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
Panorama de amenazas de IA
- Por qué la seguridad de IA es diferente: no determinismo, razonamiento opaco y el prompt como superficie de ataque.
- Taxonomía de ataques: ataques durante el entrenamiento vs. durante la inferencia vs. en la cadena de suministro.
- Modelo del adversario de ML: quién ataca a los sistemas de IA y por qué.
OWASP Top 10 para aplicaciones LLM
- Inyección de prompts: vectores de ataque directos e indirectos.
- Manejo inseguro de salidas y falsificación de solicitudes entre plugins.
- Envenenamiento de datos de entrenamiento y vulnerabilidades en la cadena de suministro.
- Negación de servicio al modelo, divulgación de información sensible y agencia excesiva.
- Laboratorio práctico: explotación de cada categoría OWASP contra una aplicación de prueba.
Pruebas de estrés con inyección de prompts y jailbreak
- Taxonomía de técnicas de inyección: directa, indirecta, multiconversacional y multimodal.
- Red team automatizado con Giskard, Garak y herramientas de fuzzing personalizadas.
- Clasificación de jailbreak y evaluación de defensas.
- Construcción de un entorno de pruebas red team para la seguridad continua de LLM.
Ataques y defensas a nivel de modelo
- Extracción de modelos: robo de pesos y funcionalidad del modelo mediante consultas API.
- Inferencia de pertenencia: determinar si los datos estuvieron en el conjunto de entrenamiento.
- Ejemplos adversarios: perturbaciones que engañan a clasificadores y embeddings.
- Envenenamiento de datos: corrupción de datos de entrenamiento para inducir backdoors o degradar el rendimiento.
Controles de seguridad de entrada y salida
- Sanitización de entrada más allá de las defensas web tradicionales.
- Filtrado de salida: toxicidad, filtración de información personal identificable (PII) y ejecución de código alucinado.
- Guardrails como infraestructura de seguridad: NeMo, Guardrails AI y políticas personalizadas.
- Imposición de salidas estructuradas como límite de seguridad.
Seguridad de la cadena de suministro de IA
- Procedencia del modelo: verificación de autenticidad e integridad del modelo.
- Análisis de dependencias para marcos de ML y formatos de modelos.
- Servido seguro de modelos: aislamiento en sandbox, aislamiento de red y acceso de mínimo privilegio.
- Verificación de modelos ajustados finamente (fine-tuned) y comunitarios para malware incrustado.
Seguridad operativa para sistemas de IA
- Control de acceso para endpoints de modelos, almacenes de vectores y herramientas de agentes.
- Registro de auditoría para cada interacción y decisión del modelo.
- Respuesta a incidentes para brechas específicas de IA: cuando el propio modelo es comprometido.
- Pruebas de seguridad continuas en CI/CD para pipelines de ML.
Construcción de un programa de seguridad de IA
- Modelo de madurez y hoja de ruta para la seguridad de IA.
- Integración de la seguridad de IA en programas existentes de AppSec y seguridad en la nube.
- Marco de gobernanza y regulaciones emergentes para sistemas de IA.
- Creación y mantenimiento de un manual organizacional de seguridad de IA.
Requerimientos
- Experiencia desplegando modelos de ML o aplicaciones LLM en producción.
- Familiaridad con conceptos de seguridad, incluyendo autenticación, autorización y modelado de amenazas.
- Competencia en Python para los ejercicios de pruebas adversarias.
Público objetivo
- Ingenieros de seguridad que se expanden hacia las superficies de amenaza de IA/ML.
- Ingenieros de ML responsables de la seguridad y robustez de los modelos.
- Miembros del equipo red team que incorporan sistemas de IA en su alcance de pruebas.
14 Horas
