Privacy-Preserving Machine Learning Képzés

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 az oktatóvezetett, élő edzés Magyarország (online vagy helyszíni) az kezdő szintű IT-biztonsági, kockázatkezelési és megfelelési szakembereket célozza, akik alapvető AI-biztonsági fogalmak, fenyegetési vektorok és globális keretek, mint a NIST AI RMF és az ISO/IEC 42001 megismerését kívánják.

Ez az edzés végén a résztvevők képesek lesznek:

• Megértetni az AI-rendszerek által bevezetett egyedi biztonsági kockázatokat.
• Fenyegetési vektorokat azonosítani, mint például ellenfél támadásokat, adatmérgezést és modellinverziót.
• Alapvető kormányzati modelleket alkalmaznia, mint a NIST AI Risk Management keretet.
• Az AI használatát igazítani az újonnan kialakult szabványokkal, megfelelési irányelvekkel és etikai elvekkel.

Ez az oktatóvezetett, élő képzés Magyarország (online vagy helyszínen) az olyan előrehaladott szintű biztonsági szakembereknek és ML-specialistáknak szól, akik akarnak támadásokat szimulálni AI-rendszereken, sebezhetőségeket feltárni, és a telepített AI-modellek robustusságát növelni.

A képzés végén a résztvevők képesek lesznek:

• Valós világbeli fenyegetéseket szimulálni gépi tanulási modellek ellen.
• Adversarial példákat generálni a modell robustusságának teszteléséhez.
• Értékelni az AI API-k és pipeline-ok támadásfelületét.
• Red teaming stratégiákat tervezni AI-telepítési környezetekhez.

Ez az oktatóvezetett, élő kézbesítési edzés Magyarország (online vagy helyszínen) olyan középfokú mérnökökre és biztonsági szakemberekre célzódik, akik az élesen telepített AI-modellek védelmével akarnak foglalkozni, például manipuláció, adatszivárgás, ellenséges bemenetek és fizikai támadások ellen.

Ez az edzés végén a résztvevők képesek lesznek:

• Biztonsági kockázatokat azonosítani és értékelni az élesen telepített AI-telepítéseknél.
• Manipuláció ellenállás és titkosított következtetés technikáit alkalmazni.
• Megerősíteni az élesen telepített modelleket és biztonságos adatszálakat biztosítani.
• Specifikus veszélycsökkentési stratégiákat valósítani beágyazott és korlátozott rendszerekre.

Azt tanítja, hogy oktatóvezetett élő képzés Magyarország (online vagy helyszínen), és célcsoportja a közép szintű gépi tanulás és kiberbiztonsági szakemberek, akik meg akarnak érteni és csökkenteni a kutatási modelljeik ellen érvényesülő fenyegetéseket, koncepcionális keretek és gyakorlati védelmi stratégiák, például robust tréning és differenciális bizalmaság alkalmazásával.

A képzés végén a résztvevők képesek lesznek:

• Gépi tanuláshoz tartozó fenyegetéseket azonosítani és osztályozni, például ellenőrző támadások, inverszió és mérgezés.
• Használni a Adversarial Robustness Toolbox (ART) eszközöket támadások szimulálására és modellek tesztelésére.
• Alkalmazni gyakorlati védelmi stratégiákat, például ellenőrző tréninget, zajbevitel és bizalmaságvédő technikákat.
• Kezelni fenyegetésekre érzékeny modellértékelési stratégiákat termelési környezetekben.