Sikkerhet og personvern i TinyML-applikasjoner Treningskurs

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 instruksjorsledde, direkte utdanningen Norge (online eller på stedet) er rettet mot sikkerhetsingeniører, SOC-analytikere og plattformlag som ønsker å forsvare AI-applikasjoner, APIer, copilots og autonome agenter ved hjelp av WAF, AI gateveier, garde, deteksjonsingeniørarbeid og lagdelt køtløpsforsvar.

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.

Denne instruktørledede, live-trainingen i Norge (online eller på stedet) er rettet mot AI-utviklere, arkitekter og produktledere på mellom- til avansert nivå som ønsker å identifisere og redusere risikoen forbundet med LLM-drevne applikasjoner, inkludert prompt-injeksjon, datalekkasj og ufiltrert output, samtidig som man integrerer sikkerhetskontroller som input-validering, menneske-i-løkke-oppfølging og output-guardrails. 

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

• Forstå de grunnleggende sårbarhetene til LLM-baserte systemer. 
• anvende sikre designprinsipper til LLM-applikasjonsarkitektur. 
• bruke verktøy som Guardrails AI og LangChain for validering, filtrering og sikkerhet. 
• integrere teknikker som sandboxing, red teaming og menneske-i-løkke-gjennomgang i produksjonsklare pipelines. 

Denne instruktørledde, live-utdanningen i Norge (online eller på plass) er rettet mot utviklere og plattformingeniører som ønsker å bygge AI-funksjoner som tåler promptinjeksjon, dataforgiftning, verktøymisbruk og lekkasje av hemmeligheter, sikre ut fra designet snarere enn at de patches etter hendelsen.

Dette instruktørgitte, live-opplæring i Norge (online eller på stedet) retter seg mot tekniske managere, arkitekter og sikkerhetsingeniører som ønsker å sikre generativ AI og agensystemer i leveranse, dekkende trusselmodellering, vaktboder, agenttillatelser, pipeline-sikkerhet og governance.

Dette instruktørlede, live-kurset i Norge (online eller på plass) er rettet mot AI- og cybersikkerhetsprofesjonelle på mellomnivå som ønsker å forstå og håndtere sikkerhetssårbarheter som er spesifikke for AI-modeller og -systemer, spesielt i sterkt regulerte bransjer som finans, datastyring og konsulentvirksomhet.

Etter avsluttet trening vil deltakerne kunne:

• Forstå typer motstanderangrep rettet mot AI-systemer og metoder for å forsvare seg mot dem.
• Implementere teknikker for herding av modeller for å sikre maskinlæringspipeliner.
• Sikre datasikkerhet og integritet i maskinlæringsmodeller.
• Navigere i regelverkskrav knyttet til AI-sikkerhet.

Denne instruktørledete, levende opplæringen i Norge (nettbasert eller på stedet) er rettet mot sikkerhetsingeniører og etterlevelsesmyndigheter som ønsker å styrke EXO-implementeringer, kontrollere modelltilgang og styre AI-arbeidsbelastninger som kjører helt lokalt.

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.

Denne instruktørledede, live-opplæringen i Norge (online eller på stedet) er rettet mot sikkerhets- og ML-ingeniører som trenger å identifisere, teste og forsvare seg mot angrep mot ML-modeller og applikasjoner drevet av store språkmodeller.

Basert på de nyeste retningslinjene fra OWASP GenAI Security Project, lærer deltakerne å identifisere, vurdere og dempe AI-spesifikke trusler gjennom praktiske øvelser og reelle scenarioer.

Denne instruktørgitte, live-utdanningen i Norge (online eller på lokasjon) er rettet mot erfarne profesjonelle som ønsker å implementere og vurdere teknikker som føderert læring, sikker multipartyberegning, homomorf kryptografi og differensiell personvern i maskinlæringspiper i sanne sammenhenger.

Etter å ha fullført denne utdanningen vil deltakerne kunne:

• Forstå og sammenligne sentrale personverntechniker i maskinlæring.
• Implementere systemer for føderert læring ved hjelp av open source-rammeverk.
• Anvende differensiell personvern for sikker datadeling og modelltrening.
• Bruke kryptering og teknikker for sikker beregning for å beskytte modellinnganger og -utganger.

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.