Biztonság és adatvédelem a TinyML alkalmazásokban Képzés

Az AAISM egy haladó keretrendszert képez, mely az mesterséges intelligencia rendszerek biztonsági kockázatainak kiértékelésére, vezetésére és kezelésére szolgál.

Ez a tanár által irányított élő képzés (online vagy helyszíni) haladó szintű szakembereknek készült, akik hatékony biztonsági ellenőrzéseket és vezetési gyakorlatokat szeretnék bevezetni az vállalati mesterséges intelligencia környezetekben.

A képzés végén a résztvevők felkészültek lesznek arra, hogy:

• Az ipar által elismert módszerekkel értékeljék ki az mesterséges intelligencia biztonsági kockázatait.
• Felelősségteljes mesterséges intelligencia üzembe helyezésére szolgáló vezetési modellt implementáljanak.
• Igazítsák a biztonsági irányelveket az organizáció céllal és a szabályozás várakozásaihoz.
• Növelessék a rugalmasságot és felelősségteljességet az mesterséges intelligencia meghajtott műveletek között.

Képzés formája

• Gazdagon részletesebb előadások, amelyeket szakértői elemzések támogatnak.
• Gyakorlati műhelyek és kiértékelés alapú tevékenységek.
• Alkalmazott gyakorlatok valós életbeli mesterséges intelligencia vezetés forgatókönyveivel.

Képzés személyre szabása lehetőségei

• Testreszabott képzés a vállalati mesterséges intelligencia stratégiájának igazításához, kérjük, lépjek kapcsolatba velünk a képzés testreszabásával kapcsolatban.

Ez az oktató által vezetett, élő (online vagy helyszíni) képzés a középszintű vállalati vezetőknek szól, akik meg akarják érteni, hogyan kell felelősen és az EU AI Aktus, GDPR, ISO/IEC 42001 és az USA-i elnöki rendelet az AI-ról szóló globális keretrendszerekhez megfelelően irányítani és biztosítani az AI rendszereket.

A képzés végén a résztvevők képesek lesznek:

• Megérteni az AI használatával kapcsolatos jogi, etikai és szabályozási kockázatokat az osztályokon belül.
• Megértetik és alkalmazzák a fő AI irányítási keretrendszereket (EU AI Aktus, NIST AI RMF, ISO/IEC 42001).
• Biztonsági, audit és felügyeleti politikákat állítanak be az AI bevezetéséhez a vállalaton belül.
• Beszerzési és használati irányelveket fejlesztenek harmadik fél és házon belüli AI rendszerek számára.

Az Észlemes Mesterséges Intelligencia (AI) új műveleti kockázatokkal, kormányzati kihívásokkal és kiberbiztonsági kitételekkel jár az államigazgatási szervek és hivatali szervek számára.

Ez az oktatóvezetett, élő képzés (online vagy helyszínen) az államigazgatási IT- és kockázatkezelő szakembereket célozza meg, akiknek nincs jelentős előzetes AI- tapasztalatauk és akik szeretnék megérteni, hogyan értékelhetnek, figyelhetnek és biztosíthatnak AI-rendszereket egy kormány vagy szabályozó kontextusban.

Ez a képzés végén a résztvevők képesek lesznek:

• Értelmezni az AI-rendszerekkel kapcsolatos kulcsfontosságú kockázati fogalmakat, beleértve az elkésést, az előrejelzetlenséget és a modell eltérését.
• Alkalmazni AI-specifikus kormányzati és audit keretrendszereket, mint a NIST AI RMF és az ISO/IEC 42001.
• Felismerni az AI-modelleket és az adatszállító csöveket célzó kiberbiztonsági fenyegetéseket.
• Alapozni átdepartementális kockázatkezelési terveket és politikai harmonizációt az AI-bevezetéshez.

A képzés formátuma

• Interaktív előadás és az államigazgatási ügyfél esetek megvitatása.
• AI kormányzati keretrendszer gyakorlatok és politikamappa készítése.
• Szenáriobázisú fenyegetésmodellezés és kockázatértékelés.

A képzés testreszabási lehetőségei

• A testreszabott képzés megkérését erre a képzésre, kérjük, lépjen kapcsolatba velünk.

Ez az interaktív, élőkörnyezeti képzés Magyarország (online vagy helyszíni) akezdi- és középhaladó szintű IT szakemberekre irányul, akik szeretnék megérteni és bevezetni az AI TRiSM-t a szervezetükben.

A képzés végén a résztvevők képesek lesznek:

• Megérteni az AI megbízhatóság-, kockázat- és biztonságváltozákbevitelének kulcsfontosságú fogalmait és jelentőségét.
• Azonosítani és kezelni a mesterséges intelligencia rendszerekkel kapcsolatos kockázatokat.
• A legjobb gyakorlatokat alkalmazni az AI biztonságához.
• Értelmezni a szabályozási megfelelőség és etikai szempontokat az AI-nak.
• Képességeket fejleszteni hatékony AI kormányzás- és menedzsment stratégiai tervezésére.

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 interaktív, élő képzés Magyarország (online vagy helyszínen) közepes szintű MI és kibertársadalmi biztonság szakemberekre irányul, akik szeretnék megérteni és kezelni a MI modellek és rendszerek specifikus biztonsági réseit, főleg a pénzügyek, az adatkezelés, és a tanácsadás ilyen szigorúan szabályozott iparágakban.

A képzés végére a résztvevők képesek lesznek:

• Megérteni azokat az ellenkelési támadásokat, amelyek célba veszik a MI rendszereket, valamint a védelmi módszereket.
• Felkészíteni és alkalmazni modell erősítési technikákat a gépi tanulási folyamat biztonságossá tételéhez.
• Biztosítani az adatbiztonságot és integritást a gépi tanulási modellekben.
• Megfelelni a MI biztonság kapcsán szabályozott követelményeknek.

Ez oktatóvezetésű, élő tanfolyam online vagy helyszínen Magyarország célja, hogy a kezdő szintű IT-biztonsági, kockázatkezelési és megfelelési szakemberek megismerjék az alapvető AI-biztonsági fogalmakat, fenyegetési vektorokat és globális keretrendszereket, mint a NIST AI RMF és az ISO/IEC 42001.

A tanfolyam végén a résztvevők képesek lesznek:

• Megérteni az AI-rendszerek által bevezetett egyedi biztonsági kockázatokat.
• Az ellenfelei támadások, adatmérgezés és modellfordítás fenyegetési vektorokat azonosítják.
• Alapvető kormányzati modelleket alkalmaznak, mint a NIST AI Risk Management Framework.
• Az AI használatát összehangolják az újabban kialakult szabványokkal, megfelelési irányelvekkel és etikai elvekkel.

A legfrissebb OWASP GenAI Security Project iránymutatása alapján a résztvevők megtanulják az AI-szpecifikus fenyegetések azonosítását, értékelését és csökkentését gyakorlati feladatokon és valós helyzetekben.

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 oktatóvezetett, élő képzés (online vagy helyszínen) az előrehaladott szintű biztonsági szakembereknek és ML-szakértőknek szól, akik az AI-rendszerek támadásainak szimulálására, sebezhetőségek feltárására és a telepített AI-modellek robustusságának növelésére szeretnének készülni.

Ez a képzés végére a résztvevők képesek lesznek:

• Valós világbeli fenyegetéseket szimulálni a gépi tanulási modellekre.
• Ellenálló példákat generálni a modell robustusságának teszteléséhez.
• Az AI API-k és folyamatok támadási felületét értékelni.
• Red teaming stratégiákat tervezni az AI telepítési környezetekhez.

Ez az interaktív, élő képzés Magyarország (online vagy személmélyesen) középhaladó szintű mérnököknek és biztonsági szakembereknek szánt, akik szeretnék biztonságosítani az edge-en üzemeltetett AI modelleket veszéletek ellen, mint például a manipulálás, adatcsökkenés, ellenséges bemenetek és fizikai támadások.

A képzés végén a résztvevők képesek lesznek:

• Azonosítani és becsülni a biztonsági kockázatokat az edge AI üzembe helyezéseknél.
• Manipulálás elleni ellenőrizhetőséget és titkosított következtetési technikákat alkalmazni.
• Megrobbanthatatlan edge üzembe helyezett modelleket készíteni és biztonságos adattömegátviteli csatornákat biztosítani.
• Beágyazott és korlátozott rendszerekre vonatkozó fenyegetések elleni mitígálási stratégiákat implementálni.

Ez az oktatási program (online vagy személyes) olyan középhaladó szintű gépi tanulási és cyberbiztonsági szakembereknek irányzott, akik meg szeretnék érteni és kezelni a kifertőző fenyegetéseket az AI modell ellen, konceptuális keretek és gyakorlati védő mechanizmusok, mint például a robusztus tanítás és a differenciális titoktartás használatával.

Az oktatás végeztével a résztvevők képesek lesznek:

• Azonosítani és osztályozni az AI-specifikus fenyegetéseket, mint például az ellenálló támadásokat, inverziót és fertőzést.
• Eszközöket használni, mint például az Adversarial Robustness Toolbox (ART) a támadások szimulálásához és a modell teszteléséhez.
• Alkalmazni gyakorlati védő mechanizmusokat, mint az ellenálló tanítást, zajbeavatkozást és titoktartás-megőrző technikákat.
• Fenyegetésérzékeny modellértékelési stratégiákat tervezni a gyakorlati környezetben.

Ez a kurzus a kormányzás, az azonosságkezelés és az ellenőrző csoport (red-teaming) tesztelést tartalmazza agens alapú mesterséges intelligencia rendszerek esetén, összpontosítva vállalati biztonsági üzembe helyezési minták és gyakorlati ellenőrző csoport technikák felhasználásán.

Ez a tanár vezetett, élő képzés (online vagy helyszínen) a haladó szintű gyakornokokra irányul, akik szeretnének tervezni, biztonságosan kezelni és értékelni az agens alapú mesterséges intelligencia rendszereket termelési környezetben.

A képzés végén a résztvevők képesek lesznek:

• Biztonságos agens alapú mesterséges intelligencia üzembe helyezésére vonatkozó kormányzási modelleket és szabályokat definiálni.
• Nem emberi azonosságkezelési és hitelesítési folyamatokat tervezni agensek esetében a minimális jogosultsággal rendelkező hozzáférés érdekében.
• Hozzáférés-ellenőrzéseket, naplózási nyomvonalakat és megfigyelhetőséget kifejleszteni önálló agensek számára.
• Tervezni és végrehajtani ellenőrző csoport gyakorlatokat a rosszindulatú használathoz, jogosultság emelkedéshez és adattamásztási kockázatokhoz vezető útvonalak felderítése érdekében.
• A leggyakoribb fenyegetések elleni védelemet szabályozás, mérnöki ellenőrzések és figyelés segítségével megerősíteni.

Kurzus formátuma

• Interaktív előadások és fenyegetésmódszer-modellezési munkafélék.
• Gyakorlóterek: azonosságkiállítás, szabályzat végrehajtása és ellenséges szimuláció.
• Ellenőrző csoport / kék-csoport gyakorlatok és kurzus végi értékelés.

Kurzus testreszabási lehetőségek

• Testreszabott képzés kéréséhez lépjen kapcsolatba velünk a rendezés érdekében.

Ez oktatóvezetett, élő (online vagy helyszínen) képzés célközönsége azok a kezdő szintű mérnökök és adat tudósok, akik meg akarnák ismerni a TinyML alapelveit, feltárolni alkalmazásait és AI-modelleket szeretnének telepíteni mikrovezérlőkre.

Ez a képzés során a résztvevők képesek lesznek:

• Megérteni a TinyML alapelveit és jelentőségét.
• Telepíteni könnyű AI-modelleket mikrovezérlőkre és szélegyeszközökre.
• Optimalizálni és finomítani a gépi tanulásmodelleket alacsony fogyasztásra.
• Alkalmaznia a TinyMLt valós világbeli alkalmazásokra, például mozgásfelismerésre, anomáliafelismerésre és hangfeldolgozásra.

Ez a tanárvezetett élő képzés (online vagy helyszíni) a középszintű beágyazott rendszerek mérnökeinek, IoT fejlesztőknek és AI kutatóknak szól, akik szeretnének TinyML technikákat alkalmazni AI-hatékony alkalmazásokhoz energiahatékony hardveren.

A képzés végén a résztvevők képesek lesznek:

• Megérteni a TinyML és az edge AI alapjait.
• Könnyű AI modelleket telepítenek mikrovezérlőkre.
• Optimálisan hasznosítják az AI inferenciát alacsony energiafogyasztásra.
• Összekapcsolják a TinyML-t valós IoT alkalmazásokkal.