Gracias por enviar su consulta! Uno de los miembros de nuestro equipo se pondrá en contacto con usted en breve.
Gracias por enviar su reserva! Uno de los miembros de nuestro equipo se pondrá en contacto con usted en breve.
Duración 21 horas
Temario del curso
Introducción a la seguridad en TinyML
- Desafíos de seguridad en sistemas de ML con recursos limitados
- Modelos de amenaza para despliegues de TinyML
- Categorías de riesgo para aplicaciones de IA embebida
Privacidad de datos en IA de borde
- Consideraciones de privacidad para el procesamiento de datos en el dispositivo
- Minimización de la exposición y transferencia de datos
- Técnicas para el manejo descentralizado de datos
Ataques adversarios a modelos TinyML
- Amenazas de evasión y envenenamiento de modelos
- Manipulación de entradas en sensores embebidos
- Evaluación de la vulnerabilidad en entornos restringidos
Fortalecimiento de la seguridad en ML embebido
- Capas de protección de firmware y hardware
- Mecanismos de control de acceso y arranque seguro
- Mejores prácticas para proteger las tuberías de inferencia
Técnicas de TinyML que preservan la privacidad
- Consideraciones sobre cuantización y diseño de modelos para la privacidad
- Técnicas para el anonimato en el dispositivo
- Métodos de cifrado ligero y computación segura
Despliegue y mantenimiento seguros
- Provisionamiento seguro de dispositivos TinyML
- Estrategias de actualización OTA y aplicación de parches
- Monitoreo y respuesta a incidentes en el borde
Pruebas y validación de sistemas TinyML seguros
- Marcos de trabajo para pruebas de seguridad y privacidad
- Simulación de escenarios de ataque del mundo real
- Consideraciones de validación y cumplimiento normativo
Casos de estudio y escenarios aplicados
- Fallos de seguridad en ecosistemas de IA de borde
- Diseño de arquitecturas TinyML resilientes
- Evaluación de compensaciones entre rendimiento y protección
Resumen y próximos pasos
Requerimientos
- Comprensión de arquitecturas de sistemas embebidos
- Experiencia con flujos de trabajo de aprendizaje automático
- Conocimiento de fundamentos de ciberseguridad
Público objetivo
- Analistas de seguridad
- Desarrolladores de IA
- Ingenieros de sistemas embebidos
Reseñas (1)
Los ejercicios
Gianluca Bovo - Urmet
Curso - Security and Privacy in TinyML Applications
Traducción Automática