Securing Edge AI and Embedded Intelligence Képzés

Ez oktatóvezetett, élő tréning (online vagy helyszínen) célja, hogy középszintű vállalati vezetők megtanulják, hogyan kormányzhassák és biztosítsák az AI rendszereket felelősen és összhangban az EU AI-aktussal, a GDPR-vel, az ISO/IEC 42001 normával és az amerikai elnöki rendelettel az AI-ről. A tréning végére a résztvevők képesek lesznek: * Megérteni az AI használatával járó jogi, etikai és szabályozási kockázatokat az egész vállalatban. * Előállítani és alkalmazni az AI kormányzás fő keretrendszereit (EU AI-aktus, NIST AI RMF, ISO/IEC 42001). * Biztonsági, audit, és felügyeleti irányelveket hozni létre az AI bevezetéséhez a vállalatban. * Beszerzési és használati irányelveket készíteni harmadszori és belső AI rendszerek számára.

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) olyan előrehaladott szintű szakemberekre céloz, akik szeretnének megvalósítani és értékelni olyan technikákat, mint a federált tanulás, a biztonságos többpárti számítás, a homomorf kódolás és a differenciál privatizmus valódi gépi tanulás (ML) folyamatokban.

A képzés végén a résztvevők képesek lesznek:

• Értelmezni és összehasonlítani az ML-ben használatos kulcsfontosságú adatvédelmi technikákat.
• Federált tanulási rendszereket valósítanak meg nyílt forráskódú keretek használatával.
• Differenciál privatizmust alkalmaznak biztonságos adatmegosztásra és modellképzésre.
• Titkosítást és biztonságos számítási technikákat használnak a modellbeviteli és -kimeneti adatok védelmére.

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.

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.