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 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 en tiempo de entrenamiento vs. tiempo de inferencia vs. cadena de suministro.
- Modelo del adversario de ML: quién ataca 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.
- Denegación de servicio del modelo, divulgación de información sensible y agencia excesiva.
- Laboratorio práctico: explotación de cada categoría de OWASP contra una aplicación de prueba.
Pruebas de intrusión en inyección de prompts y jailbreak
- Taxonomía de técnicas de inyección: directa, indirecta, multi-turno y multimodal.
- Pruebas de intrusión automatizadas con Giskard, Garak y herramientas personalizadas de fuzzing.
- Clasificación de jailbreaks y evaluación de defensas.
- Construcción de un entorno (harness) para pruebas de intrusión que permita la validación continua de seguridad en LLM.
Ataques y defensas a nivel de modelo
- Extracción de modelos: robo de pesos y funcionalidad del modelo mediante consultas de API.
- Inferencia de membresía: determinar si los datos fueron parte del conjunto de entrenamiento.
- Ejemplos adversarios: perturbaciones que engañan a clasificadores y embeddings.
- Envenenamiento de datos: corrupción de datos de entrenamiento para inducir puertas traseras o degradar el rendimiento.
Controles de seguridad de entrada y salida
- Saneamiento de entradas más allá de las defensas web tradicionales.
- Filtrado de salidas: toxicidad, filtración de PII (información de identificación personal) y ejecución de código alucinado.
- Guardrails como infraestructura de seguridad: NeMo, Guardrails AI y políticas personalizadas.
- Aplicación de salidas estructuradas como un límite de seguridad.
Seguridad en la cadena de suministro de IA
- Procedencia del modelo: verificación de autenticidad e integridad del modelo.
- Escaneo de dependencias para marcos de ML y formatos de modelos.
- Servicio seguro de modelos: sandboxing, aislamiento de red y acceso de mínimo privilegio.
- Revisión de modelos afinados y de la comunidad en busca de malware incrustado.
Seguridad operacional para sistemas de IA
- Control de acceso para endpoints de modelos, almacenes vectoriales y herramientas de agentes.
- Registro de auditoría para cada interacción y decisión del modelo.
- Respuesta a incidentes específicos de IA: cuando el propio modelo se ve 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.
- Conocimiento de conceptos de seguridad, incluyendo autenticación, autorización y modelado de amenazas.
- Habilidad en Python para ejercicios de pruebas adversarias.
Público objetivo
- Ingenieros de seguridad que se expanden hacia superficies de amenaza de IA/ML.
- Ingenieros de ML responsables de la seguridad y robustez de los modelos.
- Miembros de equipos de pruebas de intrusión que incorporan sistemas de IA en su alcance de pruebas.
14 Horas
