Introduction to AI Trust, Risk, and Security Management (AI TRiSM) Training Cursus

Deze door instructeurs geleide, live training (online of op locatie) is bedoeld voor tussenniveau-ondernemingsleiders die willen begrijpen hoe ze AI-systemen verantwoordelijk en in overeenstemming met opkomende wereldwijde kaders zoals de EU AI Act, GDPR, ISO/IEC 42001 en de Amerikaanse Uitvoeringsorder over AI kunnen beheren en beveiligen.Na afloop van deze training zullen de deelnemers in staat zijn om:- De juridische, ethische en regelgevende risico's van het gebruik van AI in verschillende afdelingen te begrijpen.- Belangrijke AI-governance-kaders (EU AI Act, NIST AI RMF, ISO/IEC 42001) te interpreteren en toe te passen.- Beveiligings-, audit- en toezichtbeleid voor de implementatie van AI in de onderneming vast te stellen.- Aankoop- en gebruikshandleidingen voor derde partij- en interne AI-systemen te ontwikkelen.

Artificial Intelligence (AI) voegt nieuwe dimensies van operationele risico's, governance-uitdagingen en cybersecurity-blootstelling toe voor overheidsinstanties en departementen.

Deze door een instructeur geleide live training (online of op locatie) is gericht op IT- en risicoprofessionals van de overheid met beperkte ervaring in AI die willen leren hoe zij AI-systemen in een overheids- of regelgevingscontext kunnen evalueren, bewaken en beveiligen.

Aan het einde van deze training kunnen de deelnemers:

• Belangrijke risicoconcepten met betrekking tot AI-systemen interpreteren, inclusief bias, onvoorspelbaarheid en modeldrift.
• AI-specifieke governance- en auditing frameworks zoals NIST AI RMF en ISO/IEC 42001 toepassen.
• Cybersecurity-bedreigingen voor AI-modellen en datapipelines herkennen.
• Kruisdepartementale risicomanagementplannen en beleidsafstemming voor AI-implementatie opstellen.

Formaat van de cursus

• Interactieve lezingen en discussies over publieke sectorgebruiksgevallen.
• Oefeningen met AI governance frameworks en beleidsafbeeldingen.
• Scenario-gebaseerd bedreigingsmodellering en risicobeoordeling.

Opties voor cursusaanpassing

• Om een aangepaste training voor deze cursus aan te vragen, neem dan contact met ons op om te regelen.

Deze instructeurgeleide, live training in België (online of op locatie) is gericht op AI-ontwikkelaars, architecten en productmanagers op tussen- en gevorderd niveau die risico's willen identificeren en verminderen die verband houden met LLM-gestuurde toepassingen, waaronder prompt injectie, datalekken en ongefilterde uitvoer, terwijl ze veiligheidscontroles zoals invoervalidatie, mens-in-de-schijf toezicht en uitvoerbeveiligingen integreren.

Na deze training zullen de deelnemers in staat zijn om:

• De kernkwetsbaarheden van LLM-gebaseerde systemen te begrijpen.
• Veilige ontwerpprincipes toe te passen op de architectuur van LLM-apps.
• Tools zoals Guardrails AI en LangChain te gebruiken voor validatie, filtering en veiligheid.
• Technieken zoals sandboxing, red teaming en mens-in-de-schijf beoordeling te integreren in productiekwaliteitslijnen.

Deze live training onder leiding van een instructeur in België (online of ter plaatse) is gericht op AI- en cyberbeveiligingsprofessionals op gemiddeld niveau die de beveiligingskwetsbaarheden willen begrijpen en aanpakken die specifiek zijn voor AI-modellen en -systemen, met name in sterk gereguleerde sectoren zoals financiën, gegevensbeheer en consulting.

Aan het einde van deze training zijn de deelnemers in staat om:

• Begrijp de soorten vijandige aanvallen gericht op AI-systemen en methoden om u ertegen te verdedigen.
• Implementeer modelverhardingstechnieken om machine learning-pijplijnen te beveiligen.
• Zorg voor gegevensbeveiliging en -integriteit in machine learning-modellen.
• Navigeer door de nalevingsvereisten van de regelgeving met betrekking tot AI-beveiliging.

Deze door een instructeur geleide, live training op locatie (online of ter plaatse) is gericht op IT-beveiligings-, risico- en complianceprofessionals op beginner-niveau die de basisconcepten van AI-beveiliging, bedreigingsvectoren en globale frameworks zoals NIST AI RMF en ISO/IEC 42001 willen begrijpen.

Na afloop van deze training zullen de deelnemers in staat zijn om:

• De unieke beveiligingsrisico's die door AI-systemen worden geïntroduceerd te begrijpen.
• Bedreigingsvectoren zoals adversariale aanvallen, data-vervuiling en modelinversie te identificeren.
• Basale beheersingsmodellen zoals het NIST AI Risk Management Framework toe te passen.
• Het gebruik van AI af te stemmen op opkomende normen, compliance-richtlijnen en ethische principes.

Deze door een instructeur geleide live training in België (online of op locatie) is gericht op geavanceerde professionals die willen implementeren en evalueren van technieken zoals federated learning, secure multiparty computation, homomorphic encryption en differential privacy in echte machine learning pijplijnen.

Na het voltooien van deze training zullen de deelnemers in staat zijn om:

• De belangrijkste privacybehoudende technieken in ML te begrijpen en te vergelijken.
• Federated learning systemen te implementeren met behulp van open-source frameworks.
• Differential privacy toe te passen voor veilig gegevensdeling en modeltraining.
• Encryptering en beveiligde berekeningstechnieken te gebruiken om model invoer en uitvoer te beschermen.

Deze door een instructeur geleide live training op locatie (online of op locatie) richt zich op geavanceerde beveiligingsprofessionals en ML-specialisten die aanvallen op AI-systemen willen simuleren, kwetsbaarheden willen ontdekken en de robuustheid van geïmplementeerde AI-modellen willen versterken.Aan het einde van deze training kunnen de deelnemers:

• Echte bedreigingen voor machine learning-modellen simuleren.
• Adversariale voorbeelden genereren om de robuustheid van modellen te testen.
• Het aanvalsovervlak van AI-API's en pipelines beoordelen.
• Red teaming-strategieën ontwerpen voor AI-deploymentsomgevingen.

Deze instructeurgeleid, live training (online of ter plaatse) is gericht op ingenieurs en beveiligingsspecialisten op intermediair niveau die AI-modellen die aan de rand zijn geïmplementeerd willen beveiligen tegen bedreigingen zoals manipulatie, datalekken, adversarische invoeren en fysieke aanvallen.Aan het einde van deze training zullen de deelnemers in staat zijn om:* Beveiligingsrisico's in edge AI-implementaties te identificeren en beoordelen.* Tamper-resistantie en gecodeerde inferentietechnieken toe te passen.* Edge-geïmplementeerde modellen te verharden en gegevenspijplijnen te beveiligen.* Bedreigingsverminderingstrategieën specifiek voor inbedde en beperkte systemen te implementeren.

Deze door een instructeur geleide, live training op locatie (online of ter plekke) richt zich op machine learning- en cyberbeveiligingsprofessionals op intermediair niveau die emergente bedreigingen tegen AI-modellen willen begrijpen en neutraliseren, met behulp van zowel conceptuele kaders als praktische verdedigingen zoals robuuste training en differentieel privacy.

Aan het einde van deze training kunnen de deelnemers:

• AI-specifieke bedreigingen zoals adversarische aanvallen, inversie en vergiftiging identificeren en classificeren.
• Gebruik maken van hulpmiddelen zoals de Adversarial Robustness Toolbox (ART) om aanvallen te simuleren en modellen te testen.
• Praktische verdedigingen toepassen zoals adversarische training, ruisinjectie en privacy-bewarende technieken.
• Bedreigingsbewuste model-evaluatiestrategieën in productieomgevingen ontwerpen.