Contacta con nosotros

Temario del curso

Vista general de la arquitectura y superficie de ataque de LLM

  • Cómo se construyen, implementan y acceden a los LLM mediante APIs.
  • Componentes clave en las capas de aplicaciones LLM (por ejemplo, prompts, agentes, memoria, APIs).
  • Dónde y cómo surgen los problemas de seguridad en el uso del mundo real.

Inyección de prompts y ataques de vulneración de restricciones (jailbreak)

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

Fugas de datos y riesgos de privacidad

  • Exposición accidental de datos a través de las respuestas.
  • Fugas de información personal identificable (PII) y mal uso de la memoria del modelo.
  • Diseño de prompts conscientes de la privacidad y generación aumentada con recuperación (RAG).

Filtrado y protección de la salida de LLM

    e>
  • 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 con intervención humana en el ciclo del proceso (Human-in-the-Loop) y flujos de trabajo

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

Patrones de diseño seguro para aplicaciones LLM

  • Principio del menor privilegio y aislamiento (sandboxing) para llamadas a APIs y agentes.
  • Límites de tasa, limitación de velocidad y detección de abusos.
  • Cadenas robustas con LangChain y aislamiento de prompts.

Cumplimiento, registro y gobernanza

  • Garantizar la auditabilidad de las salidas de LLM.
  • Mantenimiento del rastreo y control de versiones de prompts.
  • Alineación con las políticas de seguridad internas y requisitos regulatorios.

Resumen y próximos pasos

Requerimientos

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

Público objetivo

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

Número de participantes


Precio por participante

Próximos cursos

Categorías Relacionadas