Biztonság és adatvédelem a TinyML-alkalmazásokban Képzés

Ez az oktató által vezetett, élő képzés Magyarország-ben (online vagy helyszíni) középhaladó szintű vállalati vezetőknek szól, akik szeretnék megérteni, hogyan irányítsák és biztosítsák felelősségteljesen az AI rendszereket, és hogyan maradjanak megfelelőek az újonnan megjelenő globális keretrendszerekhez, mint például az EU AI Act, a GDPR, az ISO/IEC 42001 és az USA AI-ról szóló végrehajtási rendelete.

A képzés végén a résztvevők képesek lesznek:

• Megérteni az AI használatának jogi, etikai és szabályozási kockázatait a különböző részlegekben.
• Értelmezni és alkalmazni a főbb AI irányítási keretrendszereket (EU AI Act, NIST AI RMF, ISO/IEC 42001).
• Biztonsági, auditálási és felügyeleti irányelveket létrehozni az AI bevezetéséhez a vállalatnál.
• Beszerzési és használati irányelveket kidolgozni harmadik fél és saját fejlesztésű AI rendszerekhez.

Ez a kurzus gyakorlati bevezetést nyújt a modern, mesterséges intelligenciával működő alkalmazások, API-k, kopolilotok és autonóm ügynökök biztonságossá tételébe. A résztvevők megismerik, hogyan különbözik az AI biztonság a hagyományos webes biztonságtól, felfedezik az AI-specifikus fenyegetéseket, mint a prompt injection, RAG mérgezés és ügynökök visszaélése, és megértik, hogyan védhetik az AI rendszereket rétegzett védelmi mechanizmusokkal, beleértve a WAF-eket, AI átjárókat, API biztonságot és korlátokat. Gyakorlati laborokon és valós példákon keresztül a tanulók képessé válnak az AI támadási minták azonosítására, LLM alapú alkalmazások biztonságossá tételére és hatékony futási időben történő védelmi rendszerek üzembe helyezésére éles környezetekben.

Ez az oktató által vezetett, élőben tartott képzés Magyarország (online vagy helyszínen) kezdő és középhaladó szintű IT szakemberek számára készült, akik szeretnék megérteni és alkalmazni az AI TRiSM-et szervezetükben.

A képzés végére a résztvevők képesek lesznek:

• Megérteni az AI megbízhatóság, kockázatkezelés és biztonság kulcsfogalmait és jelentőségét.
• Azonosítani és kezelni az AI rendszerekhez kapcsolódó kockázatokat.
• Biztonsági ajánlott gyakorlatokat implementálni az AI területén.
• Megérteni a szabályozási megfelelőséget és az etikai szempontokat az AI kapcsán.
• Stratégiákat kidolgozni az AI hatékony irányítására és kezelésére.

Ez az oktató által vezetett, élő képzés Magyarország-ban (online vagy helyszíni) középhaladó és haladó szintű AI fejlesztők, architektusok és termékmenedzserek számára készült, akik szeretnék azonosítani és csökkenteni az LLM-alapú alkalmazásokkal kapcsolatos kockázatokat, mint például a prompt injekció, az adatszivárgás és a szűretlen kimenetek, miközben olyan biztonsági ellenőrzéseket alkalmaznak, mint a bemeneti ellenőrzés, az emberi felügyelet és a kimeneti korlátok.

A képzés végére a résztvevők képesek lesznek:

• Megérteni az LLM-alapú rendszerek alapvető sebezhetőségeit.
• Biztonságos tervezési elveket alkalmazni az LLM alkalmazások architektúrájában.
• Olyan eszközöket használni, mint a Guardrails AI és a LangChain az ellenőrzéshez, szűréshez és biztonsághoz.
• Integrálni olyan technikákat, mint a sandboxolás, a red teaming és az emberi felügyelet a termelési folyamatokba.

Ez a kurzus a szoftverfejlesztőknek mutatja be, hogyan kell biztonságosan tervezni AI-alapú alkalmazásokat. A résztvevők megtanulják, hogyan védhetik meg a chatbotokat, copilotokat, RAG folyamatokat és AI ügynököket az AI-specifikus fenyegetésekkel szemben, mint például a prompt injekció, adatmérgezés, eszköz visszaélés, titok szivárgás és biztonságtalan modell kimenet. A kurzus a biztonságos prompt tervezést, RAG biztonságot, legkisebb jogosultság elvét, korlátokat és red-team tesztelést fedi le, segítve a fejlesztőknek olyan AI funkciókat építeni, amelyek biztonságosak, megbízhatóak és ellenállóak a valós környezetekben.

Ez az oktató által vezetett, élő képzés Magyarország-ben (online vagy helyszíni) középszintű MI- és kiberbiztonsági szakembereknek szól, akik meg szeretnék érteni és kezelni az MI-modellek és -rendszerekre jellemző biztonsági sebezhetőségeket, különösen a pénzügy, adatirányítás és tanácsadás területén működő, szigorúan szabályozott iparágakban.

A képzés végére a résztvevők képesek lesznek:

• Megérteni az MI-rendszerekre irányuló ellenséges támadások típusait és az azok elleni védekezési módszereket.
• Modellkeményítési technikák implementálása a gépi tanulási folyamatok biztosítása érdekében.
• Az adatbiztonság és integritás biztosítása a gépi tanulási modellekben.
• Navigálni az MI-biztonsággal kapcsolatos szabályozási megfelelőségi követelményeket.

Ez az oktató által vezetett, élő képzés Magyarország-ban (online vagy helyszíni) a biztonsági mérnököknek és megfelelési tisztviselőknek szól, akik szeretnék megerősíteni az EXO telepítéseket, szabályozni a modellhozzáférést, és irányítani a kizárólag helyszínen futó AI munkaterheléseket.

Ez az oktató által vezetett, élő képzés Magyarország (online vagy helyszínen) kezdő szintű IT biztonsági, kockázat- és megfelelőségi szakembereknek szól, akik szeretnének megismerni az AI biztonság alapvető fogalmait, fenyegetési vektorait és globális keretrendszereit, mint például a NIST AI RMF és az ISO/IEC 42001.

A képzés végére a résztvevők képesek lesznek:

• Megérteni az AI rendszerek által bevezetett egyedi biztonsági kockázatokat.
• Azonosítani a fenyegetési vektorokat, mint például az ellenséges támadások, az adatmérgezés és a modell inverzió.
• Alkalmazni az alapvető irányítási modelleket, mint például a NIST AI Risk Management Framework.
• Összehangolni az AI használatát az új szabványokkal, megfelelőségi irányelvekkel és etikai elvekkel.

Ez a oktatóvezetővel zajló, élőben tartott képzés Magyarország-ban (online vagy helyszínen) biztonsági szakembereknek és MI mérnököknek szól, akiknek azonosítaniuk, tesztelniük és védekezniük kell az MI modellek és LLM-alapú alkalmazások elleni támadásokkal szemben.

A legfrissebb OWASP GenAI Security Project útmutatásai alapján a résztvevők kéz a kézben végzett gyakorlatokon és valós esetforgatókönyveken keresztül fogják megtanulni az AI-specifikus fenyegetések azonosítását, felmérését és mérséklését.

Ez az oktató által vezetett, élő képzés Magyarország-ben (online vagy helyszíni) haladó szintű szakembereknek szól, akik szeretnék megvalósítani és értékelni az olyan technikákat, mint a federatív tanulás, a biztonságos többfélű számítás, a homomorf titkosítás és a differenciál adatvédelem valós gépi tanulási folyamatokban.

A képzés végére a résztvevők képesek lesznek:

• Megérteni és összehasonlítani a kulcsfontosságú adatvédelmi technikákat a gépi tanulásban.
• Federatív tanulási rendszereket implementálni nyílt forráskódú keretrendszerek segítségével.
• Differenciál adatvédelmet alkalmazni a biztonságos adatmegosztás és modellképzés érdekében.
• Titkosítási és biztonságos számítási technikákat használni a modell bemenetek és kimenetek védelmére.

Ez az oktató által vezetett, élő képzés Magyarország-ben (online vagy helyszínen) haladó szintű biztonsági szakemberek és ML-szakértők számára készült, akik szeretnék szimulálni a támadásokat az AI rendszerek ellen, feltárni a sebezhetőségeket és növelni a telepített AI modellek robusztusságát.

A képzés végén a résztvevők képesek lesznek:

• Valóságos fenyegetések szimulálása a gépi tanulási modelleken.
• Ellenséges példák generálása a modell robusztusságának tesztelésére.
• Az AI API-k és folyamatok támadási felületének felmérése.
• Red teaming stratégiák tervezése az AI telepítési környezetekhez.

Ez az oktató által vezetett, élő képzés Magyarország (online vagy helyszíni) középhaladó szintű mérnökök és biztonsági szakemberek számára készült, akik az élőben üzembe helyezett AI modelleket szeretnék biztosítani olyan fenyegetések ellen, mint a manipulálás, adatszivárgás, ellenséges bemenetek és fizikai támadások.

A képzés végére a résztvevők képesek lesznek:

• Azonosítani és felmérni a biztonsági kockázatokat az Edge AI üzembe helyezésekben.
• Alkalmazni a manipulálás elleni védekezés és titkosított következtetési technikákat.
• Megkeményíteni az élőben üzembe helyezett modelleket és biztonságossá tenni az adatcsatornákat.
• Fenyegetés-megelőzési stratégiákat implementálni, amelyek specifikusak a beágyazott és korlátozott rendszerekre.