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 mediante APIs.
  • Componentes clave en las pilas 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 Jailbreak

  • Qué es la inyección de prompts y por qué es peligrosa.
  • Escenarios de inyección directa e indirecta de prompts.
  • Técnicas de jailbreaking para eludir 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 personal identificable (PII) y mal uso de la memoria del modelo.
  • Diseño de prompts conscientes de la privacidad y generación aumentada por recuperación (RAG, por sus siglas en inglés).

Filtrado y protección de la salida de LLM

  • Uso de Guardrails AI para filtrado de contenido y validación.
  • Definición de esquemas y restricciones de salida.
  • Monitoreo y registro de salidas inseguras.

Enfoques con supervisión humana en el proceso (human-in-the-loop) y flujos de trabajo

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

Patrones de diseño seguros para aplicaciones LLM

  • Privilegio mínimo y aislamiento (sandboxing) para llamadas a API y agentes.
  • Límites de tasa, control de velocidad y detección de abuso.
  • Cadenas robustas con LangChain y aislamiento de prompts.

Cumplimiento, registro y gobernanza

  • Garantizar la auditabilidad de las salidas de LLM.
  • Mantener la trazabilidad y el control de versiones de prompts.
  • Alinear con políticas de seguridad internas y necesidades regulatorias.

Resumen y próximos pasos

Requerimientos

  • Comprensión de los grandes modelos de lenguaje y las interfaces basadas en prompts.
  • Experiencia construyendo aplicaciones LLM utilizando Python.
  • Familiaridad con integraciones de API e implementaciones basadas 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