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, el prompt como superficie de ataque.
- Taxonomía de ataques: durante el entrenamiento versus durante la inferencia versus ataques a la cadena de suministro.
- Modelo del adversario de ML: quién ataca los sistemas de IA y por qué.
OWASP Top 10 para Aplicaciones con LLM
- Inyección de prompt: vectores de ataque directos e indirectos.
- Manejo inseguro de salidas y falsificación de solicitudes entre plugins (Cross-Plugin Request Forgery).
- Envenenamiento de datos de entrenamiento y vulnerabilidades de la cadena de suministro.
- Denegación de servicio para modelos, divulgación de información sensible y exceso de agencia.
- Laboratorio práctico: explotación de cada categoría OWASP contra una aplicación de prueba.
Red Teaming de Inyección de Prompts y Jailbreak
- Taxonomía de técnicas de inyección: directa, indirecta, multi-turno y multimodal.
- Red teaming automatizado con Giskard, Garak y herramientas de fuzzing personalizadas.
- Clasificación de jailbreaks y evaluación de defensas.
- Construcción de un entorno (harness) para red teaming que permita pruebas continuas de seguridad en LLM.
Ataques y Defensas a Nivel de Modelo
- Extracción de modelos: robo de pesos y funcionalidad del modelo mediante consultas API.
- Inferencia de membresía: determinar si unos datos específicos formaron parte del conjunto de entrenamiento.
- Ejemplos adversarios: perturbaciones que engañan a clasificadores y embeddings.
- Envenenamiento de datos: corrupción de los datos de entrenamiento para inducir puertas traseras (backdoors) o degradar el rendimiento.
Controles de Seguridad de Entrada y Salida
- Saneamiento de entrada más allá de las defensas web tradicionales.
- Filtrado de salida: toxicidad, filtración de PII (información personal identificable), ejecución de código alucinado.
- Guardrails como infraestructura de seguridad: NeMo, Guardrails AI y políticas personalizadas.
- Imposición de salida estructurada como frontera de seguridad.
Seguridad de la Cadena de Suministro de IA
- Procedencia del modelo: verificación de la autenticidad e integridad del modelo.
- Escaneo de dependencias para marcos de ML y formatos de modelos.
- Servicio seguro de modelos: sandboxes, aislamiento de red y acceso de mínimo privilegio.
- Verificación de modelos afinados (fine-tuned) y comunitarios en busca de malware incrustado.
Seguridad Operativa para Sistemas de IA
- Control de acceso para puntos finales 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: cuándo 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.
- Familiaridad con conceptos de seguridad, incluyendo autenticación, autorización y modelado de amenazas.
- Habilidades avanzadas en Python para ejercicios de pruebas adversarias.
Audiencia
- 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 red team que incorporan sistemas de IA en su alcance de pruebas.
14 Horas
