Contacta con nosotros

Temario del curso

Visión general de la arquitectura de LLM y superficie de ataque

  • Cómo se construyen, despliegan y acceden a los LLM a través de APIs.
  • Componentes clave en la pila de aplicaciones de LLM (por ejemplo, indicaciones, agentes, memoria, APIs).
  • Dónde y cómo surgen los problemas de seguridad en el uso real.

Inyección de indicaciones y ataques de Jailbreak

  • Qué es la inyección de indicaciones y por qué es peligrosa.
  • Escenarios de inyección directa e indirecta de indicaciones.
  • Técnicas de jailbreaking para superar los filtros de seguridad.
  • Estrategias de detección y mitigación.

Filtración de datos y riesgos de privacidad

  • Exposición accidental de datos a través de las respuestas.
  • Filtraciones de información personalmente identificable (PII) y mal uso de la memoria del modelo.
  • Diseño de indicaciones y generación aumentada por recuperación (RAG) conscientes de la privacidad.

Filtrado y protección de salidas de LLM

  • Uso de Guardrails AI para filtrado y validación de contenido.
  • Definición de esquemas y restricciones de salida.
  • Monitoreo y registro de salidas no seguras.

Enfoques de intervención humana y flujos de trabajo

  • Dónde y cuándo introducir la supervisión humana.
  • Colas de aprobación, umbrales de puntuación y manejo de casos de respaldo.
  • Calibración de confianza y el papel de la explicabilidad.

Patrones de diseño seguros para aplicaciones LLM

  • Principio de menor privilegio y aislamiento en sandbox para llamadas a APIs y agentes.
  • Limitación de tasa, control y detección de abuso.
  • Cadenas robustas con LangChain y aislamiento de indicaciones.

Cumplimiento, registro y gobernanza

  • Asegurar la auditabilidad de las salidas de LLM.
  • Mantener la trazabilidad y el control de versiones de las indicaciones.
  • Alinear con las políticas de seguridad interna y las necesidades regulatorias.

Resumen y siguientes pasos

Requerimientos

  • Comprensión de los modelos de lenguaje grande y las interfaces basadas en indicaciones.
  • Experiencia en el desarrollo de aplicaciones con LLM utilizando Python.
  • Conocimiento sobre integraciones de API y despliegues en la nube.

Público objetivo

  • Desarrolladores de IA.
  • Arquitectos de aplicaciones y soluciones.
  • Gerentes de producto técnicos que trabajan con herramientas de LLM.
 14 Horas

Número de participantes


Precio por participante

Próximos cursos

Categorías Relacionadas