AI Governance, Compliance, and Security for Enterprise Leaders Treningskurs

Artificial Intelligence (AI) introduserer nye dimensjoner av operasjonell risiko, styringsutfordringer og cyber-sikkerhetsutsatthet for regjeringens etater og departementer.

Denne instruktørledede, live-opplæringen (online eller på stedet) er rettet mot offentlig sektor IT- og risikofagfolk med begrenset erfaring i AI som ønsker å forstå hvordan man kan vurdere, overvåke og sikre AI-systemer innenfor en regjering eller reguleringskontekst.

Ved slutten av denne opplæringen vil deltakere være i stand til å:

• Tolke viktige risikokonsepter relatert til AI-systemer, inkludert bias, upålitelighet og modell-drift.
• Bruke AI-spesifikke styrings- og revisjonsrammeverk som NIST AI RMF og ISO/IEC 42001.
• Oppdage cyber-sikkerhetstrusler som målretter AI-modeller og data-pipelines.
• Opprette tværfaglige risikostyringsplaner og politisk samordning for AI-implementering.

Format på kurset

• Interaktiv forelesning og diskusjon av offentlige sektors brukstilfeller.
• Øvelser i AI-styringsrammeverk og politikkartlegging.
• Scenariobasert trusselmodellering og risikovurdering.

Kurset tilpassingsmuligheter

• For å be om en tilpasset opplæring for dette kurset, ta kontakt med oss for å avtale.

Denne instruktørledede, live-trainingen (online eller på stedet) er rettet mot IT-profesjonelle på begynder- til mellomnivå som ønsker å forstå og implementere AI TRiSM i sine organisasjoner.

Ved avslutningen av denne opplæringen vil deltakerne være i stand til å:

• Forstå nøkkelkonsepter og betydningen av AI-sikkerhet, risikohåndtering og sikkerhetsstyring.
• Identifisere og redusere risikoer forbundet med AI-systemer.
• Implementere sikkerhetsbest-praktiser for AI.
• Forstå reguleringskompatibilitet og etiske hensyn for AI.
• Utvikle strategier for effektiv AI-styring og -håndtering.

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.

Denne instruktørledede, live-trening (online eller på stedet) er rettet mot mellomnivå AI- og cybersecurity-profesjonelle som ønsker å forstå og håndtere sikkerhetsutfordringer knyttet til AI-modeller og systemer, spesielt innenfor høyt regulerte bransjer som finans, datastyring og rådgivning.

Ved avslutningen av denne treningen vil deltakerne være i stand til å:

• Forstå typer av fiendtlige angrep som målretter AI-systemer og metoder for å forsvare seg mot dem.
• Implementere modellhærderingsteknikker for å sikre maskinlæringsrørledninger.
• Sikre datasikkerhet og integritet i maskinlæringsmodeller.
• Navigere i krav til regulativ overholdelse knyttet til AI-sikkerhet.

Denne instruktørledede, levende opplæringen (online eller på stedet) er rettet mot IT-sikkerhets-, risiko- og overholdelsesprofesjonelle på begynnernivå som ønsker å forstå grunnleggende AI-sikkerhetskonsepter, trusselvektorer og globale rammeverk som NIST AI RMF og ISO/IEC 42001.

Ved avslutningen av denne opplæringen vil deltakerne kunne:

• Forstå de unike sikkerhetsrisikoene som blir innført av AI-systemer.
• Identifisere trusselvektorer som f.eks. motangrep, dataforgiftning og modellinversjon.
• Anvende grunnleggende styringsmodeller som NIST AI Risk Management Framework.
• Justere bruken av AI med oppkomne standarder, overholdelsesretningslinjer og etiske prinsipper.

Denne instruktørlede, live-trening (online eller på stedet) er rettet mot fagfolk på avansert nivå som ønsker å implementere og vurdere teknikker som federated learning, secure multiparty computation, homomorphic encryption og differential privacy i virkelige maskinlærings-pipelines.

Til slutt i denne treningen vil deltakerne kunne:

• Forstå og sammenligne nøkkel-teknikker for privatlivsvern i ML.
• Implementere federated learning-systemer ved hjelp av open-source-rammeverk.
• Bruke differential privacy for sikker datasdeling og modelltrening.
• Bruke kryptering og sikre beregningsteknikker for å beskytte modellens inndata og utdata.

Denne instruktørledede, live-opplæring (online eller på sted) er rettet mot avanserte sikkerhetsprofesjonelle og ML-spesialister som ønsker å simulere angrep på AI-systemer, avdekke sårbarheter og forbedre robustheten til deployerte AI-modeller.

Ved avslutningen av denne opplæringen vil deltakerne være i stand til å:

• Simulere reelle trusler mot maskinlæringsmodeller.
• Generere moteksempler for å teste modellens robusthet.
• Vurdere angrepsflaten til AI-API-er og -pipeliner.
• Utforme red teaming-strategier for AI-deployeringmiljøer.

Denne opplæringskurset ledet av instruktør (online eller på stedet) er rettet mot mellomnivåutviklere og sikkerhetseksperter som ønsker å sikre AI-modeller som er implementert i kantmiljøer mot trusler som manipulering, datalekkasjer, fiendtlige innputter og fysiske angrep.

Ved slutten av dette kurset vil deltakerne kunne:

• Identifisere og vurdere sikkerhetsrisikoer i kant-AI-implementeringer.
• Bruke metoder for motstand mot manipulering og kryptert inferens.
• Hardere kantimplementerte modeller og sikre data-pipe-lines.
• Implementere trusselreduksjonsstrategier spesifikt for innbydde og begrensede systemer.

Denne instruktørlede, live treningen (online eller på stedet) er rettet mot mellomnivå maskinlærings- og kybersecuritetsprofesjonelle som ønsker å forstå og avverge oppstående trusler mot AI-modeller ved hjelp av både konseptuelle rammeverk og praktiske forsvarstiltak som robust trening og differensialprivats.

Til slutt i denne treningen vil deltakerne kunne:

• Identifisere og klassifisere AI-spesifikke trusler som f.eks. adversariske angrep, inversjon og forgiftning.
• Bruke verktøy som Adversarial Robustness Toolbox (ART) til å simulere angrep og teste modeller.
• Bruke praktiske forsvarstiltak som adversarisk trening, støyinjeksjon og privacybevarende teknikker.
• Utforme truslsbevisst modellvurderingsstrategier i produksjonsmiljøer.