Gracias por enviar su consulta! Uno de los miembros de nuestro equipo se pondrá en contacto con usted en breve.
Gracias por enviar su reserva! Uno de los miembros de nuestro equipo se pondrá en contacto con usted en breve.
Duración 21 horas
Temario del curso
Introducción a la seguridad en TinyML
- Desafíos de seguridad en sistemas de ML con recursos limitados
- Modelos de amenaza para implementaciones de TinyML
- Categorías de riesgo para aplicaciones de IA embebida
Privacidad de datos en IA de borde
- Consideraciones de privacidad para el procesamiento de datos en el dispositivo
- Minimización de la exposición y transferencia de datos
- Técnicas para el manejo descentralizado de datos
Ataques adversarios en modelos TinyML
- Amenazas de evasión y envenenamiento de modelos
- Manipulación de entradas en sensores embebidos
- Evaluación de vulnerabilidad en entornos restringidos
Fortalecimiento de seguridad para ML embebido
- Capas de protección de firmware y hardware
- Mecanismos de control de acceso y arranque seguro
- Prácticas recomendadas para la salvaguardia de canalizaciones de inferencia
Técnicas de TinyML con preservación de privacidad
- Cuantización y consideraciones de diseño de modelos para la privacidad
- Técnicas para el anonimato en el dispositivo
- Métodos de cifrado ligero y computación segura
Despliegue y mantenimiento seguro
- Provisionamiento seguro de dispositivos TinyML
- Actualizaciones OTA y estrategias de parche
- Monitoreo y respuesta a incidentes en el borde
Pruebas y validación de sistemas TinyML seguros
- Marcos de trabajo para pruebas de seguridad y privacidad
- Simulación de escenarios de ataque del mundo real
- Consideraciones de validación y cumplimiento
Estudios de caso y escenarios aplicados
- Fallidos de seguridad en ecosistemas de IA de borde
- Diseño de arquitecturas TinyML resistentes
- Evaluación de compensaciones entre rendimiento y protección
Resumen y próximos pasos
Requerimientos
- Conocimiento de las arquitecturas de sistemas embebidos
- Experiencia con flujos de trabajo de aprendizaje automático
- Conocimiento de los fundamentos de ciberseguridad
Público Objetivo
- Analistas de seguridad
- Desarrolladores de IA
- Ingenieros embebidos
Reseñas (1)
Los ejercicios
Gianluca Bovo - Urmet
Curso - Security and Privacy in TinyML Applications
Traducción Automática