AI Governálás, Compliance, és Biztonság Vállalkozási Vezetők Száma Képzés

Artificial Intelligence (AI) új műszaki kockázatokat, kormányzati kihívásokat és kiberbiztonsági kitelezést hoz létre a kormányzati intézmények számára.Ez az oktatóvezetett, élő képzés (online vagy helyszínen) a közszféri informatikai és kockázatkezelési szakembereket célozza meg, akiknek van korlátozott tapasztalata az AI-ban, és akik meg szeretnék értetni, hogyan értékelhetik, monitorozhatják és biztonságosakká tehetik az AI rendszereket egy kormányzati vagy szabályozó környezetben.A képzés végére a résztvevők képesek lesznek:Interpret key risk concepts related to AI systems, including bias, unpredictability, and model drift.AI rendszerekkel kapcsolatos kulcsfontosságú kockázati fogalmak értelmezésére, beleértve az előítéletet, az előre nem látható jelleget és a modell eltérését.Apply AI-specific governance and auditing frameworks such as NIST AI RMF and ISO/IEC 42001.AI-specifikus kormányzati és ellenőrző keretek alkalmazására, például a NIST AI RMF és az ISO/IEC 42001.Recognize cybersecurity threats targeting AI models and data pipelines.Az AI modelleket és adatfolyamatokat célzó kiberbiztonsági fenyegetéseket felismerni.Establish cross-departmental risk management plans and policy alignment for AI deployment.Keresztosztályos kockázatkezelési terveket és politikák egyeztetését az AI bevezetéséhez létrehozni.A képzés formájaInteraktív előadás és a közszféri felhasználási esetek megvitatása.AI kormányzati keretek gyakorlati feladatok és politika tervezése.Jelenet-alapú fenyegetésmodellezés és kockázatértékelés.A képzés testreszabási lehetőségeiA képzés testreszabásához kérjük, lépjen kapcsolatba velünk az összeállításhoz.

Ez az oktatóvezetett, élő tanfolyam (online vagy helyszínen) a kezdőtől a középfokú IT szakembereket célozza meg, akik szeretnék megismerni és megvalósítani az AI TRiSM-t az organizaícójukban.

A tanfolyam befejezésekor a résztvevők képesek lesznek:

• Megragadni az AI bizalom, kockázat és biztonság kezelésének kulcsfontosságú fogalmait és jelentőségét.
• Az AI rendszerekkel kapcsolatos kockázatok azonosítására és csökkentésére.
• Az AI számára biztonsági legjobb gyakorlatok bevezetésére.
• Az AI szabályszerűsítésének és etikai szempontokának megértésére.
• Hatékony AI kormányzati és kezelési stratégiák kidolgozására.

Ez a tanfolyamoktatói, élő képzés Magyarország (online vagy helyszínen) középszintű és előkelő szintű AI-fejlesztők, architektusok és termékmenedzserek számára szolgál, akik szeretnének azonosítani és csökkenteni az LLM-meghajtott alkalmazásokkal kapcsolatos kockázatokat, beleértve a prompt-becsapás, adatszivárgás és szűretlen kimenet problémáit, beépítve biztonsági ellenőrzéseket, mint például bemeneti validáció, emberi felügyelet és kimeneti korlátok.

Ez a képzés végére a résztvevők képesek lesznek:

• Értsék meg az LLM alapú rendszerek alapvető gyengeségeit.
• Alkalmazzák a biztonságos tervezési elveket az LLM alkalmazás architektúrában.
• Használjanak eszközöket, mint Guardrails AI és LangChain validálásra, szűrésekre és biztonságra.
• Beépítsenek technikákat, mint a sandboxing, red teaming és emberi felügyeleti áttekintés gyártási szintű folyamatokba.

Ez oktatóvezetett, élő (online vagy helyszíni) képzés célja, hogy a középszakmai szintű AI és kiberbiztonsági szakemberek megismerhessék és kezelhessék az AI-modellek és rendszerekre jellemző biztonsági hiányosságokat, különösen azok a szabályozott iparágakban, mint a pénzügyi szektor, az adattulajdonosi szabályozás és a tanácsadási szakma.

E képzés végére a résztvevők képesek lesznek:

• Megérteni az AI rendszereket célzó támadóak típusait és a védelmet őket ellen.
• Modelmegerősítési technikákat alkalmazni a gépitanulás folyamatainak biztonságának biztosítására.
• Biztonságot és integritást biztosítani a gépitanulás modelljeiben.
• Navigálni az AI-biztonságkal kapcsolatos szabályozási követelményeken.

Ez oktatóvezetett, élő képzés (online vagy helyszíni) az IT-biztonság, kockázatkezelés és engedélyezés kezdő szintű szakembereinek szól, akik az alapvető AI-biztonsági fogalmak, fenyegető vektorok és globális keretek, például NIST AI RMF és ISO/IEC 42001 megértését kívánják.Ez a képzés végén a résztvevők képesek lesznek:- Megérteni az AI-rendszerek által bevezetett egyedi biztonsági kockázatokat.- Fenyegető vektorokat azonosítani, például ellenséges támadások, adatmérgezés és modellinverzió.- Alapvető kormányzati modelljeket alkalmazni, például a NIST AI Risk Management Keretet.- Az AI használatát harmonizálni az újabban kialakult szabványokkal, engedélyezési irányelvekkel és etikai elvekkel.

Ez az oktatóvezetett, élő (online vagy helyszíni) képzés az olyan, haladó szintű szakembereknek szánva, akik szeretnék megvalósítani és kiértékelni olyan technikákat, mint a federált tanulás, biztonságos többpárti számítás, homomorf kriptográfia és differenciális bizalmaság valós világbeli gépi tanulási folyamatokban.

A képzés végén a résztvevők képesek lesznek:

• Értenek és összehasonlítják az ML-ben használt kulcsfontosságú bizalmaságvédelmi technikákat.
• Megvalósítanak federált tanulási rendszereket nyílt forráskódú keretek segítségével.
• Alkalmaznak differenciális bizalmaságot biztonságos adatmegosztáshoz és modellképzéshez.
• Használnak kriptográfiai és biztonságos számítási technikákat a modellbevitel és -kimenet védelméhez.

Ez az oktatóvezetett, élő képzés (online vagy helyszínen) az olyan előrehaladott szintű biztonsági szakemberek és ML szakemberek számára szól, akik az AI rendszerekre történő támadásokat akarnak szimulálni, gyengéspontokat akarnak feltárni, és a telepített AI modellek biztonságát akarnak erősíteni.Ezen képzés végén a résztvevők képesek lesznek:- Valós világbeli fenyegetéseket szimulálni a gépi tanulási modellek ellen.- Ellenséges példákat generálni a modell biztonságának teszteléséhez.- Az AI API-k és folyamatok támadási felületét értékelik.- Vörös csapat stratégiákat terveztek az AI telepítési környezetekhez.

Ez oktatóvezetett, élő képzés (online vagy helyszínen) az középszintű mérnökök és biztonsági szakemberek számára van szolgálva, akik az érzékeny helyeken telepített AI-modellek védelmére kíváncsiak a hamisítás, adatkiadás, ellenséges bemenetek és fizikai támadások elleni fenyegetésekkel szemben.

A képzés végeztével a résztvevők képesek lesznek:

• Biztonsági kockázatokat azonosítani és értékelni az érzékeny helyen telepített AI-rendszerekben.
• Tamperellenes és titkosított levezetési technikákat alkalmazni.
• Meghátrányozott érzékeny helyen telepített modelleket és biztonságos adatfolyamatokat biztosítani.
• Fenyegetéscsökkentő stratégiákat alkalmazni az embedelt és korlátozott rendszerekben.

Ez az oktatóvezetett, élő tanulmány (online vagy helyszínen) az olyan középfokú gépi tanulás és kiberbiztonsági szakemberek számára szolgál, akik meg szeretnék érteni és kevesebbbé szeretnék tegyenek az AI-modellekre irányuló újfajta fenyegetéseket, koncepcuális keretek és gyakorlati védekezési módok (pl. robusztus képzés és differenciális privátosság) használatával.

A képzés végén a résztvevők képesek lesznek:

• Felismerni és osztályozni az AI-modellekre irányuló fenyegetéseket, mint például az ellenséges támadások, visszafordítás és mérgezés.
• Eszközöket, mint az Adversarial Robustness Toolbox (ART) használatával támadások szimulálására és modellek tesztelésére.
• Pratikus védelmi módokat alkalmazni, mint például ellenséges képzés, zajbeszúrás és privátvédelem.
• Fenyegetés-tudatos modellértékelési stratégiák kialakítását a termelési környezetben.