Cybersecurity in AI Systems Treningskurs

Denne instruktørledede, liveopplæringen på Norge (online eller på sted) er rettet mot mellomnivåbedriftsledere som ønsker å forstå hvordan de kan styre og sikre AI-systemer ansvarsfullt og i samsvar med oppstående globale rammeverk som EU AI-loven, GDPR, ISO/IEC 42001 og USAs presidentordre om AI.

Ved fullføring av denne opplæringen vil deltakerne kunne:

• Forstå de juridiske, etiske og reguleringsmessige risikoene ved å bruke AI over avdelinger.
• Tolke og anvende hovedrammeverkene for AI-styring (EU AI-loven, NIST AI RMF, ISO/IEC 42001).
• Etablere sikkerhets-, revisjons- og tilsynspolitikk for AI-utplassering i bedriften.
• Utvikle innhentings- og bruksretningslinjer for tredjeparts- og interne AI-systemer.

Artificial Intelligence (AI) introduserer nye dimensjoner av operasjonell risiko, styreutfordringer og utsatthet for cyberangrep for regjeringens etater og departementer.

Dette instruktørledede, live-treningen (online eller på stedet) er rettet mot offentlig sektor IT- og risikoprofesjonelle med begrenset tidligere erfaring med AI som ønsker å forstå hvordan de kan evaluere, overvåke og sikre AI-systemer innenfor en regjeringens eller reguleringskontekst.

Ved slutten av denne treningen vil deltakerne kunne:

• Tolke viktige risikokonsepter knyttet til AI-systemer, inkludert bias, upålitelighet og modellsdrift.
• Søke AI-spesifikke styrings- og auditrammer som NIST AI RMF og ISO/IEC 42001.
• Gjenkjenne cybersecurity-trusler som målretter AI-modeller og datapipelines.
• Etablere tverrfaglige risikostyringsplaner og policy-samstilling for AI-implementering.

Formatet på kurset

• Interaktiv forelesning og diskusjon av offentlig sektor brukstilfeller.
• Øvelser med AI-styringsramme og policy-mapping.
• Scenario-basert truslemodellering og risikovurdering.

Kursetilpasningsmuligheter

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

Denne instruktørledede, live-opplæringen i Norge (online eller på stedet) er rettet mot IT-fagfolk på nybegynnernivå til mellomnivå som ønsker å forstå og implementere AI TRiSM i organisasjonene deres.

Ved slutten av denne opplæringen vil deltakerne kunne:

• Ta tak i nøkkelbegrepene og viktigheten av AI-tillit, risiko og sikkerhetsstyring.
• Identifisere og redusere risiko knyttet til AI-systemer.
• Implementer beste praksis for sikkerhet for AI.
• Forstå overholdelse av regelverk og etiske hensyn for AI.
• Utvikle strategier for effektiv AI-styring og ledelse.

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

Ved slutten av denne opplæringen vil deltakerne kunne:

• Forstå de unike sikkerhetsrisikoene som blir introdusert av AI-systemer.
• Identifisere trusselvektorer som fiendtlige angrep, dataforgiftning og modellinversjon.
• Anvende grunnleggende styringsmodeller som NIST AI Risk Management Framework.
• Tilpasse AI-bruk med fremvoksende standarder, samsvarsretningslinjer og etiske prinsipper.

Denne instruktørledede, live treningen i Norge (online eller på stedet) er rettet mot profesjonelle 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.Ved slutten av denne treningen vil deltakerne kunne:- Forstå og sammenligne viktige privatskyddende teknikker i ML.- Implementere federated learning systemer ved hjelp av open-source rammeverk.- Bruke differential privacy for sikker data deling og modelltrening.- Bruke kryptering og sikre beregningsmetoder for å beskytte modellinnspill og -utspill.

Denne instruktørledede, levende treningen i Norge (online eller på sted) er rettet mot avanserte sikkerhetsprofesjoner og ML-spesialister som ønsker å simulere angrep på AI-systemer, avsløre sårbarheter og øke robustheten til implementerte AI-modeller.

Ved slutten av denne treningen vil deltakerne kunne:

• Simulere reelle trusler mot maskinlæringsmodeller.
• Generere motstandsdyktige eksempler for å teste modellens robusthet.
• Vurdere angrepsflaten til AI-APIer og rørledninger.
• Utforme red teaming-strategier for AI-implementeringsmiljøer.

Denne instruktørledede, live trening i Norge (online eller på stedet) retter seg mot mellomnivå ingeniører og sikkerhetsprofesjonelle som ønsker å sikre AI-modeller som er utplassert på kanten mot trusler som manipulering, datalekkasjer, fiendtlige innspill og fysiske angrep.

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

• Identifisere og vurdere sikkerhetsrisikoer i edge AI-utplasseringer.
• Anvende teknikker for motstand mot manipulering og kryptert inferens.
• Herdere edge-utplasserte modeller og sikre datapipelines.
• Implementere trusselreduseringsstrategier spesielt for innbyggede og begrensede systemer.

Denne instruktørledede, live opplæring i Norge (online eller på sted) retter seg mot mellomnivå maskinlæring og cybersecurity fagfolk som ønsker å forstå og håndtere nye trusler mot AI-modeller, ved hjelp av både konseptuelle rammeverk og praktiske forsvar som robust trening og differensiert privatliv.

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

• Identifisere og klassifisere AI-spesifikke trusler som fiendtlige angrep, inversjon og forgiftning.
• Bruk verktøy som Adversarial Robustness Toolbox (ART) for å simulere angrep og teste modeller.
• Anvende praktiske forsvar inkludert fiendtlig trening, innsprøytning av støy og privatlivsbevarende teknikker.
• Utforme trusselbevisste modellvurderingsstrategier i produksjonsmiljøer.