AI Risk Management and Security in the Public Sector Schulung

Dieses von einem Trainer geleitete Live-Seminar (online oder vor Ort) richtet sich an mittelständige Unternehmensführer, die verstehen möchten, wie man KI-Systeme verantwortungsbewusst und im Einklang mit sich entwickelnden globalen Rahmenwerken wie dem EU-KI-Gesetz, GDPR, ISO/IEC 42001 und der US-Befehlskette für KI sicherheitsrelevant gestaltet.

Am Ende des Trainings werden die Teilnehmer in der Lage sein:

• die rechtlichen, ethischen und regulatorischen Risiken der Nutzung von KI über verschiedene Abteilungen hinweg zu verstehen.
• wichtige KI-Governance-Rahmenwerke (EU-KI-Gesetz, NIST AI RMF, ISO/IEC 42001) zu interpretieren und anzuwenden.
• Sicherheits-, Prüfungs- und Überwachungspolitiken für die Unternehmensnutzung von KI einzurichten.
• Einkaufs- und Nutzungsrichtlinien für Drittanbieter- und internen KI-Systemen zu entwickeln.

Dieser von einem Trainer geleitete Live-Kurs (online oder vor Ort) richtet sich an Anfänger / Fortgeschrittene / Experten der ___-Technologie, die ___ zur Nutzung möchten.

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

• ___ zu installieren und zu konfigurieren.
• ___. 
• ___. 
• ___. 

Diese von einem Trainer geleitete Live-Ausbildung in Österreich (online oder vor Ort) richtet sich an Anfänger / Fortgeschrittene / Experten im ___-Bereich, die ___ zur Nutzung ___ möchten.

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

• ___ zu installieren und zu konfigurieren.
• ___. 
• ___. 
• ___. 

Dieser von einem Trainer geleitete Live-Kurs in Österreich (online oder vor Ort) richtet sich an Einsteiger / Fortgeschrittene / Experten auf der Ebene ___, die ___ zur Nutzung von ___ möchten.

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

• ___ zu installieren und zu konfigurieren.
• ___. 
• ___. 
• ___. 

Dieser von einem Trainer geleitete Live-Kurs in Österreich (online oder vor Ort) richtet sich an fortgeschrittene AI-Entwickler, Architekten und Produktmanager, die Risiken mit LLM-gesteuerten Anwendungen identifizieren und minimieren möchten, einschließlich Prompt-Injection, Datenleckage und unzusammenhängender Ausgabe, während sie Sicherheitskontrollen wie Eingabeverifikation, menschenbasierte Überwachung und Ausgabegrenzwerte einbinden.

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

• Die Kernschwächen von LLM-basierten Systemen zu verstehen.
• Sichere Designprinzipien auf die Architektur von LLM-Anwendungen anzuwenden.
• Werkzeuge wie Guardrails AI und LangChain zur Validierung, Filterung und Sicherheit zu verwenden.
• Mit Techniken wie Sandboxing, Red Teaming und menschenbasierten Überprüfungen in Produktionspipelines zu integrieren.

Diese von einem Ausbilder geleitete Live-Schulung in Österreich (online oder vor Ort) richtet sich an fortgeschrittene Behördenmitarbeiter und Politikexperten, die DeepSeek für datengestützte Governance und politische Innovation nutzen möchten.

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

• Nutzung von DeepSeek AI für politische Analysen und strategische Entscheidungen.
• Regierungsberichte zu automatisieren und die Datentransparenz zu verbessern.
• KI-gestützte Erkenntnisse für Innovationen im öffentlichen Sektor nutzen.
• das Engagement der Bürger durch KI-gestützte Lösungen zu verbessern.

This instructor-led, live training in Österreich (online or onsite) is aimed at intermediate-level public sector professionals who wish to use Gemini to generate high-quality content, assist with research, and improve productivity through more advanced AI interactions.

By the end of this training, participants will be able to:

• Craft more effective and tailored prompts for specific use cases.
• Generate original and creative content using Gemini.
• Summarize and compare complex information with precision.
• Use Gemini for brainstorming, planning, and organizing ideas efficiently.

Diese von einem Trainer geleitete Live-Ausbildung in Österreich (online oder vor Ort) richtet sich an Anfänger / Fortgeschrittene / Experten im ___ , die ___ zur Nutzung von ___ interessiert sind.

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

• ___ zu installieren und zu konfigurieren.
• ___. 
• ___. 
• ___. 

Dieses von einem Trainer geleitete Live-Seminar in Österreich (online oder vor Ort) richtet sich an Einsteiger im Bereich IT-Sicherheit, Risikomanagement und Compliance, die grundlegende AI-Sicherheitskonzepte, Bedrohungsszenarien sowie globale Rahmenwerke wie NIST AI RMF und ISO/IEC 42001 verstehen möchten.

Am Ende des Trainings werden die Teilnehmer in der Lage sein:

• die einzigartigen Sicherheitsrisiken zu verstehen, die durch AI-Systeme eingeführt werden.
• Betroffenheit von Bedrohungsszenarien wie feindlichen Angriffen, Datenvergiftung und Modell-Inversion zu identifizieren.
• grundlegende Governance-Modelle wie das NIST AI Risk Management Framework anzuwenden.
• Außenstehend Standards, Compliance-Richtlinien und ethische Prinzipien mit der Nutzung von AI auszurichten.

Dieser von einem Trainer geleitete Live-Kurs in Österreich (online oder vor Ort) richtet sich an fortgeschrittene Fachleute, die Techniken wie federated learning, sicherheitsrelevante Multiparty-Berechnung, homomorphe Verschlüsselung und differenzielle Privatsphäre in realen Machine-Learning-Pipelines implementieren und evaluieren möchten.

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

• Schwerpunkte von datenschutztechnischen Techniken im ML zu verstehen und zu vergleichen.
• Federated Learning-Systeme mit Open-Source-Frameworks implementieren.
• Differenzielle Privatsphäre anwenden, um sichere Datenaustausch und Modellausbildung sicherzustellen.
• Verschlüsselungs- und sichere Berechnungstechniken verwenden, um Eingaben und Ausgaben des Modells zu schützen.

Format des Kurses

• Interaktive Vorlesungen und Diskussionen.
• Viele Übungen und Praxis.
• Händische Implementierung in einer Live-Lab-Umgebung.

Anpassungsoptionen des Kurses

• Um eine angepasste Ausbildung für diesen Kurs anzufordern, kontaktieren Sie uns bitte zur Absprache.

Dieser von einem Trainer geleitete Live-Kurs in Österreich (online oder vor Ort) richtet sich an fortgeschrittene Fachleute, die Techniken wie federated learning, sicherheitsrelevante Multiparty-Berechnung, homomorphe Verschlüsselung und differenzielle Privatsphäre in realen Machine-Learning-Pipelines implementieren und evaluieren möchten.

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

• Schwerpunkte von datenschutztechnischen Techniken im ML zu verstehen und zu vergleichen.
• Federated Learning-Systeme mit Open-Source-Frameworks implementieren.
• Differenzielle Privatsphäre anwenden, um sichere Datenaustausch und Modellausbildung sicherzustellen.
• Verschlüsselungs- und sichere Berechnungstechniken verwenden, um Eingaben und Ausgaben des Modells zu schützen.

Privacy-Preserving Machine Learning ist ein Bereich, der darauf abzielt, sensible Daten zu schützen, während gleichzeitig erweiterte AI-Fähigkeiten in dezentralisierten oder eingeschränkten Umgebungen ermöglicht werden.

Dieser von einem Trainer geleitete Live-Kurs (online oder vor Ort) richtet sich an fortgeschrittene Fachleute, die Techniken wie federated learning, sicherheitsrelevante Multiparty-Berechnung, homomorphe Verschlüsselung und differenzielle Privatsphäre in realen Machine-Learning-Pipelines implementieren und evaluieren möchten.

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

• Schwerpunkte von datenschutztechnischen Techniken im ML zu verstehen und zu vergleichen.
• Federated Learning-Systeme mit Open-Source-Frameworks implementieren.
• Differenzielle Privatsphäre anwenden, um sichere Datenaustausch und Modellausbildung sicherzustellen.
• Verschlüsselungs- und sichere Berechnungstechniken verwenden, um Eingaben und Ausgaben des Modells zu schützen.

Einführung in Privacy-Preserving ML

• Motivationen und Risiken in Umgebungen mit sensiblen Daten
• Überblick über datenschutztechnische ML-Techniken
• Bewertungsmodelle und rechtliche Überlegungen (z.B., GDPR, HIPAA)

Federated Learning

• Konzept und Architektur des federated learning
• Client-Server-Synchronisation und Aggregation
• Implementierung mit PySyft und Flower

Differenzielle Privatsphäre

• Mathematik der differenzialen Privatsphäre
• Anwendung von DP in Datenabfragen und Modellausbildung
• Verwendung von Opacus und TensorFlow Privacy

Sichere Multiparty-Berechnung (SMPC)

• SMPC-Protokolle und Anwendungsfälle
• Verschlüsselungs-basierte vs. Secret-Sharing-Ansätze
• Sichere Berechnungsworkflows mit CrypTen oder PySyft

Homomorphe Verschlüsselung

• Fully vs partiell homomorphe Verschlüsselung
• Verschlüsselte Inferenz für sensible Workloads
• Händische Arbeit mit TenSEAL und Microsoft SEAL

Anwendungen und Branchen-Schwerpunkte

• Privatsphäre in der Gesundheitsversorgung: federated learning für medizinisches AI
• Sichere Zusammenarbeit im Finanzbereich: Risikomodelle und Einhaltung von Vorschriften
• Anwendungsfälle des Verteidigungs- und Regierungsbereichs

Zusammenfassung und nächste Schritte

• Eine Grundlage der Prinzipien des maschinellen Lernens
• Erlebnis mit Python und ML-Bibliotheken (z.B., PyTorch, TensorFlow)
• Bekanntschaft mit Datenschutz- oder Cybersecurity-Konzepten ist hilfreich

Publikum

• AI-Forscher
• Mitarbeiter in Teams für Datensicherheit und Privatsphärekonformität
• Sicherheitsingenieure in regulierten Branchen

Dieser von einem Trainer geleitete Live-Kurs in Österreich (online oder vor Ort) richtet sich an fortgeschrittene Fachleute, die Techniken wie federated learning, sicherheitsrelevante Multiparty-Berechnung, homomorphe Verschlüsselung und differenzielle Privatsphäre in realen Machine-Learning-Pipelines implementieren und evaluieren möchten.

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

• Schwerpunkte von datenschutztechnischen Techniken im ML zu verstehen und zu vergleichen.
• Federated Learning-Systeme mit Open-Source-Frameworks implementieren.
• Differenzielle Privatsphäre anwenden, um sichere Datenaustausch und Modellausbildung sicherzustellen.
• Verschlüsselungs- und sichere Berechnungstechniken verwenden, um Eingaben und Ausgaben des Modells zu schützen.

Privacy-Preserving Machine Learning

Dieses von einem Trainer geleitete Live-Seminar in Österreich (online oder vor Ort) richtet sich an fortgeschrittene Sicherheitsexperten und ML-Spezialisten, die Angriffe auf KI-Systeme simulieren möchten, Schwachstellen aufdecken und die Robustheit eingesetzter AI-Modelle verbessern.

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

• Realweltbedrohungen für maschinelles Lernen zu simulieren.
• Gegnerische Beispiele zur Überprüfung der Modellrobustheit zu generieren.
• Die Angriffsfläche von AI-APIs und -Pipelines zu bewerten.
• Strategien für Red-Teaming in KI-Einsatzumgebungen zu entwerfen.

Dieses von einem Trainer geleitete Live-Seminar in Österreich (online oder vor Ort) richtet sich an fortgeschrittene Ingenieure und Sicherheitsexperten, die AI-Modelle, die am Rande bereitgestellt wurden, gegen Bedrohungen wie Manipulationen, Datenleckage, feindliche Eingaben und physische Angriffe schützen möchten.

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

• Sicherheitsrisiken bei Edge-AI-Implementierungen zu identifizieren und zu bewerten.
• Manipulationsresistenz und verschlüsselte Inferenztechniken anzuwenden.
• Randbereitgestellte Modelle zu verhärten und Datenpipelines zu schützen.
• Besondere Bedrohungsschutzstrategien für eingebaute und eingeschränkte Systeme umzusetzen.

Einführung in Edge AI und Embedded Systems

• Was ist Edge AI? Anwendungsfälle und Einschränkungen
• Edge-Hardware-Plattformen und Softwarestacks
• Sicherheitsprobleme in eingebetteten und dezentralisierten Umgebungen

Bedeutung des Bedrohungsszenarios für Edge AI

• Physischer Zugang und Risiken durch Manipulationen
• Feindliche Beispiele und Modellmanipulation
• Datenleckage und Bedrohungen durch Modellinversion

Schutz des Modells

• Strategien zur Verhärtung und Quantisierung von Modellen
• Watermarking und Fingerabdruckmodellierung
• Abwehr-Distillation und Pruning

Verschlüsselte Inferenz und sichere Ausführung

• Beschränkte Ausführungs-Umgebungen (TEEs) für AI
• Sichere Enklaven und vertrauliche Berechnung
• Verschlüsselte Inferenz mit homomorpher Verschlüsselung oder SMPC

Ermittlung von Manipulationen und Geräteebene-Kontrollen

• Sicheres Booting und Integritätstests für Firmware
• Sensorvalidierung und Anomaliedetektion
• Entfernte Attestation und Überwachung der Geräteseitigen Gesundheit

Knotenpunkt-zu-Cloud Security Integration

• Sichere Datentransmission und Schlüsselverwaltung
• Verschlüsselung von End zu End und Schutz des Datenlebenszyklus
• Cloud-AI-Orchestrierung mit Sicherheitsrestriktionen am Rande

Beste Praktiken und Risikominimierungsstrategien

• Bedrohungsszenarien für Edge-AI-Systeme
• Sicherheitsdesignprinzipien für eingebettete Intelligenz
• Inzidenzreaktion und Firmwareaktualisierungsmanagement

Zusammenfassung und nächste Schritte

Die Sicherheit von Edge AI und eingebetteter Intelligenz bezieht sich auf die Schutzmaßnahmen für maschinelles Lernen-Modelle und Daten in eingeschränkten, oft physisch ausgesetzten Umgebungen wie Drohnen, Sensoren, intelligenten Kameras und autonomen Systemen.

Dieses von einem Trainer geleitete Live-Seminar (online oder vor Ort) richtet sich an fortgeschrittene Ingenieure und Sicherheitsexperten, die AI-Modelle, die am Rande bereitgestellt wurden, gegen Bedrohungen wie Manipulationen, Datenleckage, feindliche Eingaben und physische Angriffe schützen möchten.

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

• Sicherheitsrisiken bei Edge-AI-Implementierungen zu identifizieren und zu bewerten.
• Manipulationsresistenz und verschlüsselte Inferenztechniken anzuwenden.
• Randbereitgestellte Modelle zu verhärten und Datenpipelines zu schützen.
• Besondere Bedrohungsschutzstrategien für eingebaute und eingeschränkte Systeme umzusetzen.

Format des Kurses

• Interaktive Vorlesung und Diskussion.
• Viele Übungen und Praxis.
• Händische Implementierung in einer Live-Lab-Umgebung.

Anpassungsoptionen für den Kurs

• Um einen angepassten Kurs anzufordern, kontaktieren Sie uns bitte zur Absprache.

Eine Grundkenntnis eingebetteter Systeme oder Edge-AI-Implementierungs-Umgebungen

Erfahrung mit Python und ML-Frameworks (z.B. TensorFlow Lite, PyTorch Mobile)

Basisverständnis von Cybersecurity oder IoT-Bedrohungsszenarien

Zielgruppe

• Entwickler für eingebettete KI
• Sicherheitsexperten im Bereich IoT
• Ingenieure, die ML-Modelle auf Edge-Geräten oder eingeschränkten Geräten bereitstellen

Dieses von einem Trainer geleitete Live-Seminar in Österreich (online oder vor Ort) richtet sich an fortgeschrittene Ingenieure und Sicherheitsexperten, die AI-Modelle, die am Rande bereitgestellt wurden, gegen Bedrohungen wie Manipulationen, Datenleckage, feindliche Eingaben und physische Angriffe schützen möchten.

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

• Sicherheitsrisiken bei Edge-AI-Implementierungen zu identifizieren und zu bewerten.
• Manipulationsresistenz und verschlüsselte Inferenztechniken anzuwenden.
• Randbereitgestellte Modelle zu verhärten und Datenpipelines zu schützen.
• Besondere Bedrohungsschutzstrategien für eingebaute und eingeschränkte Systeme umzusetzen.

Dieses von einem Trainer geleitete Live-Seminar (online oder vor Ort) richtet sich an fortgeschrittene Fachleute der maschinellen Lernprozesse und der Cybersecurity, die verstehen und neu entstehende Bedrohungen gegen AI-Modelle durch konzeptionelle Rahmenwerke sowie praktische Verteidigungsmaßnahmen wie robustes Training und differenzielle Privatsphäre bekämpfen möchten.

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

• AISpezifische Bedrohungen wie feindliche Angriffe, Inversion und Vergiftung zu identifizieren und einzustufen.
• Werkzeuge wie das Adversarial Robustness Toolbox (ART) zur Simulation von Angriffen und Modelltests zu verwenden.
• Praktische Verteidigungsmaßnahmen einschließlich feindlichen Trainings, Rauscheinführung und datenschutztechnischer Techniken anzuwenden.
• In Produktionsumgebungen bedrohungsbewusste Modellauswertestrategien zu entwerfen.

Einführung in das Bedrohungsmodellierung von KI-Systemen

• Was macht AI-Systeme anfällig?
• AI-Angriffsfläche im Vergleich zu traditionellen Systemen
• Kritische Angriffspfade: Daten-, Modell-, Ausgabe- und Schnittstellenebenen

Feindliche Angriffe auf AI-Modelle

• Verständnis von feindseligen Beispielen und Störungstechniken
• Weißer Box versus schwarzer Box-Angriffe
• Methode FGSM, PGD und DeepFool
• Sichtbarmachen und Erstellen von feindlichen Proben

Modell-Inversion und Datenschutzverletzung

• Ableitung der Trainingsdaten aus dem Modellausgabe
• Mitgliedschaftsinferenzangriffe
• Datenschutzrisiken in Klassifizierungs- und generativen Modellen

Datenvergiftung und Backdoor-Injektionen

• Wie vergiftete Daten das Modellverhalten beeinflussen
• Auslöserbasierte Backdoors und Trojanerangriffe
• Detektions- und Sanierungsmethoden

Robustheit und Verteidigungstechniken

• Feindliches Training und Datenverstärkung
• Gradientenmaskierung und Eingangs-Vorbehandlung
• Modellglättung und Regularisierungsstrategien

Datenschutzmaßnahmen in KI-Verteidigungen

• Einführung in die differenzielle Privatsphäre
• Rauscheinführung und Datenschutzbudgets
• Federated Learning und sichere Aggregation

AI Security in der Praxis

• Bedrohungsbewusste Modellauswertung und -bereitstellung
• Nutzung von ART (Adversarial Robustness Toolbox) in angewandten Szenarien
• Branche-Fallstudien: Echte Welt-Angriffe und Gegenmaßnahmen

Zusammenfassung und weitere Schritte

Das Sicherheitsmanagement von AI-Modellen ist die Disziplin, mit der maschinelle Lernsysteme gegen modellspezifische Bedrohungen wie feindliche Eingaben, Datenvergiftung, Inversionsangriffe und Datenschutzverletzungen verteidigt werden.

Dieses von einem Trainer geleitete Live-Seminar (online oder vor Ort) richtet sich an fortgeschrittene Fachleute der maschinellen Lernprozesse und der Cybersecurity, die verstehen und neu entstehende Bedrohungen gegen AI-Modelle durch konzeptionelle Rahmenwerke sowie praktische Verteidigungsmaßnahmen wie robustes Training und differenzielle Privatsphäre bekämpfen möchten.

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

• AISpezifische Bedrohungen wie feindliche Angriffe, Inversion und Vergiftung zu identifizieren und einzustufen.
• Werkzeuge wie das Adversarial Robustness Toolbox (ART) zur Simulation von Angriffen und Modelltests zu verwenden.
• Praktische Verteidigungsmaßnahmen einschließlich feindlichen Trainings, Rauscheinführung und datenschutztechnischer Techniken anzuwenden.
• In Produktionsumgebungen bedrohungsbewusste Modellauswertestrategien zu entwerfen.

Format des Kurses

• Interaktive Vorlesung und Diskussion.
• Viele Übungen und Praxis.
• Händische Implementierung in einer Live-Lab-Umgebung.

Kursanpassungsoptionen

• Für eine angepasste Ausbildung für diesen Kurs, kontaktieren Sie uns bitte zur Arrangement.

Voraussetzungen

• Ein Verständnis von maschinellem Lernprozess und Modelltraining
• Erfahrung mit Python und gängigen ML-Frameworks wie PyTorch oder TensorFlow
• Bekanntschaft mit grundlegenden Sicherheits- oder Bedrohungskonzepten ist hilfreich

Zielgruppe

• Machine Learning Ingenieure
• Cybersecurity Analysten
• AI-Forscher und Modellvalidierungsteams

Dieses von einem Trainer geleitete Live-Seminar (online oder vor Ort) richtet sich an fortgeschrittene Fachleute der maschinellen Lernprozesse und der Cybersecurity, die verstehen und neu entstehende Bedrohungen gegen AI-Modelle durch konzeptionelle Rahmenwerke sowie praktische Verteidigungsmaßnahmen wie robustes Training und differenzielle Privatsphäre bekämpfen möchten.

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

• AISpezifische Bedrohungen wie feindliche Angriffe, Inversion und Vergiftung zu identifizieren und einzustufen.
• Werkzeuge wie das Adversarial Robustness Toolbox (ART) zur Simulation von Angriffen und Modelltests zu verwenden.
• Praktische Verteidigungsmaßnahmen einschließlich feindlichen Trainings, Rauscheinführung und datenschutztechnischer Techniken anzuwenden.
• In Produktionsumgebungen bedrohungsbewusste Modellauswertestrategien zu entwerfen.