Contacta con nosotros

Temario del curso

Descripción general de la arquitectura de LLM y superficie de ataque

  • Cómo se construyen, implementan y acceden a los LLM a través de API.
  • Componentes clave en las pilas de aplicaciones de LLM (por ejemplo, indicaciones, agentes, memoria, API).
  • Dónde y cómo surgen los problemas de seguridad en el uso del mundo real.

Inyección de indicaciones y ataques de jailbreak

  • Qué es la inyección de indicaciones y por qué es peligrosa.
  • Escenarios de inyección directa e indirecta de indicaciones.
  • Técnicas de jailbreak para eludir los filtros de seguridad.
  • Estrategias de detección y mitigación.

Filtración de datos y riesgos de privacidad

  • Exposición accidental de datos a través de respuestas.
  • Filtraciones de información personal identificable (PII) y mal uso de la memoria del modelo.
  • Diseño de indicaciones conscientes de la privacidad y generación aumentada por recuperación (RAG).

Filtrado y protección de la salida de LLM

  • Uso de Guardrails AI para el filtrado de contenido y validación.
  • Definición de esquemas y restricciones de salida.
  • Monitoreo y registro de salidas inseguras.

Enfoques de ciclo humano y flujo de trabajo

  • Dónde y cuándo introducir la supervisión humana.
  • Colas de aprobación, umbrales de puntuación, manejo de casos fallback.
  • Calibración de confianza y el papel de la explicabilidad.

Patrones de diseño seguro para aplicaciones de LLM

  • Privilegio mínimo y aislamiento de entornos (sandboxing) para llamadas de API y agentes.
  • Limitación de velocidad, throttleo y detección de abuso.
  • Cadenas robustas con LangChain y aislamiento de indicaciones.

Cumplimiento, registro y gobernanza

  • Asegurar la auditoría de las salidas de LLM.
  • Mantener la trazabilidad y el control de versiones de indicaciones.
  • Alinear con políticas de seguridad interna y necesidades regulatorias.

Resumen y próximos pasos

Requerimientos

  • Comprensión de los modelos de lenguaje grandes y las interfaces basadas en indicaciones.
  • Experiencia construyendo aplicaciones de LLM usando Python.
  • Familiaridad con integraciones de API e implementaciones basadas en la nube.

Público objetivo

  • Desarrolladores de IA.
  • Arquitectos de aplicaciones y soluciones.
  • Gerentes de producto técnicos que trabajan con herramientas de LLM.
 14 Horas

Número de participantes


Precio por participante

Próximos cursos

Categorías Relacionadas