TinyML 应用中的安全与隐私 培训

本课程由讲师主导，提供线上或线下培训，面向中级企业领导者，旨在帮助他们了解如何负责任地治理和保障AI系统，并遵守新兴的全球框架，如欧盟AI法案、GDPR、ISO/IEC 42001和美国AI行政命令。

通过本培训，参与者将能够：

• 了解跨部门使用AI的法律、伦理和监管风险。
• 解读并应用主要的AI治理框架（欧盟AI法案、NIST AI RMF、ISO/IEC 42001）。
• 为企业中的AI部署建立安全、审计和监督政策。
• 制定第三方和内部AI系统的采购与使用指南。

本课程提供了保护现代AI驱动应用程序、API、副驾驶和自主代理的实用介绍。学员将了解AI安全与传统Web安全的区别，探索常见的AI特有威胁（如提示注入、RAG投毒和代理滥用），并学习如何使用分层防御（包括WAF、AI网关、API安全和防护栏）保护AI系统。通过动手实验和真实案例，学员将掌握识别AI攻击模式、保护基于LLM的应用程序以及为生产环境部署有效运行时防御的技能。

本课程为讲师指导的中国（线上或线下）培训，面向希望了解并在其组织中实施AI TRiSM的初级到中级IT专业人员。

培训结束后，学员将能够：

• 掌握AI信任、风险与安全管理的关键概念和重要性。
• 识别并缓解与AI系统相关的风险。
• 实施AI安全的最佳实践。
• 了解AI的法规合规性和伦理考量。
• 制定有效的AI治理和管理策略。

本次由讲师指导的培训在中国（线上或线下）面向中高级AI开发者、架构师和产品经理，旨在帮助他们识别和缓解与LLM应用相关的风险，包括提示注入、数据泄露和未经过滤的输出，同时融入安全控制措施，如输入验证、人工监督和输出防护。

通过本次培训，参与者将能够：

• 理解基于LLM系统的核心漏洞。
• 将安全设计原则应用于LLM应用架构。
• 使用如Guardrails AI和LangChain等工具进行验证、过滤和安全性控制。
• 将沙盒、红队测试和人工审核等技术集成到生产级流程中。

本课程教授软件开发人员如何从设计上安全地构建AI驱动的应用。学员学习如何保护聊天机器人、副驾驶、RAG管道和AI代理免受提示注入、数据中毒、工具滥用、秘密泄露和不安全模型输出等AI特定威胁。课程涵盖安全提示设计、RAG安全性、最小权限访问、护栏和红队测试，帮助开发者构建在真实环境中安全、可靠和弹性的AI功能。

本课程由讲师指导，提供中国（线上或线下）培训，面向中级AI和网络安全专业人士，旨在帮助他们理解并解决AI模型和系统特有的安全漏洞，特别是在金融、数据治理和咨询等高度监管的行业中。

培训结束后，参与者将能够：

• 理解针对AI系统的对抗性攻击类型及其防御方法。
• 实施模型加固技术，确保机器学习管道的安全。
• 确保机器学习模型中的数据安全和完整性。
• 掌握与AI安全相关的法规合规要求。

本课程由讲师指导，采用中国（线上或线下）培训形式，面向希望加强EXO部署、控制模型访问并管理完全在本地运行的AI工作负载的安全工程师和合规官。

本次由讲师主导的培训在中国（线上或线下）面向初级的IT安全、风险和合规专业人员，旨在帮助他们理解AI安全的基础概念、威胁向量以及全球框架，如NIST AI RMF和ISO/IEC 42001。

培训结束后，参与者将能够：

• 理解AI系统引入的独特安全风险。
• 识别威胁向量，如对抗性攻击、数据中毒和模型反演。
• 应用基础治理模型，如NIST AI风险管理框架。
• 将AI使用与新兴标准、合规指南和伦理原则对齐。

本讲师主导的现场培训在中国（线上或线下）开展，面向需要识别、测试并防御针对机器学习模型和大型语言模型驱动应用程序攻击的安全工程师与机器学习工程师。

基于最新的 OWASP GenAI Security Project 指导方针，学员将通过实操练习和真实场景，学习识别、评估和缓解特定于 AI 的威胁。

本课程由讲师主导，提供中国的线上或线下培训，面向希望在实际机器学习管道中实施和评估联邦学习、安全多方计算、同态加密和差分隐私等技术的专业人士。

通过本培训，学员将能够：

• 理解并比较ML中的关键隐私保护技术。
• 使用开源框架实施联邦学习系统。
• 应用差分隐私进行安全的数据共享和模型训练。
• 使用加密和安全计算技术保护模型输入和输出。

本课程为讲师主导的线下或线上培训，面向高级安全专业人员和ML专家，旨在模拟对AI系统的攻击，发现漏洞，并增强已部署AI模型的鲁棒性。

在本培训结束时，参与者将能够：

• 模拟对机器学习模型的真实威胁。
• 生成对抗性样本来测试模型的鲁棒性。
• 评估AI API和管道的攻击面。
• 设计针对AI部署环境的红队策略。

本次由讲师主导的培训在中国（线上或线下）面向中级工程师和安全专业人员，旨在帮助他们保护部署在边缘的AI模型，抵御篡改、数据泄露、对抗性输入和物理攻击等威胁。

通过本培训，参与者将能够：

• 识别和评估边缘AI部署中的安全风险。
• 应用防篡改和加密推理技术。
• 加固边缘部署的模型并保护数据管道。
• 实施针对嵌入式与受限系统的威胁缓解策略。