Security and Privacy in TinyML Applications Träningskurs

Denna ledarledda, levande utbildning (online eller på plats) vänder sig till företagsledare på mellanavancerad nivå som vill förstå hur man styr och säkrar AI-system ansvarsfullt och i enlighet med uppkommande globala ramverk såsom EU:s AI-förordning, GDPR, ISO/IEC 42001 och USA:s exekutiva order om AI.

Vid kursens slut kommer deltagarna att kunna:

• Förstå de juridiska, etiska och reglerande riskerna med att använda AI över olika avdelningar.
• Tolka och tillämpa de främsta AI-styrningsramverken (EU:s AI-förordning, NIST AI RMF, ISO/IEC 42001).
• Införa säkerhets-, revisions- och övervakningspolicys för AI-distribution i företaget.
• Utveckla inköps- och användningsriktlinjer för tredjeparts- och internt AI-system.

Artificiell intelligens (AI) introducerar nya dimensioner av operativa risker, styrningsutmaningar och cybersäkerhetsutsättningar för myndigheter och departement.

Denna instruktörsledda, live-träning (online eller på plats) riktar sig till IT- och riskprofessionella inom den offentliga sektorn med begränsad tidigare erfarenhet av AI som vill förstå hur man utvärderar, övervakar och säkrar AI-system inom en regerings- eller regleringskontext.

Vid slutet av denna träning kommer deltagarna att kunna:

• Tydliggöra nyckelriskkoncept relaterade till AI-system, inklusive bias, oförutsägbarhet och modellförskjutning.
• Tillämpa AI-specifika styrnings- och revisionsramar som NIST AI RMF och ISO/IEC 42001.
• Identifiera cybersäkerhetshot som riktar sig mot AI-modeller och datapipelines.
• Upprätta tvärdepartementella riskhanteringsplaner och policyöverensstämmelse för AI-implementering.

Kursformat

• Interaktiv föreläsning och diskussion av användningsfall i den offentliga sektorn.
• Övningar i AI-styrningsramar och policykartläggning.
• Scenariebaserad hotmodellering och riskutvärdering.

Anpassningsalternativ för kursen

• För att begära en anpassad träning för denna kurs, kontakta oss för att ordna.

Denna instruktörsledda, levande utbildning (online eller på plats) vänder sig till IT-professionella på nybörjar- till mellanivå som vill förstå och implementera AI TRiSM i sina organisationer.

I slutet av denna utbildning kommer deltagarna att kunna:

• Fatta de centrala begreppen och vikten av AI-tillförlitlighet, risk- och säkerhetshantering.
• Identifiera och minska risker som är förknippade med AI-system.
• Implementera säkerhetsbästa praxis för AI.
• Förstå regleringskompatibilitet och etiska överväganden för AI.
• Utveckla strategier för effektiv AI-styrning och hantering.

Denna instruktörsledda, liveutbildning i Sverige (online eller på plats) riktar sig till AI-utvecklare, arkitekter och produktchefer på mellan- och avancerad nivå som vill identifiera och minimera risker förknippade med LLM-drivna applikationer, inklusive promptinjektion, dataläckage och ofiltrerad utgång, samtidigt som säkerhetskontroller som inmatningsvalidering, människa-i-loopen övervakning och utgångsgränser införlivas.

Efter avslutad utbildning kommer deltagarna att kunna:

• Förstå de grundläggande sårbarheterna i LLM-baserade system.
• Använda säkra designprinciper för LLM-apparkitektur.
• Använda verktyg som Guardrails AI och LangChain för validering, filtrering och säkerhet.
• Integrera teknik som sandlådor, red-teaming och människa-i-loopen-granskning i produktionsgraderade pipeline.

Denna instruktörsledda, live-utbildning på plats (online eller på plats) riktar sig till mellanavancerade AI- och cybersäkerhetsprofessionella som vill förstå och åtgärda säkerhetsrisker specifika för AI-modeller och system, särskilt inom starkt reglerade branscher såsom finans, datastyrelse och konsulting.

Vid utbildningens slut kommer deltagarna att kunna:

• Förstå typerna av motståndarattacker som riktar in sig på AI-system och metoder för att försvara sig mot dem.
• Implementera modellförstärkningstekniker för att säkra maskininlärningspipelines.
• Säkerställa datasäkerhet och integritet i maskininlärningsmodeller.
• Navigera i de regelverkskrav som är relaterade till AI-säkerhet.

Denna instruktörledda, levande utbildning (online eller på plats) riktar sig till IT-säkerhets-, risk- och överensstämmelseprofessionella på nybörjar-nivå som vill förstå grundläggande AI-säkerhetskoncept, hotvektorer och globala ramverk som NIST AI RMF och ISO/IEC 42001.

Vid slutet av denna utbildning kommer deltagarna att kunna:

• Förstå de unika säkerhetsrisker som introduceras av AI-system.
• Identifiera hotvektorer som motståndsattacker, dataförgiftning och modellinversion.
• Tillämpa grundläggande styrningsmodeller som NIST AI Risk Management Ramverk.
• Anpassa AI-användning till uppkommande standarder, överensstämmelseanvisningar och etiska principer.

Denna instruktörsledda, liveutbildning på plats eller online riktar sig till mellanavancerade inbäddade systemingenjörer och AI-utvecklare som vill distribuera maskininlärningsmodeller på mikrokontrollers med hjälp av TensorFlow Lite och Edge Impulse.

Efter avslutad utbildning kommer deltagarna att kunna:

• Förstå grunderna i TinyML och dess fördelar för AI-applikationer på kanten.
• Konfigurera en utvecklingsmiljö för TinyML-projekt.
• Träna, optimera och distribuera AI-modeller på lågeffektmikrokontrollers.
• Använda TensorFlow Lite och Edge Impulse för att implementera verkliga TinyML-applikationer.
• Optimera AI-modeller för strömförbrukningseffektivitet och minnesbegränsningar.

Utifrån den senaste vägledningen från OWASP GenAI Security Project kommer deltagarna att lära sig identifiera, bedöma och mildra AI-specifika hot genom praktiska övningar och verkliga scenarier.

Denna ledarstyrda, live genomförda utbildningen (online eller på plats) riktar sig till professionella på avancerad nivå som vill implementera och utvärdera tekniker såsom federated learning, secure multiparty computation, homomorphic encryption och differential privacy i praktiska maskininlärningspipelines.

Vid utbildningens slut kommer deltagarna att kunna:

• Förstå och jämföra nyckeltekniker för att bevara integriteten i ML.
• Implementera federated learning-system med öppen källkod.
• Tillämpa differential privacy för säker datadelning och modelltränings.
• Använda kryptering och säker beräkning för att skydda modellens in- och utgångar.

Denna instruktörsledda, live-träning i Sverige (online eller på plats) riktar sig till avancerade säkerhetsexperter och ML-specialister som vill simulera attacker på AI-system, upptäcka sårbarheter och förstärka robustheten hos distribuerade AI-modeller.

Vid slutet av den här träningen kommer deltagarna att kunna:

• Simulera riktiga hot mot maskininlärningsmodeller.
• Generera motståndsexempel för att testa modellens robusthet.
• Bedöma attackytan för AI-API:er och pipeliner.
• Utforma red team-strategier för AI-distributionsmiljöer.

Detta instruktörledda, liveutbildning i Sverige (online eller platsbaserat) riktas till mellannivåingetörs- och säkerhetsprofiler som vill säkra AI-modeller som distribuerats vid kanten mot hot som manipulering, datautlossning, fiendtliga inmatningar och fysiska angrepp.

Vid slutet av denna utbildning kommer deltagarna att kunna:

• Identifiera och bedöma säkerhetsrisker i Edge AI-distributioner.
• Använda manipuleringsresistenta och krypterade inferensmetoder.
• Härda modeller som distribuerats vid kanten och säkra dataflöden.
• Implementera hotbegränsningsstrategier specifika för inbyggda och begränsade system.

Detta instruktörsledda, liveutbildning i Sverige (online eller på plats) är riktat till mellannivåmaskininlärnings- och cybersäkerhetsexperter som önskar förstå och motverka framtida hot mot AI-modeller genom att använda både konceptuella ramverk och praktiska försvarsmetoder som robust utbildning och differentiell integritet.

Efter denna utbildning kommer deltagarna att kunna:

• Identifiera och klassificera AI-specifika hot som fiendtliga angrepp, inverseringsangrepp och förgiftning.
• Använd verktyg som Adversarial Robustness Toolbox (ART) för att simulera angrepp och testa modeller.
• Tillämpa praktiska försvarsmetoder inklusive fiendtlig utbildning, bullerinjektion och integritetsbevarande tekniker.
• Utforma hotmedvetna modellutvärderingsstrategier i produktionsmiljöer.

Kursen täcker styrning, identitets hantering och motståndstestning för agensbaserade AI-system, med fokus på företagssäkra distributionsmönster och praktiska rödtruppstekniker.

Detta instruktörsledd, liveutbildning (online eller platsbaserad) är riktad till avancerade praktiker som vill designa, säkra och utvärdera agensbaserade AI-system i produktionsmiljöer.

Vid slutet av denna utbildning kommer deltagarna att kunna:

• Definiera styrningsmodeller och policyer för säkra agensbaserade AI-distributioner.
• Designa icke-mänskliga identitets- och autentiseringsflöden för agenter med minsta behörighet.
• Implementera åtkomstkontroller, revisionsleder och övervakning anpassade till autonoma agenter.
• Planera och genomföra rödtruppsexerciser för att upptäcka missbruk, eskalationsvägar och dataexfiltreringsrisker.
• Minska vanliga hot mot agensbaserade system genom policy, tekniska kontroller och övervakning.

Kursformat

• Interaktiva föreläsningar och hotmodellverkshopar.
• Praktiska laborationer: identitetsprovisionering, policytillämpning och motståndssimulering.
• Rödtrupp-/blåtruppsexerciser och slututvärdering av kursen.

Kursanpassningsalternativ

• För att begära en anpassad utbildning för denna kurs, kontakta oss för att ordna.

Denna instruktörsledda, liveutbildning (online eller på plats) riktar sig till nybörjare inom ingenjörskonst och datavetenskap som vill förstå grunderna, utforska tillämpningar och distribuera AI-modeller på mikrokontroller.

Genom den här utbildningen kommer deltagarna att kunna:

• Förstå grunderna i TinyML och dess betydelse.
• Distribuera lättvikts-AI-modeller på mikrokontroller och kantanordningar.
• Optimera och finjustera maskininlärningsmodeller för låg strömförbrukning.
• Använda TinyML för verkliga tillämpningar såsom gesterkänning, avvikelseupptäckt och ljudbearbetning.

Denna instruktörsledda, liveutbildning i Sverige (online eller på plats) riktar sig till mellanavancerade inbyggda ingenjörer, IoT-utvecklare och AI-forskare som vill implementera TinyML-tekniker för AI-kraftiga applikationer på energieffektiv hårdvara.

Efter avslutad utbildning kommer deltagarna att kunna:

• Förstå grunderna i TinyML och edge AI.
• Distribuera lättviktiga AI-modeller på mikrocontroller.
• Optimerar AI-inferens för låg energiförbrukning.
• Integrera TinyML med verkliga IoT-applikationer.