Red Teaming AI Systems: Offensive Security for ML Models Training Cursus

Deze door instructeurs geleide, live training (online of op locatie) is bedoeld voor tussenniveau-ondernemingsleiders die willen begrijpen hoe ze AI-systemen verantwoordelijk en in overeenstemming met opkomende wereldwijde kaders zoals de EU AI Act, GDPR, ISO/IEC 42001 en de Amerikaanse Uitvoeringsorder over AI kunnen beheren en beveiligen. Na afloop van deze training zullen de deelnemers in staat zijn om: - De juridische, ethische en regelgevende risico's van het gebruik van AI in verschillende afdelingen te begrijpen. - Belangrijke AI-governance-kaders (EU AI Act, NIST AI RMF, ISO/IEC 42001) te interpreteren en toe te passen. - Beveiligings-, audit- en toezichtbeleid voor de implementatie van AI in de onderneming vast te stellen. - Aankoop- en gebruikshandleidingen voor derde partij- en interne AI-systemen te ontwikkelen.

Deze instructeurgeleide, live training in Nederland (online of op locatie) is gericht op AI-ontwikkelaars, architecten en productmanagers op tussen- en gevorderd niveau die risico's willen identificeren en verminderen die verband houden met LLM-gestuurde toepassingen, waaronder prompt injectie, datalekken en ongefilterde uitvoer, terwijl ze veiligheidscontroles zoals invoervalidatie, mens-in-de-schijf toezicht en uitvoerbeveiligingen integreren.

Na deze training zullen de deelnemers in staat zijn om:

• De kernkwetsbaarheden van LLM-gebaseerde systemen te begrijpen.
• Veilige ontwerpprincipes toe te passen op de architectuur van LLM-apps.
• Tools zoals Guardrails AI en LangChain te gebruiken voor validatie, filtering en veiligheid.
• Technieken zoals sandboxing, red teaming en mens-in-de-schijf beoordeling te integreren in productiekwaliteitslijnen.

Deze door een instructeur geleide, live training op locatie (online of ter plaatse) is gericht op IT-beveiligings-, risico- en complianceprofessionals op beginner-niveau die de basisconcepten van AI-beveiliging, bedreigingsvectoren en globale frameworks zoals NIST AI RMF en ISO/IEC 42001 willen begrijpen.

Na afloop van deze training zullen de deelnemers in staat zijn om:

• De unieke beveiligingsrisico's die door AI-systemen worden geïntroduceerd te begrijpen.
• Bedreigingsvectoren zoals adversariale aanvallen, data-vervuiling en modelinversie te identificeren.
• Basale beheersingsmodellen zoals het NIST AI Risk Management Framework toe te passen.
• Het gebruik van AI af te stemmen op opkomende normen, compliance-richtlijnen en ethische principes.

Deze door een instructeur geleide live training in Nederland (online of op locatie) is gericht op geavanceerde professionals die willen implementeren en evalueren van technieken zoals federated learning, secure multiparty computation, homomorphic encryption en differential privacy in echte machine learning pijplijnen.

Na het voltooien van deze training zullen de deelnemers in staat zijn om:

• De belangrijkste privacybehoudende technieken in ML te begrijpen en te vergelijken.
• Federated learning systemen te implementeren met behulp van open-source frameworks.
• Differential privacy toe te passen voor veilig gegevensdeling en modeltraining.
• Encryptering en beveiligde berekeningstechnieken te gebruiken om model invoer en uitvoer te beschermen.

Deze instructeurgeleid, live training (online of ter plaatse) is gericht op ingenieurs en beveiligingsspecialisten op intermediair niveau die AI-modellen die aan de rand zijn geïmplementeerd willen beveiligen tegen bedreigingen zoals manipulatie, datalekken, adversarische invoeren en fysieke aanvallen. Aan het einde van deze training zullen de deelnemers in staat zijn om: * Beveiligingsrisico's in edge AI-implementaties te identificeren en beoordelen. * Tamper-resistantie en gecodeerde inferentietechnieken toe te passen. * Edge-geïmplementeerde modellen te verharden en gegevenspijplijnen te beveiligen. * Bedreigingsverminderingstrategieën specifiek voor inbedde en beperkte systemen te implementeren.

Deze door een instructeur geleide, live training op locatie (online of ter plekke) richt zich op machine learning- en cyberbeveiligingsprofessionals op intermediair niveau die emergente bedreigingen tegen AI-modellen willen begrijpen en neutraliseren, met behulp van zowel conceptuele kaders als praktische verdedigingen zoals robuuste training en differentieel privacy.

Aan het einde van deze training kunnen de deelnemers:

• AI-specifieke bedreigingen zoals adversarische aanvallen, inversie en vergiftiging identificeren en classificeren.
• Gebruik maken van hulpmiddelen zoals de Adversarial Robustness Toolbox (ART) om aanvallen te simuleren en modellen te testen.
• Praktische verdedigingen toepassen zoals adversarische training, ruisinjectie en privacy-bewarende technieken.
• Bedreigingsbewuste model-evaluatiestrategieën in productieomgevingen ontwerpen.