Temario del curso
Módulo 1 — Cómo se rompen las aplicaciones de IA
Lab: ninguno — recorrido por la arquitectura y discusión
El modelo mental del constructor sobre la superficie de ataque.
Tópicos:
- Arquitecturas de LLM, RAG y agentes desde el lado del desarrollador
- el ciclo de vida de solicitud/respuesta de una función de IA
- flujo de prompts: mensajes del sistema, del desarrollador, del usuario y de la herramienta
- dónde entra (y vuelve a entrar) el dato no confiable en el modelo
- los límites de confianza que un desarrollador posee vs. hereda
- por qué los ataques de IA son semánticos, no sintácticos
- mapeo del OWASP LLM Top 10 al código que escribes
Insight clave: Cada lugar donde el texto no confiable alcanza al modelo — o la salida del modelo alcanza tu código — es un límite que posees.
Módulo 2 — Inyección de prompts para constructores
Lab: Lab 01 — 01-Injection-Prompts
El «momento de inyección SQL» para la IA — pero no puedes escaparte completamente de él.
Tópicos:
- inyección de prompts directa vs. indirecta
- instrucciones ocultas en documentos, páginas web, salida de herramientas
- jailbreaks y confusión de roles
- por qué importa la separación de instrucciones/datos
- diseño defensivo de prompts (delimitadores, estructura, autoridad mínima)
- por qué la prevención es parcial — diseña para contención
Manos a la obra:
- ataca tu propio chatbot
- bypasa un filtro ingenuo
- reestructura el prompt para reducir el radio de explosión
Módulo 3 — Tratando la salida del modelo como no confiable
Lab: Lab 02 — 02-Output-Handling
La clase de errores que los desarrolladores subestiman más.
Tópicos:
- salida del modelo como entrada no confiable para el resto de la app
- manejo inseguro de salida (LLM02): XSS, SSRF, inyección de comandos/SQL a posteriori
- nunca eval/exec/renderizar salida cruda del modelo
- salidas estructuradas y validación de esquema
- codificación de salida y listas de permite
- renderizado seguro en contextos web/UI
Manos a la obra:
- encuentra y corrige una vulnerabilidad de manejo inseguro de salida
- impón un esquema JSON en las respuestas del modelo
Módulo 4 — Seguridad de RAG
Lab: Lab 03 — 03-RAG-Security
Una de las superficies de ataque más grandes nuevas — y está en tus manos construirla.
Tópicos:
- amenazas a bases de datos vectoriales y recuperación
- sanitización de ingestión
- procedencia del documento y puntuación de confianza
- alcance de recuperación y aislamiento de metadatos
- instrucciones ocultas en el contenido recuperado (inyección indirecta)
- fuga de datos mediante recuperación
Manos a la obra: - envenena un pipeline de RAG con un documento malicioso - agrega sanitización de ingestión y alcance de recuperación para defenderlo
Módulo 5 — Seguridad de Agentes y Herramientas
Lab: Lab 04 — 04-Agent-Safety
Donde un error se convierte en una acción.
Tópicos:
- agencia excesiva (LLM06) y abuso de herramientas
- menor privilegio para agentes
- listas de permite de herramientas y validación de argumentos
- puertas de aprobación y humanos en el bucle
- contenedorización de la ejecución de herramientas
- credenciales de alcance corto para agentes
- limitación de bucles autónomos y encadenamiento
Manos a la obra:
- asegura un agente con permisos excesivos
- añade una lista de permite + puerta de aprobación a una herramienta peligrosa
Módulo 6 — Secretos, Identidad y Costos
Lab: Lab 05 — 05-Secrets-and-Cost
Los errores operativos que duelen más rápido.
Tópicos:
- gestión de claves API y secretos (nunca en prompts, código o registros)
- autenticación y autorización por usuario para funciones de IA
- propagación de la identidad del usuario a herramientas y recuperación
- denegación de billetera: consumo ilimitado de tokens/costos
- límites de tasa, presupuestos de tokens y tiempos de espera
- registro sin filtrar secretos o PII
Manos a la obra:
- saca los secretos de la ruta del prompt/código
- añade límites de tasa por usuario y un presupuesto de tokens/costos
Módulo 7 — Bibliotecas de Guardrails
Lab: Lab 06 — 06-Guardrails
Comprar vs. construir para la seguridad de entrada/salida.
Tópicos:
- qué hacen (y qué no) los frameworks de guardrails
- guardrails de entrada: clasificadores de inyección/PII/tópico
- guardrails de salida: validación, filtrado, verificaciones de fundamentación
- cuándo es apropiado un guardrail vs. tu propia verificación determinista
- capas de guardrails con los controles de módulos anteriores
- rendimiento, falsos positivos y modos de falla
Manos a la obra:
- añade una capa de guardrail de entrada/salida a una función de IA
- mide lo que captura y lo que deja pasar
Módulo 8 — Red-teaming de tu propia aplicación
Lab: Lab 07 — 07-Red-Teaming
Despliega como si un atacante ya lo tuviera.
Tópicos:
- construcción de una suite de abuso/pruebas para funciones de IA
- pruebas automatizadas de inyección de prompts y jailbreaks
- pruebas de regresión de guardrails y políticas
- ejecución de verificaciones de seguridad de IA en CI
- cadena de suministro de modelos y dependencias (procedencia, fijación)
- una lista de comprobación de seguridad pre-despliegue para funciones de IA
Manos a la obra:
- escribe pruebas automatizadas de red-team para una función de IA
- conéctalas a una comprobación de CI
Módulo 9 — Puntuación de Seguridad de IA: El Framework SAIS-100
Lab: ninguno — ejercicio de puntuación (usa la aplicación Capstone)
Convierte todo lo que has construido en una puntuación repetible.
Tópicos:
- el Hexágono de Seguridad de IA: seis preguntas en lugar de «¿es seguro?»
- las seis categorías puntuadas (Datos, Prompt, Agente, Cadena de Suministro, Detección, Gobernanza)
- la rúbrica de 100 puntos y sus ponderaciones
- bandas de veredicto y la regla de anulación de categoría única
- La Puntuación de IA Segura (SAIS-100) como un framework de marca, re-ejecutable
- puntuar antes/después del endurecimiento como métrica
Manos a la obra:
- punta la aplicación Capstone en la escala de 100 puntos
- nombra el cambio único que más eleva la puntuación
Insight clave: Las tres categorías de mayor peso se mapean a los límites de confianza que un desarrollador posee — por lo que la puntuación mide exactamente lo que este curso enseñó.
Capstone
Los estudiantes endurecen una aplicación de IA deliberadamente vulnerable de extremo a extremo.
La aplicación base contiene:
- un prompt inyectable
- manejo inseguro de salida
- un pipeline de RAG sin alcance definido
- un agente con permisos excesivos
- secretos en la ruta del prompt
- sin límites de costo
Los estudiantes aplican el curso:
- reestructuran prompts para contención
- validan y codifican la salida del modelo
- sanitizan y acotan la recuperación
- aplican menor privilegio y puertas de aprobación al agente
- mueven los secretos fuera y añaden límites de costo/tasa
- añaden guardrails y pruebas automatizadas de red-team
Entregable: una aplicación endurecida más una breve autoevaluación del OWASP LLM Top 10.
Mapeo Módulo-Lab
Los laboratorios se ejecutan en orden de lab, que sigue el orden del módulo. El curso tiene 9 módulos y 7 laboratorios: El Módulo 1 es un recorrido por la arquitectura/discusión y el Módulo 9 es un ejercicio de puntuación, por lo que ninguno tiene su propia carpeta de laboratorio.
- Lab 01 - 01-Injection-Prompts: Ataca tu chatbot y diseña para contención (Módulo 2)
- Lab 02 - 02-Output-Handling: Corrige un bug de manejo inseguro de salida (Módulo 3)
- Lab 03 - 03-RAG-Security: Envenena y defiende un pipeline de RAG (Módulo 4)
- Lab 04 - 04-Agent-Safety: Asegura un agente con permisos excesivos (Módulo 5)
- Lab 05 - 05-Secrets-and-Cost: Asegura claves + añade guardrails de costo (Módulo 6)
- Lab 06 - 06-Guardrails: Añade una capa de guardrail de entrada/salida (Módulo 7)
- Lab 07 - 07-Red-Teaming: Pruebas automatizadas de red-team en CI (Módulo 8)
El Módulo 1 (Cómo se rompen las aplicaciones de IA) no tiene lab — se ejecuta como un recorrido por la arquitectura y discusión. El Módulo 9 (Puntuación de Seguridad de IA) no tiene carpeta de laboratorio — se ejecuta como un ejercicio de puntuación contra la aplicación Capstone.
Requerimientos
- Nivel de habilidad Intermedio.
- Los estudiantes deben estar cómodos con: construir y consumir APIs REST, un lenguaje de scripting (los laboratorios usan Python), autenticación básica de aplicaciones, git y la CLI.
- No se requiere ningún conocimiento previo de aprendizaje automático: este es un curso de seguridad de aplicaciones para personas que construyen con LLMs, no quienes los entrenan.
Audiencia
- Ingenieros de software/backend construyendo funciones de LLM
- Desarrolladores full-stack y de APIs
- Ingenieros de aplicaciones de IA/ML
- Ingenieros de plataforma que despliegan copilotos y agentes
- Líderes técnicos e ingenieros senior responsables de funciones de IA
Testimonios (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
