Online AI Security Treningskurs i Norge

AAISM er et avansert rammer for å vurdere, styre og administrere sikkerhetsrisikoer i kunstig intelligens-systemer.

Dette fagperson-ledede, live-kurset (online eller på stedet) er rettet mot avanserte profesjonelle som ønsker å implementere effektive sikkerhetskontroller og styringspraksiser for AI-miljøer i selskap.

Ved slutten av dette programmet vil deltakerne være beredt til:

• Vurdere AI-sikkerhetsrisikoer ved hjelp av bransjenkjente metodologier.
• Implementere styringsmodeller for ansvarlig AI-utvikling.
• Justere AI-sikkerhetspolitikker med organisasjonens mål og reguleringskrav.
• Forbedre motstandsdyktighet og ansvarligheten i AI-drivne operasjoner.

Kursformat

• Foredrag med støtte fra eksperthantering.
• Praktiske workshops og vurderingsbaserte aktiviteter.
• Anvendte øvelser med eksempler fra virkelig AI-styring.

Kursanpassningsmuligheter

• For tilpasset utdannelse i overensstemmelse med organisasjonens AI-strategi, vennligst kontakt oss for å anpasse kurset.

Dette undervisningsbaserte, live-treningen i Norge (online eller på stedet) er rettet mot IT-professionelle på begynner- til mellomnivå som ønsker å forstå og implementere AI TRiSM i sine organisasjoner.

Ved slutten av denne treningen vil deltakerne kunne:

• Forstå de viktigste konseptene og betydningen av AI-pålittelighet, risiko- og sikkerhetsstyring.
• Identifisere og mitigere risiker forbundet med AI-systemer.
• Implementere beste praksis for AI-sikkerhet.
• Forstå regulering, overholdelse og etiske overvegelser for AI.
• Utvikle strategier for effektiv AI-styring og -ledelse.

Dette kurset dekker styring, identitetsstyring og adverarsi testing for agensbaserte AI-systemer, med fokus på sikre driftsmodeller for virksomheter og praktiske rød-team teknikker.

Dette undervisningsledede, live-kurset (online eller på stedet) er rettet mot avanserte praksiser som ønsker å designe, sikre og evaluere agentbaserte AI-systemer i produksjonsmiljøer.

Ved slutten av dette kurset vil deltakerne kunne:

• Definere styringsmodeller og retningslinjer for sikre agensbaserte AI-drift.
• Designe identitets- og autentiseringsflyter for agenter med minst mulig tilgangsrettigheter.
• Implementere tilgangskontroll, revisjonsloggbokføring og observabilitet tilpasset autonomi-agenter.
• Planlegge og utføre rød-team øvelser for å oppdage misbruk, eskaleringsspor og dataeksfiltreringsrisikoer.
• Demp vanlige trusler mot agensbaserte systemer gjennom retningslinjer, tekniske kontroller og overvåking.

Kursformat

• Interaktive forelesninger og truselmodellering-verksteder.
• Praksisøvelser: identitetsforvaltning, retningslinjegjennomføring og adverarsi simulering.
• Rød-team/blå-team øvelser og sluttkursvurdering.

Kursanpassningsmuligheter

• For å forespørre et anpasset trening for dette kurset, vennligst kontakt oss for å ordne det.

Dette instruktørbaserte, live-kurset (online eller på stedet) er rettet mot mellomnivå-AI- og cybersikkerhetsprofesjonelle som ønsker å forstå og håndtere de sikkerhetssårbarhetene spesielt relatert til AI-modeller og systemer, spesielt i høyregulerede industrier som finans, datastyre, og konsulentservice.

Ved slutten av dette kurset vil deltakerne kunne:

• Forstå de forskjellige typer adversariske angrep som rikter seg mot AI-systemer og metoder for å forsvar seg mot dem.
• Implementere modellhårdningsmetoder for å sikre maskinlæringspipelines.
• Sikre dataintegritet og -sikkerhet i maskinlæringsmodeller.
• Navigere gjennom overholdelseskrav relatert til AI-sikkerhet.

Dette instruktørflytta, live-treningen i Norge (online eller på stedet) er rettet mot avanserte sikkerhetsexperter og ML-eksperter som ønsker å simulere angrep på AI-systemer, oppdage sårbarheter og forbedre robustheten til driftsmessige AI-modeller.

Til slutt av denne treningen vil deltakerne kunne:

• Simulere reelle trusler mot maskinlæringsmodeller.
• Generere motstandsforekomster for å teste modellens robusthet.
• Vurdere angrepsflaten til AI-APIer og pipeliner.
• Designe red teaming-strategier for driftsmessige AI-miljøer.

TinyML er en tilnærming for å distribuere maskinlæringsmodeller på lavkraftige, ressursbegrensete enheter som opererer på nettverkskanten.

Denne instruktørledede, live-treningen (online eller på stedet) er rettet mot avanserte nivå profesjonelle som ønsker å sikre TinyML-pipelines og implementere personvernbevarende teknikker i edge AI-applikasjoner.

Ved slutten av dette kurset vil deltakerne kunne:

• Identifisere sikkerhetsrisikoer unike for on-device TinyML-inferens.
• Implementere personvernbevarende mekanismer for edge AI-distribusjoner.
• Forsterke TinyML-modeller og inbyggede systemer mot fjendtlig trusler.
• Bruke beste praksis for sikkert datahåndtering i ressursbegrenede miljøer.

Kursets format

• Engasjerende forelesninger støttet av ekspertledede diskusjoner.
• Praktiske øvelser med fokus på reelle truescenarier.
• Håndig implementering ved hjelp av inbygget sikkerhet og TinyML-verktøy.

Kursespesifikke tilpasningsoptsjoner

• Organisasjoner kan be om en tilpasset versjon av denne treningen for å justere seg til deres spesifike sikkerhets- og samsvarbehov.

Dette instruktørledete, live-treningen i Norge (online eller på stedet) er rettet mot mellomnivå ingeniører og sikkerhetsexperter som ønsker å sikre AI-modeller som er distribuert ved kanten mot trusler som manipulasjon, datautslipp, adversarielle inndata og fysiske angrep.

Ved treningens slutt vil deltakerne kunne:

• Identifisere og vurdere sikkerhetsrisikoer i Edge AI-distribusjoner.
• Bruke motstand mot manipulasjon og kryptert inferens-teknikker.
• Forstærke modeller som er distribuert ved kanten og sikre datapipelines.
• Implementere trusselbekjempelsesstrategier spesifikt for embedded- og begrensete systemer.

Denne instruktørledede, live-utbildingen i Norge (online eller på stedet) er rettet mot profesjonelle med høy nivå som ønsker å implementere og evaluere teknikker som federert læring, sikker flerpartsberegning, homomorf kryptering og differensiell privathet i virkelige maskinlæringspipeliner.

Ved slutten av denne utbildningen vil deltakerne kunne:

• Forstå og sammenligne nøkkeltrekk ved privatbeskyttende teknikker i ML.
• Implementere federerte læringssystemer ved hjelp av open-source-rammeverk.
• Anvende differensiell privathet for sikker dataopplasting og modelltrening.
• Bruke kryptering og sikre beregningsmetoder for å beskytte modellens innganger og utganger.

Kunstig intelligens (AI) innfører nye dimensjoner av operativ risiko, styringsutfordringer og sikkerhetsutsattheit for regjeringsorganer og departementer.

Denne instruktørførte, live-treningen (online eller på lokasjon) er rettet mot offentlige sektors IT- og risikoprofesjonelle med begrenset tidligere erfaring i AI, som ønsker å forstå hvordan man kan evaluere, overvåke og sikre AI-systemer innen en regjering eller regulativ kontekst.

Til slutt av denne treningen vil deltakerne kunne:

• Tolke nøkkelsikkerhetsbegreper relatert til AI-systemer, inkludert bias, uforutsigbarhet og modellavvik.
• Bruke AI-spesifikke styrings- og revisjonsrammeverk som NIST AI RMF og ISO/IEC 42001.
• Kjenne igjen sikkerhetstruaker som måler mot AI-modeller og datapipelines.
• Opprette tverskyldende risikostyringsplaner og politikkstilpasning for AI-distribusjon.

Kursformat

• Interaktiv forelesning og diskusjon av offentlige sektors bruksfall.
• Øvelser med AI-styringsrammeverk og politikkmapping.
• Scenario-basert truamodellering og risikovurdering.

Kursanpassningsmuligheter

• For å be om et tilpasset kurs, vennligst kontakt oss for å avtale.

Dette undervisningsbaserte, live-treningen i Norge (online eller på sted) er rettet mot mellomnivås virksomhetsledere som ønsker å forstå hvordan de kan styre og sikre AI-systemer ansvarlig og i overhold med uutfoldende globale rammer som EU AI-lovegivningen, GDPR, ISO/IEC 42001, og den amerikanske presidentens eksekutive orden om AI.

Ved slutten av denne treningen vil deltakerne kunne:

• Forstå de juridiske, etiske og regulære risikoene ved å bruke AI i ulike avdelinger.
• Tolke og anvende viktige AI-styringsrammer (EU AI-lovegivningen, NIST AI RMF, ISO/IEC 42001).
• Etablishere sikkerhets-, revisjons- og overvåkningspolitiske retningslinjer for implementering av AI i virksomheten.
• Utvikle innkjøps- og brukerettigheter for tredjeparts- og in-house AI-systemer.

Denne instruktørlede, levende opplæringen på Norge (online eller på sted) er rettet mot mellomnivå- til avanserte AI-utviklere, arkitekter og produktledere som ønsker å identifisere og redusere risikoer knyttet til LLM-drevne applikasjoner, inkludert prompt injeksjon, datalekkasje og ufiltrert utdata, samt å inkludere sikkerhetskontroller som inndatavalidering, menneskelig i-løkke-overvåking og utdatabeskyttelse.

Ved slutten av denne opplæringen vil deltakerne være i stand til:

• Forstå kjernen i sårbarhetene til LLM-baserte systemer.
• Anvende sikre designprinsipper til LLM-applikasjonsarkitektur.
• Bruke verktøy som Guardrails AI og LangChain for validering, filtrering og sikkerhet.
• Integere teknikker som sandboxing, red teaming og menneskelig i-løkke-revisjon i produksjonsnivå-pipelines.

Dette kurset, ledet av instruktør, blir holdt live i Norge (online eller på sted) og er rettet mot mellomnivåmaskinlærings- og kybersikkerhetsprofesjonelle som ønsker å forstå og heve emergent trusler mot AI-modeller ved hjelp av både konseptuelle rammer og praktiske forsvarsstrategier som robust trening og differential privacy.

Ved slutten av dette kurset vil deltakerne være i stand til å:

• Identifisere og klassifisere AI-spesifikke trusler som motarbeidende angrep, inversangrep og forgiftning.
• Bruke verktøy som Adversarial Robustness Toolbox (ART) for å simulere angrep og teste modeller.
• Bruke praktiske forsvarsstrategier, inkludert motarbeidende trening, støyinjeksjon og teknikker som beskytter personvern.
• Designe trusselsbevisne modellvurderingsstrategier i produsjonsmiljøer.

Denne instruktørførte, live-kurset i Norge (online eller på sted) er rettet mot begynner-nivå IT-sikkerhet, risiko- og overholdelsesfagfolk som ønsker å forstå grunnleggende KI-sikkerhetskonsepter, truslevektorer og globale rammer som NIST AI RMF og ISO/IEC 42001.

Ved slutten av dette kurset vil deltakerne kunne:

• Forstå de unike sikkerhetsrisikoene som KI-systemer introduserer.
• Identifisere truslevektorer som feilaktige angrep, dataforgiftning og modellinversjon.
• Bruke grunnleggende styringsmodeller som NIST AI Risikostyringsramme.
• Justere KI-bruk til nye standarder, overholdelsesretningslinjer og etiske prinsipper.

Basert på den nyeste OWASP GenAI Sikkerhetsprosjekt veiledningen vil deltagere lære å identifisere, vurdere og redusere AI-spesifikke trusler gjennom praktiske øvelser og reelle scenarier.