KI-Sicherheit Schulungen in Nürnberg

Dieses von einem Trainer geleitete Live-Training in Nürnberg – online oder vor Ort – richtet sich an IT-Fachkräfte mit Grund- bis Mittelkenntnissen, die AI TRiSM in ihren Organisationen verstehen und umsetzen möchten.

Am Ende dieses Trainings werden die Teilnehmer in der Lage sein zu:

• Die grundlegenden Konzepte sowie die Bedeutung des Managements von Vertrauen, Risiken und Sicherheit bei KI zu verstehen.
• Risiken im Zusammenhang mit KI-Systemen zu erkennen und abzumildern.
• Sicherheitsbest practices für KI erfolgreich umzusetzen.
• Die regulatorischen Anforderungen sowie ethische Aspekte von KI zu verstehen.
• Strategien zur effektiven Governance und Verwaltung von KI zu entwickeln.

Diese von einem Dozenten geleitete Schulung zu Nürnberg behandelt Governance, Identitätsmanagement und Red-Teaming für agentic AI-Systeme. Fortgeschrittene Praktiker konzipieren sichere Deployments, implementieren Least-Privilege-Zugriff und führen adversariales Testing durch, um reale Bedrohungen in Produktivumgebungen abzumildern.

Dieses vom Dozenten geleitete Live-Training in Nürnberg (online oder vor Ort) richtet sich an KI- und Cybersicherheitsfachkräfte mit mittlerer Vorerfahrung, die Sicherheitsrisiken speziell bei KI-Modellen erkennen und minimieren wollen – insbesondere in stark regulierten Branchen wie Finanzwesen, Datenverwaltung und Beratung.

Am Ende des Trainings werden die Teilnehmer folgendes beherrschen:

• Die verschiedenen Arten von Adversarial-Angriffen auf KI-Systeme sowie Gegenmaßnahmen dazu verstehen.
• Techniken zur Modellsicherung anwenden, um Machine-Learning-Prozesse abzusichern.
• Für Datensicherheit und -integrität in Machine-Learning-Modellen sorgen.
• Regulatorische Anforderungen bezüglich der KI-Sicherheit erfüllen können.

Dieses von einem Instruktor geleitete Live-Training in Nürnberg (online oder vor Ort) richtet sich an Sicherheitsexperten sowie KI-Spezialisten, die Angriffe auf KI-Systeme simulieren, potenzielle Schwachstellen identifizieren und die Stabilität der bereitgestellten Modelle verbessern möchten.

Nach Abschluss dieses Trainings werden die Teilnehmer in der Lage sein:

• Reale Bedrohungen für Maschinelle Lernmodelle zu simulieren.
• Adversarische Beispiele zu erzeugen, um die Robustheit der Modelle zu testen.
• Die Angriffsfläche von KI-APIs und Bereitstellungsprozessen zu bewerten.
• Strategien für Red Teaming in KI-Bereitstellungsumgebungen auszuarbeiten.

Diese von einem Dozenten geleitete Schulung in Nürnberg rüstet fortgeschrittene Fachkräfte darauf vor, TinyML-Pipelines auf Edge-Geräten abzusichern. Sie lernen, datenschutzschützende Techniken zu implementieren, Modelle gegen adversäre Bedrohungen zu härten und Best Practices für die sichere Datenverarbeitung in ressourcenbeschränkten Umgebungen anzuwenden.

Dieses von einem Instruktor geleitete Live-Training in Nürnberg (online oder vor Ort) richtet sich an Ingenieure sowie Sicherheitsfachkräfte mittleren Kenntnisstands, die daran interessiert sind, AI-Modelle am Edge vor Bedrohungen wie Manipulationen, Datenabfluss, feindseligen Eingaben und physischen Angriffen zu schützen.

Nach Abschluss dieses Trainings werden die Teilnehmer in der Lage sein:

• Sicherheitsrisiken bei Edge AI-Implementierungen zu identifizieren und einzuschätzen.
• Manipulationsresistente Maßnahmen sowie verschlüsselte Inferenztechniken anzuwenden.
• Am Edge eingesetzte Modelle zu verstärken und Datentransferwege abzusichern.
• Bedrohungsmindermachstrategien umzusetzen, die speziell für eingebettete Systeme mit begrenzten Ressourcen gelten.

Dieses von einem Dozenten geleitete Live-Training in Nürnberg (online oder vor Ort) richtet sich an Fachkräfte mit fortgeschrittenem Wissen, die Techniken wie föderiertes Lernen, sichere Mehrparteienberechnung, homomorphe Verschlüsselung sowie differenzielle Privatsphäre in realen maschinellen Lernsystemen implementieren und bewerten möchten.

Nach Abschluss dieses Trainings werden die Teilnehmer folgendes können:

• Die wichtigsten datenschutzorientierten Methoden im maschinellen Lernen verstehen und gegeneinander abwägen.
• Föderierte Lernsysteme mithilfe von Open-Source-Frameworks implementieren.
• Differenzielle Privatsphäre nutzen, um ein sicheres Teilen von Daten sowie das Training von Modellen zu gewährleisten.
• Verschlüsselungs- und sicherheitsrelevante Berechnungstechniken anwenden, um Ein- und Ausgabedaten der Modelle zu schützen.

Dieses von erfahrenen Trainern geleitete Live-Schulungsprogramm in Nürnberg (online oder vor Ort) richtet sich an Führungskräfte mittleren Levels, die lernen möchten, wie man KI-Systeme verantwortungsvoll steuert und schützt – im Einklang mit neuen internationalen Regulierungen wie dem EU-AI-Gesetz, der DSGVO, ISO/IEC 42001 sowie dem US-Exekutivdekret zu KI.

Am Ende dieser Schulung werden die Teilnehmer in der Lage sein:

• Die rechtlichen, ethischen und regulatorischen Risiken bei der Nutzung von KI in verschiedenen Unternehmensbereichen zu erkennen.
• Die wichtigsten Governance-Rahmenwerke für KI (EU-AI-Gesetz, NIST AI RMF, ISO/IEC 42001) zu verstehen und anzuwenden.
• Sicherheits-, Prüfungs- sowie Überwachungsmaßnahmen für die Implementierung von KI im Unternehmen festzulegen.
• Richtlinien für den Einkauf und die Nutzung von KI-Systemen sowohl externer als auch eigenentwickelter Anbieter zu entwickeln.

Dieses von einem Trainer geleitete Live-Training in Nürnberg (online oder vor Ort) richtet sich an KI-Entwickler, Architekten und Produktmanager mittleren bis fortgeschrittenen Niveaus, die Risiken im Zusammenhang mit LLM-basierten Anwendungen erkennen und minimieren möchten – etwa Angriffe durch Prompt Injection, Datenlecks oder ungefilterte Ausgaben. Dabei werden Sicherheitsmaßnahmen wie Eingabeverifikation, menschliche Überwachung sowie Grenzkontrollen für die Ausgaben berücksichtigt.

Am Ende des Kurses werden die Teilnehmer in der Lage sein zu:

• Die grundlegenden Schwachstellen von LLM-Systemen zu verstehen.
• Sichere Gestaltungsprinzipien bei der Architektur solcher Anwendungen anzuwenden.
• Tools wie Guardrails AI und LangChain zur Validierung, Filterung sowie Sicherstellung von Qualität einzusetzen.
• Techniken wie Sandboxing, Red Teaming sowie menschliche Überprüfung in produktionsreife Arbeitsabläufe zu integrieren.

Dieses vom Dozenten geleitete Live-Training in Nürnberg (online oder vor Ort) richtet sich an erfahrene Fachkräfte aus den Bereichen maschinelles Lernen und Cybersicherheit, die lernen möchten, wie man neu auftretende Bedrohungen gegen KI-Modelle erkennt und abwehrt. Dabei werden sowohl theoretische Konzepte als auch praktische Abwehrmaßnahmen vermittelt – beispielsweise robustes Training sowie die Anwendung des Prinzips der differenziellen Privatsphäre.

Nach Abschluss dieses Trainings sind die Teilnehmenden in der Lage:

• KI-spezifische Bedrohungen wie adversarische Angriffe, Modellinversionen und Datenvergiftungen zu erkennen und einzuordnen.
• Werkzeuge wie die Adversarial Robustness Toolbox (ART) zur Simulation von Angriffen sowie zum Testen von Modellen zu nutzen.
• Praktische Schutzmaßnahmen umzusetzen – darunter adversarisches Training, Zufallsrausch-Einspeisung sowie Techniken zur Gewährleistung der Privatsphäre.
• Gefahrenbewusste Strategien für die Bewertung von Modellen in produktiven Umgebungen zu entwerfen.

Dieses vom Kursleiter geführte Live-Training in Nürnberg – sowohl online als auch vor Ort – richtet sich an IT-Sicherheits-, Risiko- und Compliance-Fachkräfte mit geringer Vorerfahrung, die Grundlagen der Sicherheit bei KI verstehen sowie Bedrohungsquellen sowie internationale Rahmenwerke wie den NIST AI RMF und ISO/IEC 42001 kennenlernen möchten.

Nach Abschluss dieses Trainings werden die Teilnehmenden folgende Fähigkeiten besitzen:

• Sie verstehen die spezifischen Sicherheitsrisiken, die durch KI-Systeme entstehen.
• Sie erkennen Bedrohungsquellen wie Adversarial Attacks, Datenvergiftung und Modell-Inversionen.
• Sie können grundlegende Governance-Modelle, etwa den NIST AI Risk Management Framework, anwenden.
• Sie stellen sicher, dass der Einsatz von KI mit neuen Standards, Compliance-Vorgaben sowie ethischen Grundsätzen im Einklang steht.

Auf Basis der neuesten Richtlinien des OWASP GenAI Security Project lernen die Teilnehmer, KI-spezifische Bedrohungen durch praktische Übungen und reale Szenarien zu identifizieren, zu bewerten und abzumildern.

Dieser Kurs bietet eine praxisnahe Einführung in die Absicherung moderner KI-gestützter Anwendungen, APIs, Assistenten sowie autonomer Agenten. Die Teilnehmer lernen die Besonderheiten der KI-Sicherheit im Vergleich zur klassischen Web-Sicherheit kennen, erhalten Einblicke in häufige KI-spezifische Bedrohungen wie Prompt Injection oder RAG-Vergiftung und erfahren, wie man durch mehrschichtige Schutzstrategien – darunter WAFs, KI-Gateways, API-Sicherheit sowie Sicherheitsrichtlinien – solche Systeme schützen kann. Mithilfe praktischer Übungen und realer Beispiele erlangen die Teilnehmer die Fähigkeit, Angriffsmuster zu identifizieren, LLM-basierte Anwendungen abzusichern sowie effektive Laufzeit-Abwehrmaßnahmen für Produktivumgebungen umzusetzen.

Dieser Kurs lehrt Softwareentwickler, wie man mittels gezielter Sicherheitsmaßnahmen solide KI-Anwendungen entwirft. Die Teilnehmenden erlernen den Schutz von Chatbots, Kopiloten, RAG-Pipelines sowie autonomen Agenten vor spezifischen KI-Gefahren wie Prompt-Injection, Datenvergiftung, Missbrauch von Werkzeugen, Geheimnisabfluss oder unsicherer Modellausgabe. Themen umfassen sicheres Prompt-Design, RAG-Sicherheit, Konzepte des Mindestprivilegs sowie Red-Teaming – damit die Entwickler KI-Lösungen realisieren können, die in der Praxis sicher, verlässlich und widerstandsfähig sind.

Dieses vom Trainer geleitete Live-Training in Nürnberg (online oder vor Ort) richtet sich an Sicherheitsingenieure und Compliance-Beauftragte, die EXO-Umgebungen absichern, den Zugang zu Modellen kontrollieren sowie KI-Arbeitslasten vollständig on-premise verwalten möchten.

Dieses praxisorientierte Training unter Anleitung erfahrener Dozenten in Nürnberg (online oder vor Ort) richtet sich an Sicherheits- und ML-Ingenieure, die Angriffe auf KI-Modelle sowie LLM-basierte Anwendungen erkennen, testen und abwehren müssen.