Une liste soigneusement sélectionnée d'outils et de ressources MLSecOps pour sécuriser les systèmes d'apprentissage automatique et d'IA - défense ML adversaire, sécurité LLM, red teaming IA, scan de modèles, protection de la chaîne d'approvisionnement, et sécurité des pipelines MLOps.
Explorez une collection d'outils et de ressources pour sécuriser les systèmes IA tout au long de leur développement et de leur utilisation.
Revendiquez sa page : indexée quel que soit son rang, traduite en six langues, et enrichie de vos propres mots.
Recevez une alerte par e-mail à sa prochaine version ou quand il décolle — ne ratez plus rien.
Gratuit · sans carte · désinscription à tout momentUne liste soigneusement sélectionnée d'outils et de ressources MLSecOps pour sécuriser les systèmes d'apprentissage automatique et d'IA - défense ML adversaire, sécurité LLM, red teaming IA, scan de modèles, protection de la chaîne d'approvisionnement, et sécurité des pipelines MLOps.
awesome-MLSecOps compte 460 étoiles sur GitHub. Il a été forké 99 fois. awesome-MLSecOps est écrit principalement en Astro. Il est développé activement depuis 2023. awesome-MLSecOps est disponible sous licence MIT. Ses principaux thèmes sont : adversarial-machine-learning, agentic-security, ai-agents, ai-governance.
Une liste soigneusement sélectionnée d'outils et de ressources MLSecOps pour sécuriser les systèmes d'apprentissage automatique et d'IA - défense ML adversaire, sécurité LLM, red teaming IA, scan de modèles, protection de la chaîne d'approvisionnement, et sécurité des pipelines MLOps.
awesome-MLSecOps est un projet open source. Il est distribué sous licence MIT.
Oui. awesome-MLSecOps est gratuit et open source — vous pouvez l'utiliser, le modifier et l'héberger vous-même.
awesome-MLSecOps est disponible sous licence MIT.
awesome-MLSecOps est écrit principalement en Astro.
Ajoutez ce badge en direct à votre README — vos étoiles GitHub et votre classement dans le répertoire, actualisés quotidiennement.
[](https://olud.ai/project/riccardobiosas-awesome-mlsecops.html)
Mesuré à partir des topics GitHub communs aux deux projets, pondérés par leur rareté.