AI信任、風險與安全管理 (AI TRiSM) 介紹培訓

本課程由導師引導，並提供直播培訓於台灣（線上或線下）。對象為初階至中階的企業領導者，旨在幫助他們了解如何負責任地治理和保護AI系統，並符合歐盟AI法案、GDPR、ISO/IEC 42001以及美國AI行政命令等新興全球框架。

課程結束後，學員將能夠：

• 理解跨部門使用AI的法律、倫理及監管風險。
• 詮釋並應用主要AI治理框架（歐盟AI法案、NIST AI RMF、ISO/IEC 42001）。
• 建立企業中部署AI的安全、稽核與監督政策。
• 制定第三方及內部AI系統的採購和使用指南。

This course provides a practical introduction to securing modern AI-powered applications, APIs, copilots, and autonomous agents. Participants learn how AI security differs from traditional web security, explore common AI-specific threats such as prompt injection, RAG poisoning, and agent abuse, and understand how to protect AI systems using layered defenses including WAFs, AI gateways, API security, and guardrails. Through hands-on labs and real-world examples, students gain the skills to identify AI attack patterns, secure LLM-based applications, and deploy effective runtime defenses for production environments.

本在 台灣 舉辦的即時培訓（線上或線下），旨在協助初階至進階的人工智慧開發人員、架構師與產品經理識別並降低與大型語言模型驅動應用程式相關的風險，包括提示注入、資料洩漏及未經過濾的輸出，同時納入輸入驗證、人工監督以及輸出防護等安全控制措施。

完成本培訓後，參與者將能夠：

• 理解基於大型語言模型系統的潛在弱點。
• 將安全設計原則應用於大型語言模型應用程式架構。
• 使用 Guardrails AI 和 LangChain 等工具進行驗證、過濾及安全防護。
• 在生產級管線中整合沙盒隔離、紅隊測試及人工監督審查等技術。

本課程教導軟體開發者如何以安全為設計基礎建構 AI 應用程式。學員將學習如何保護聊天機器人、Copilot、RAG 管線和 AI 代理程序免受特定於 AI 的威脅，如提示注入、資料毒化、工具濫用、密碼洩漏和不安全的模型輸出。課程涵蓋安全提示設計、RAG 安全性、最小權限存取、防護網和紅隊測試，幫助開發者建構在現實環境中安全、可靠且具有韌性的 AI 功能。

此由講師帶領的即時培訓在台灣（線上或線下）進行，針對初階至中階AI與資安專業人員，協助理解並解決AI模型及系統的特定安全漏洞，特別適用於金融、數據治理及顧問等高度監管產業。

完成本培訓後，學員將能：

• 了解針對AI系統的對抗性攻擊類型及其防禦方法
• 實作模型加固技術，保護機器學習管線
• 確保機器學習模型的資料安全與完整性
• 掌握AI資安相關的法規合規要求

這堂由導師主導的即時培訓，在台灣提供線上或線下形式，旨在協助希望強化EXO部署、控制模型存取權限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專員。

此課程為由講師主導的現場培訓（台灣 線上或線下），旨在協助初階資訊安全、風險管理及合規專業人士掌握基礎人工智慧安全概念、威脅途徑以及 NIST AI RMF 和 ISO/IEC 42001 等全球框架。

課程結束時，參與者將能夠：

• 理解人工智慧系統帶來的獨特安全風險。
• 識別對抗性攻擊、資料毒化和模型反轉等威脅途徑。
• 應用如 NIST AI 風險管理框架等基礎治理模型。
• 使人工作業與新興標準、合規指南及倫理原則保持一致。

此由講師主導的現場培訓在台灣（線上或線下）進行，旨在幫助安全工程師和ML工程師識別、測試並防禦對ML模型和LLM驅動應用程序的攻擊。

基於最新的 OWASP GenAI Security Project 指導方針，學員將通過實作練習和真實場景，學習識別、評估並緩解與 AI 相關的威脅。

這份由講師主導的培訓課程（台灣線上或線下），旨在讓進階專業人員能夠在實際的機器學習流程中，實施並評估聯邦學習、安全多方計算、同態加密和差分隱私等技術。

完成本培訓後，學員將能夠：

• 理解並比較機器學習中的關鍵隱私保護技術。
• 使用開源框架實現聯邦學習系統。
• 應用差分隱私來確保安全的資料共享和模型訓練。
• 使用加密和安全計算技術來保護模型的輸入和輸出。

本課程提供由講師親自指導的 live training（線上或線下），適合希望模擬攻擊AI系統、揭露漏洞並提升已部署AI模型健壯性的進階安全專業人員與ML專家。

完成此培訓後，學員將能夠：

• 模擬針對機器學習模型的真實世界威脅。
• 生成對抗樣本以測試模型的健壯性。
• 評估AI API和管線的攻擊表面。
• 為AI部署環境設計紅隊測試策略。

此培訓為講師親自授課，並於 台灣（線上或線下）進行。課程主要針對希望強化部署於邊緣之 AI 模型安全性、以抵禦篡改、資料洩漏、對抗性輸入及物理攻擊等威脅的初階工程師與資安專業人員而設計。

完成本培訓後，學員將能：

• 識別並評估邊緣 AI 部署中的資安風險。
• 應用防篡改技術與加密推理技術。
• 強化邊緣部署之模型，並確保資料管線安全。
• 實施針對嵌入式及受限系統之特定威脅緩解策略。

本課程由講師親自指導，提供台灣（線上或線下）的實戰訓練，目標對象為中階機器學習與資安專業人士，旨在協助他們理解並緩解針對AI模型的新型威脅，透過概念框架以及包含穩健訓練與差分隱私等實務防禦手段來達成。

培訓結束後，學員將能夠：

• 識別並分類特定於AI的威脅，如對抗性攻擊、反轉與投毒。
• 使用如對抗性魯棒性工具箱（ART）等工具模擬攻擊並測試模型。
• 應用實務防禦措施，包含對抗性訓練、噪聲注入及隱私保護技術。
• 在生產環境中設計具備威脅意識的模型評估策略。