Temario del curso
Introducción al modelado de amenazas para IA
- ¿Qué hace vulnerables a los sistemas de IA?
- Superficie de ataque en la IA frente a sistemas convencionales
- Principales vectores de ataque: datos, modelos, resultados y capas de interfaz
Ataques adversariales contra modelos de IA
- Explicación sobre ejemplos adversariales y técnicas para generar perturbaciones en los datos
- Diferencias entre ataques de caja blanca y caja negra
- Métodos FGSM, PGD y DeepFool
- Visualización y creación práctica de ejemplos adversariales
Inversión de modelos y fuga de información confidencial
- Extracción de datos originales a partir del comportamiento del modelo
- Ataques de inferencia sobre la pertenencia de elementos al conjunto de entrenamiento
- Riesgos para la privacidad en modelos clasificadores y generativos
Envenenamiento de datos e inyección de puertas traseras
- Efecto del uso de datos adulterados en el comportamiento del modelo
- Puertas traseras basadas en disparadores y ataques tipo Trojan
- Estrategias para la detección y eliminación de datos tóxicos
Técnicas para mejorar la robustez y defensa de modelos
- Entrenamiento adversarial y ampliación del conjunto de datos mediante aumento
- Ocultado de gradientes y preprocesamiento eficaz de las entradas
- Suavizado del modelo y aplicación de técnicas de regularización
Defensas orientadas a la protección de privacidad en IA
- Introducción al concepto de privacidad diferencial
- Inyección controlada de ruido y gestión adecuada del presupuesto de privacidad
- Aprendizaje federado y mecanismos de agregación segura
Seguridad aplicada a la IA en entornos reales
- Evaluación y despliegue de modelos con consciencia plena de amenazas potenciales
- Aplicación práctica del Adversarial Robustness Toolbox (ART) en contextos reales
- Estudios de caso industriales: vulnerabilidades detectadas y estrategias adoptadas para su corrección
Resumen final y pasos a seguir
Requerimientos
- Conocimientos básicos sobre flujos de trabajo en aprendizaje automático y el proceso de entrenamiento de modelos
- Experiencia con Python y frameworks comunes del ámbito ML como PyTorch o TensorFlow
- Resulta útil tener cierta familiaridad con conceptos básicos de seguridad o modelado de amenazas
Público objetivo
- Ingenieros en aprendizaje automático
- Analistas de ciberseguridad
- Investigadores en IA y equipos encargados de la validación de modelos
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
Reseñas (2)
Realmente disfruté aprender sobre los ataques de IA y las herramientas disponibles para comenzar a practicar y utilizarlas activamente en pruebas de seguridad. Adquirí muchos conocimientos que no tenía al inicio, y el curso cumplió con lo que esperaba. Mi parte favorita del entrenamiento fue el navegador Comet, y quedé impresionado por lo que podía hacer. Sin duda seguiré explorándolo más. En general, fue un excelente curso y disfruté aprender sobre los Top 10 de OWASP para GenAI.
Patrick Collins - Optum
Curso - OWASP GenAI Security
Traducción Automática
El conocimiento profesional y la forma en que lo presentó ante nosotros
Miroslav Nachev - PUBLIC COURSE
Curso - Cybersecurity in AI Systems
Traducción Automática