਰ ਤਸਦੀਕ ਲਾਜ਼ਮੀ ਕਰਦਾ ਹੈ।

← Previous: C12 Monitoring, Logging & Anomaly Detection (C12 ਨਿਗਰਾਨੀ, ਲੌਗਿੰਗ ਅਤੇ ਅਸਧਾਰਨਤਾ ਪਛਾਣ) | Back to Review Hub | Next: Appendix B: AI Security Controls Inventory (ਅੰਤਿਕਾ B: AI ਸੁਰੱਖਿਆ ਨਿਯੰਤਰਣ ਇਨਵੈਂਟਰੀ) →

Tags