课程大纲

AI 安全挑战简介

  • 了解 AI 系统特有的安全风险
  • 比较传统网路安全与 AI 网路安全
  • AI 模型中的攻击面概述

对抗性 Machine Learning

  • 对抗性攻击的类型:规避、投毒和提取
  • 实施对抗性防御和对策
  • 不同行业对抗性攻击的案例研究

模型强化技术

  • 模型稳健性和强化简介
  • 降低模型易受攻击的技术
  • 动手使用防御性蒸馏和其他硬化方法

资料安全Machine Learning

  • 保护用于训练和推理的数据管道
  • 防止数据泄露和模型反转攻击
  • 在 AI 系统中管理敏感数据的最佳实践

AI 安全合规性和法规要求

  • 了解有关 AI 和数据安全的法规
  • 遵守 GDPR、CCPA 和其他数据保护法律
  • 开发安全合规的 AI 模型

监控和维护 AI 系统安全

  • 为 AI 系统实施持续监控
  • 机器学习中安全性的日志记录和审计
  • 回应 AI 安全事件和漏洞

AI 网路安全的未来趋势

  • 保护 AI 和机器学习的新兴技术
  • AI 网路安全的创新机会
  • 为未来的 AI 安全挑战做好准备

总结和后续步骤

要求

  • 机器学习和 AI 概念的基础知识
  • 熟悉网路安全原则和实践

观众

  • 希望提高 AI 系统安全性的 AI 和机器学习工程师
  • 专注于 AI 模型保护的网路安全专业人员
  • 数据治理和安全领域的合规和风险管理专业人员
 14 小时

客户评论 (5)

即将举行的公开课程

课程分类