AI Governance, Compliance, and Security for Enterprise Leaders - Plan Szkolenia

To szkolenie prowadzone przez instruktora, dostępne online lub na miejscu, jest skierowane do osób na poziomie początkującego / średniozaawansowanego / zaawansowanego ___ którzy chcą wykorzystać ___ do ___.

Po zakończeniu tego szkolenia uczestnicy będą w stanie:

• Zainstalować i skonfigurować ___.
• ___. 
• ___. 
• ___. 

To szkolenie prowadzone przez instruktora w Polsce (online lub na miejscu) jest skierowane do developerów, architektów i menedżerów produktów AI na poziomie średniozaawansowanym do zaawansowanym, którzy chcą identyfikować i minimalizować ryzyka związane z aplikacjami napędzanymi przez duże modele językowe (LLM), w tym wstrzykiwanie promptów, wycieki danych i niefiltrowane wyjścia, jednocześnie wdrażając kontrole bezpieczeństwa takie jak walidacja wejścia, nadzór człowieka w pętli oraz ograniczniki wyjścia.

Po zakończeniu tego szkolenia uczestnicy będą w stanie:

• Rozumieć podstawowe podatności systemów opartych na LLM.
• Zastosować zasady projektowania bezpiecznego do architektury aplikacji LLM.
• Używać narzędzi takich jak Guardrails AI i LangChain do walidacji, filtrowania i bezpieczeństwa.
• Integrować techniki takie jak sandboxing, red teaming i recenzja człowieka w pętli do linii montażowych produkcyjnych.

To szkolenie prowadzone przez instruktora w Polsce (online lub na miejscu) jest skierowane do początkujących specjalistów ds. bezpieczeństwa IT, ryzyka i zgodności, którzy chcą poznać podstawowe pojęcia bezpieczeństwa AI, wektory zagrożeń i globalne ramy, takie jak NIST AI RMF i ISO/IEC 42001.

Po zakończeniu tego szkolenia uczestnicy będą w stanie:

• Zrozumieć unikalne ryzyka bezpieczeństwa wprowadzane przez systemy AI.
• Wyidentyfikować wektory zagrożeń, takie jak ataki przeciwnika, zanieczyszczenie danych i odwracanie modeli.
• Zastosować podstawowe modele zarządzania, takie jak Ramy NIST AI Risk Management.
• Dopasować użycie AI do nowych standardów, wytycznych zgodności i zasad etycznych.

• Rozumieć i porównywać kluczowe techniki ochrony prywatności w ML.
• Wdrażać systemy federated learning z użyciem otwartych frameworków.
• Zastosować differential privacy do bezpiecznego udostępniania danych i trenowania modeli.
• Wykorzystywać techniki szyfrowania i bezpiecznych obliczeń do ochrony wejść i wyjść modelu.

To szkolenie prowadzone przez instruktora w Polsce (online lub na miejscu) jest przeznaczone dla zaawansowanych profesjonalistów z dziedziny bezpieczeństwa i specjalistów ML, którzy chcą symulować ataki na systemy AI, odkrywać luki i wzmocnić odporność wdrożonych modeli AI.

Po zakończeniu tego szkolenia uczestnicy będą w stanie:

• Symulować realne zagrożenia dla modeli uczenia maszynowego.
• Generować przykłady przeciwnika, aby przetestować odporność modelu.
• Ocenić powierzchnię ataku API i pipeline AI.
• Projektować strategie red teamingu dla środowisk wdrażania AI.

To szkolenie prowadzone przez instruktora w Polsce (online lub na miejscu) jest skierowane do inżynierów i specjalistów ds. bezpieczeństwa o poziomie średnim, którzy chcą zabezpieczyć modele AI wdrażane na obrzeżach przed zagrożeniami takimi jak manipulacja, wyciek danych, nieprzyjazne wprowadzanie danych i fizyczne ataki.

Po zakończeniu tego szkolenia uczestnicy będą w stanie:

• Identyfikować i oceniać ryzyka bezpieczeństwa w wdrożeniach AI na obrzeżach.
• Zastosować techniki odporności na manipulację i szyfrowane wnioskowanie.
• Zabezpieczyć modele wdrożone na obrzeżach i zabezpieczyć kanały danych.
• Wdrożyć strategie łagodzenia zagrożeń specyficzne dla wbudowanych i ograniczonych systemów.

To szkolenie prowadzone przez instruktora w Polsce (online lub na miejscu) jest skierowane do profesjonalistów zajmujących się sztuczną inteligencją i cyberbezpieczeństwem na poziomie średnim, którzy chcą zrozumieć i zminimalizować pojawiające się zagrożenia dla modeli AI, stosując zarówno koncepcyjne ramy, jak i praktyczne obrony, takie jak trwałe szkolenie i różnicowe prywatność.

Na koniec tego szkolenia uczestnicy będą mogli:

• Wykrywać i klasyfikować zagrożenia specyficzne dla AI, takie jak ataki przeciwnikowe, inwersja i zatruwanie.
• Używać narzędzi, takich jak Adversarial Robustness Toolbox (ART), do symulacji ataków i testowania modeli.
• Zastosować praktyczne obrony, w tym szkolenie przeciwnikowe, wstrzykiwanie szumu i techniki zachowujące prywatność.
• Projektować strategie oceny modeli świadome zagrożeń w środowiskach produkcyjnych.