Gracias por enviar su consulta! Uno de los miembros de nuestro equipo se pondrá en contacto con usted en breve.
Gracias por enviar su reserva! Uno de los miembros de nuestro equipo se pondrá en contacto con usted en breve.
Temario del curso
El panorama de amenazas en la IA
- Por qué la seguridad en IA difiere del resto: naturaleza no determinista, razonamiento poco transparente y el prompt como superficie de ataque
- Taxonomía de ataques: según se produzcan durante el entrenamiento, la inferencia o en la cadena de suministro
- El modelo del adversario en IA: quiénes atacan los sistemas de inteligencia artificial y por qué motivo
OWASP Top 10 para aplicaciones LLM
- Inyección de prompts: vectores de ataque directos e indirectos
- Manejo inseguro de la salida y falsificación de solicitudes entre plugins
- Envenenamiento de los datos de entrenamiento y vulnerabilidades en la cadena de suministro
- Denegación de servicio mediante el modelo, filtración de información sensible y excesiva autonomía del sistema
- Laboratorio práctico: aprovechamiento de cada categoría del OWASP contra una aplicación de prueba
Inyección de prompts y pruebas de penetración para evasión en LLM
- Tipologías de técnicas de inyección: directa, indirecta, multipaso y multimodal
- Automatización de pruebas de penetración con herramientas como Giskard, Garak y otros fuzzers personalizados
- Clasificación de intentos de evasión de restricciones y evaluación de defensas implementadas
- Diseño de un entorno propio para pruebas de penetración en seguridad de LLM con fines continuos
Ataques y defensas a nivel de modelo
- Extracción de modelos: obtención ilícita de pesos y funcionalidades mediante solicitudes a la API del sistema
- Inferencia de pertenencia a un conjunto de entrenamiento: determinar si ciertos datos formaban parte originalmente de ese set
- Ejemplos adversariales: alteraciones que inducen errores en clasificadores o vectores de representación
- Envenenamiento de los datos de entrenamiento: manipulación deliberada para crear puertas traseras o reducir el rendimiento del modelo
Controles de seguridad en las entradas y salidas del sistema
- Limpieza de entradas que va más allá de los métodos habituales de protección web
- Filtrado de la información generada por el modelo: control de toxicidad, datos personales sensibles y posible ejecución inadecuada de código por parte del sistema.
- Implementación de barreras preventivas como infraestructura crítica para la seguridad: NeMo, Guardrails AI y políticas personalizadas del usuario
- Obligatoriedad en el uso de salidas estructuradas como mecanismo complementario de protección.
Seguridad en la cadena de suministro de IA
- Trazabilidad del origen de los modelos: validación de su autenticidad y condición intacta.
- Análisis pormenorizado de dependencias vinculadas a entornos de Machine Learning y formatos específicos de modelos.
- Aseguramiento en la prestación de servicios basados en IA: aislamiento mediante sandbox, restricción en comunicaciones de red y gestión con privilegios mínimos imprescindibles.
- Inspección minuciosa tanto de modelos ajustados por usuarios como de los generados comunitariamente en busca de código malicioso oculto.
Prácticas operativas para la seguridad de sistemas basados en IA
- Gestión estricta del acceso a endpoints vinculados al modelo, bases de vectores y utilidades autónomas.
- Registro exhaustivo de cada interacción efectuada con el sistema de IA y decisiones tomadas por éste.
- Protocolos para reaccionar ante incidentes de seguridad propios del ámbito de la IA: supuesto en que el modelo mismo haya sido comprometido.
- Incorporación constante de verificaciones de seguridad en los flujos de CI/CD vinculados a operaciones con modelos y datos.
Diseño estratégico para programas de seguridad orientada a IA
- Modelo de madurez y guía paso a paso para desarrollar un programa eficaz en este ámbito.
- Fusión adecuada del segmento de seguridad específica de IA con las actuales políticas de Seguridad de Aplicaciones e Infraestructura Cloud.
- Marcos normativos y legislación reciente aplicable a la creación y puesta en funcionamiento de sistemas basados en IA.
- Diseño, redacción y actualización constante de un manual institucional destinado al mantenimiento de seguridad en todo proyecto con componentes de IA.
Requerimientos
- Experiencia previa desplegando modelos de Machine Learning o aplicaciones LLM en producción.
- Conocimiento de conceptos básicos de seguridad, como autenticación, autorización y modelado de amenazas.
- Dominio del lenguaje Python para llevar a cabo ejercicios de pruebas adversariales.
Público objetivo
- Ingenieros de seguridad que deseen ampliar sus competencias al ámbito de las amenazas en IA y Machine Learning.
- Ingenieros de Machine Learning responsables de garantizar la seguridad y robustez de los modelos.
- Integrantes de equipos de pruebas de penetración interesados en incorporar sistemas de IA a sus procedimientos.
14 Horas
Formación Corporativa a Medida
Soluciones de formación diseñadas exclusivamente para empresas.
- Contenido personalizado: Adaptamos el temario y los ejercicios prácticos a los objetivos y necesidades reales del proyecto.
- Calendario flexible: Fechas y horarios adaptados a la agenda de su equipo.
- Modalidad: Online (en directo), In-company (en sus oficinas) o Híbrida.
Precio por grupo privado (formación online) desde 2900 € + IVA*
Contáctenos para obtener un presupuesto exacto y conocer nuestras promociones actuales