hong-kong現場AI安全培訓

本課程爲講師指導的hong-kong（線上或線下）培訓，面向希望瞭解並在其組織中實施AI TRiSM的初級到中級IT專業人員。

培訓結束後，學員將能夠：

• 掌握AI信任、風險與安全管理的關鍵概念和重要性。
• 識別並緩解與AI系統相關的風險。
• 實施AI安全的最佳實踐。
• 瞭解AI的法規合規性和倫理考量。
• 制定有效的AI治理和管理策略。

這門在 hong-kong 進行的講師帶領培訓。涵蓋 Agentic AI 系統的治理、身份識別管理及紅隊測試。高階實務人員將設計安全部署、實施最小特權存取，並執行對抗性測試。以緩解生產環境中的實際威脅。

本課程由講師指導，提供hong-kong（線上或線下）培訓，面向中級AI和網絡安全專業人士，旨在幫助他們理解並解決AI模型和系統特有的安全漏洞，特別是在金融、數據治理和諮詢等高度監管的行業中。

培訓結束後，參與者將能夠：

• 理解針對AI系統的對抗性攻擊類型及其防禦方法。
• 實施模型加固技術，確保機器學習管道的安全。
• 確保機器學習模型中的數據安全和完整性。
• 掌握與AI安全相關的法規合規要求。

本課程爲講師主導的線下或線上培訓，面向高級安全專業人員和ML專家，旨在模擬對AI系統的攻擊，發現漏洞，並增強已部署AI模型的魯棒性。

在本培訓結束時，參與者將能夠：

• 模擬對機器學習模型的真實威脅。
• 生成對抗性樣本來測試模型的魯棒性。
• 評估AI API和管道的攻擊面。
• 設計針對AI部署環境的紅隊策略。

此講師帶領的hong-kong培訓，旨在幫助進階專業人士保護邊緣設備上的TinyML管線。您將學習實施隱私保護技術，加固模型以抵禦對抗性威脅，並在受限環境中應用安全數據處理的最佳實踐。

本次由講師主導的培訓在hong-kong（線上或線下）面向中級工程師和安全專業人員，旨在幫助他們保護部署在邊緣的AI模型，抵禦篡改、數據泄露、對抗性輸入和物理攻擊等威脅。

通過本培訓，參與者將能夠：

• 識別和評估邊緣AI部署中的安全風險。
• 應用防篡改和加密推理技術。
• 加固邊緣部署的模型並保護數據管道。
• 實施針對嵌入式與受限系統的威脅緩解策略。

本課程由講師主導，提供hong-kong的線上或線下培訓，面向希望在實際機器學習管道中實施和評估聯邦學習、安全多方計算、同態加密和差分隱私等技術的專業人士。

通過本培訓，學員將能夠：

• 理解並比較ML中的關鍵隱私保護技術。
• 使用開源框架實施聯邦學習系統。
• 應用差分隱私進行安全的數據共享和模型訓練。
• 使用加密和安全計算技術保護模型輸入和輸出。

本課程由講師主導，提供線上或線下培訓，面向中級企業領導者，旨在幫助他們瞭解如何負責任地治理和保障AI系統，並遵守新興的全球框架，如歐盟AI法案、GDPR、ISO/IEC 42001和美國AI行政命令。

通過本培訓，參與者將能夠：

• 瞭解跨部門使用AI的法律、倫理和監管風險。
• 解讀並應用主要的AI治理框架（歐盟AI法案、NIST AI RMF、ISO/IEC 42001）。
• 爲企業中的AI部署建立安全、審計和監督政策。
• 制定第三方和內部AI系統的採購與使用指南。

本次由講師指導的培訓在hong-kong（線上或線下）面向中高級AI開發者、架構師和產品經理，旨在幫助他們識別和緩解與LLM應用相關的風險，包括提示注入、數據泄露和未經過濾的輸出，同時融入安全控制措施，如輸入驗證、人工監督和輸出防護。

通過本次培訓，參與者將能夠：

• 理解基於LLM系統的核心漏洞。
• 將安全設計原則應用於LLM應用架構。
• 使用如Guardrails AI和LangChain等工具進行驗證、過濾和安全性控制。
• 將沙盒、紅隊測試和人工審覈等技術集成到生產級流程中。

本課程爲講師指導的培訓（hong-kong線上或線下），面向中級機器學習與網絡安全專業人士，旨在幫助他們理解並緩解針對AI模型的新興威脅，使用概念框架和實際防禦手段，如魯棒訓練和差分隱私。

培訓結束後，學員將能夠：

• 識別並分類AI特定威脅，如對抗性攻擊、逆向攻擊和投毒。
• 使用Adversarial Robustness Toolbox（ART）等工具模擬攻擊並測試模型。
• 應用實際防禦手段，包括對抗性訓練、噪聲注入和隱私保護技術。
• 在生產環境中設計威脅感知的模型評估策略。

本次由講師主導的培訓在hong-kong（線上或線下）面向初級的IT安全、風險和合規專業人員，旨在幫助他們理解AI安全的基礎概念、威脅向量以及全球框架，如NIST AI RMF和ISO/IEC 42001。

培訓結束後，參與者將能夠：

• 理解AI系統引入的獨特安全風險。
• 識別威脅向量，如對抗性攻擊、數據中毒和模型反演。
• 應用基礎治理模型，如NIST AI風險管理框架。
• 將AI使用與新興標準、合規指南和倫理原則對齊。

基於最新的 OWASP GenAI Security Project 指導方針，學員將通過實操練習和真實場景，學習識別、評估和緩解特定於 AI 的威脅。

本課程提供了保護現代AI驅動應用程序、API、副駕駛和自主代理的實用介紹。學員將瞭解AI安全與傳統Web安全的區別，探索常見的AI特有威脅（如提示注入、RAG投毒和代理濫用），並學習如何使用分層防禦（包括WAF、AI網關、API安全和防護欄）保護AI系統。通過動手實驗和真實案例，學員將掌握識別AI攻擊模式、保護基於LLM的應用程序以及爲生產環境部署有效運行時防禦的技能。

本課程教授軟件開發人員如何從設計上安全地構建AI驅動的應用。學員學習如何保護聊天機器人、副駕駛、RAG管道和AI代理免受提示注入、數據中毒、工具濫用、祕密泄露和不安全模型輸出等AI特定威脅。課程涵蓋安全提示設計、RAG安全性、最小權限訪問、護欄和紅隊測試，幫助開發者構建在真實環境中安全、可靠和彈性的AI功能。

本課程由講師指導，採用hong-kong（線上或線下）培訓形式，面向希望加強EXO部署、控制模型訪問並管理完全在本地運行的AI工作負載的安全工程師和合規官。

本講師主導的現場培訓在hong-kong（線上或線下）開展，面向需要識別、測試並防禦針對機器學習模型和大型語言模型驅動應用程序攻擊的安全工程師與機器學習工程師。