Construcción de Aplicaciones de LLM Seguras y Responsables

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