Takk for at du sendte din henvendelse! En av våre teammedlemmer vil kontakte deg straks.
Takk for at du sendte din bestilling! En av våre teammedlemmer vil kontakte deg straks.
Varighet 14 timer
Kursplan
OVERSIKT OVER LLM-ARKITEKTUR OG ANGREPSFLATE
- Hvordan LLMer bygges, deployeres og tilgangsgis via API
- Hovedkomponenter i LLM-applikasjonsstakker (f.eks. prompts, agenter, hukommelse, API)
- Hvor og hvordan sikkerhetsproblemer oppstår i virkelige bruksområder
PROMPT-INJEKSJON OG JAILBREAK-ANGREP
- Hva er prompt-injeksjon og hvorfor det er farlig
- Direkte og indirekte prompt-injeksjonsscenarioer
- Jailbreak-teknikker for å omgå sikkerhetsfilter
- Oppdagelses- og dempingstiltak
DATALEKKASJ OG PRIVATISKSROSISKKO
- Utilsiktet eksponering av data gjennom svar
- PII-lekkasjer og misbruk av modellhukommelse
- Design av privatlivsbevisste prompts og retrieval-augmented generation (RAG)
LLM OUTPUT-FILTRERING OG BESKYTTELSE
- Bruk av Guardrails AI for innholdsfiltrering og validering
- Definisjon av output-skjemaer og begrensninger
- Overvåking og logging av usikre utdata
MENNESKE-I-LØKKE OG ARBEIDSFLØSMETODER
- Hvor og når man skal introdusere menneskelig tilsyn
- Godkjenningskøer, terskelverdier for scoring, fallback-håndtering
- Tillit-kalibrering og rollen til forklarebarhet
SIKRE LLM-APPS DESIGNMØNSTRE
- Minste privilegier og sandboxing for API-kall og agenter
- Hastighetsbegrensning, throttling og misoppdagelse
- Robust kjedning med LangChain og prompt-isolasjon
KOMPLIANS, LOGGING OG STYRING
- Sikre at LLM-utdata kan revideres
- Vedlikehold av sporbarhet og prompt/versjonskontroll
- Justering mot interne sikkerhetspolicyer og regulatoriske behov
OPPsummering og neste steg
Krav
- En forståelse av store språkmodeller og prompt-baserte grensesnitt
- Erfaring med å bygge LLM-applikasjoner ved hjelp av Python
- Bekjentskap med API-integrasjoner og skybaserte deployeringer
Målgruppe
- AI-utviklere
- Applikasjons- og løsningsarkitekter
- Tekniske produktledere som jobber med LLM-verktøy
