AI Risk Management and Security in the Public Sector Eğitimi

Türkiye'de (çevrimiçi veya yerel) yapılan bu eğitmen yönetimi altında gerçekleşen canlı eğitim, orta düzeyde iş dünyası liderlerini ve AI sistemlerinin sorumlu bir şekilde yönetilmesi ve Avrupa Birliği AI Yasası, GDPR, ISO/IEC 42001 ve ABD'li AI üzerine İdari Karar gibi yeni küresel çerçevelere uygun olarak güvenliğinin sağlanmasına yönelik anlayış kazanmak isteyenleri hedefler.

Eğitim sonunda katılımcılar şunları yapabileceklerdir:

• Departmanlar arası AI kullanımıyla ilgili yasal, etik ve düzenleyici riskleri anlamak.
• Küçük ölçekli AI yönetim çerçevelerini (Avrupa Birliği AI Yasası, NIST AI RMF, ISO/IEC 42001) yorumlamak ve uygulamak.
• İşletmede AI dağıtımının güvenliği, denetimi ve gözetim politikalarını oluşturmak.
• Üçüncü taraf ve iç AI sistemlerinin satın alma ve kullanım kılavuzlarını geliştirmek.

Türkiyetaki canlı eğitim (çevrimiçi veya yerel) yeni başlayan / orta düzeyde / ileri düzey ___'ler için, ___ kullanmak isteyen kişilere yönelik olmaktadır.

Eğitim sonunda katılımcılar şunları yapabilecek hale gelecekler:

• ___'yi kurma ve yapılandırma.
• ___. 
• ___. 
• ___. 

Bu eğitmen öncülüğündeki canlı eğitim (çevrimiçi veya yerel) temel düzeyde / orta düzeyde / ileri düzeyde ___'ler için tasarlanmıştır, ___'ı kullanmak isteyen ___.

Eğitim sonunda katılımcılar şunları yapabilecek hale gelecekler:

• ___'i kurma ve yapılandırma.
• ___. 
• ___. 
• ___. 

Bu eğitmen öncülüğündeki canlı eğitim (çevrimiçi veya yerel) temel düzeyde / orta düzeyde / ileri düzeyde ___'ler için planlanmıştır, ___ kullanmak isteyen ___.

Eğitim sonunda katılımcılar şunları yapabilecek hale gelecektir:

• ___'yi kurma ve yapılandırma.
• ___. 
• ___. 
• ___. 

Türkiye'da (çevrimiçi veya yerel) yapılan bu eğitmen yönetimi altında gerçekleşen canlı eğitim, LLM'ye dayalı uygulamalarla ilgili riskleri belirlemek ve azaltmayı isteyen orta düzeyden ileri düzey AI geliştiricilerine, mimarlarına ve ürün yöneticilerine yöneliktir. Bu riskler arasında prompt enjeksiyonu, veri sızıntısı ve süzgeçsiz çıkış bulunmaktadır. Ayrıca güvenlik kontrolü olarak giriş doğrulaması, insanlı döngü denetimi ve çıkış sınırlayıcılarını da içerir.

Eğitim sonunda katılımcılar şunları yapabilecekler:

• LLM tabanlı sistemlerin temel zayıflıklarını anlamak.
• Güvenli tasarım ilkelerini LLM uygulama mimarisine uygulamak.
• Doğrulama, süzgeçleme ve güvenlik için Guardrails AI ve LangChain gibi araçları kullanmak.
• Sandık testi, kırmızı takım ve insanlı döngü gözden geçirme tekniklerini üretim kalitesinde akışlara entegre etmek.

LLM Mimarisi ve Saldırı Alanının Genel Bakışı

• LLMs'nin nasıl oluşturulduğunu, dağıtıldığını ve API'ler aracılığıyla erişildiğini anlamak.
• LLM uygulama yığıtlarındaki ana bileşenleri (örneğin, promptlar, ajanslar, bellek, API'ler).
• Gerçek dünyada güvenlik sorunlarının nasıl ve nerede ortaya çıktığını anlamak.

Prompt Enjeksiyonu ve Kilit Açma Saldırıları

• Prompt enjeksiyonunun ne olduğunu ve neden tehlikeli olduğunu anlamak.
• Doğrudan ve dolaylı prompt enjeksiyon senaryoları.
• Güvenlik filtrelerini aşmak için kilit açma teknikleri.
• Tespit ve azaltma stratejileri.

Veri Sızıntısı ve Gizlilik Riskleri

• Cevaplar aracılığıyla rastgele veri açıkçası.
• PII sızıntıları ve model bellek kullanımının kötüye kullanımı.
• Gizliliğe duyarlı promptlar ve geri dönüşüm ile güçlendirilmiş üretim (RAG) tasarımı.

LLM Çıkış Süzgeçleme ve Koruması

• Guardrails AI kullanarak içerik süzgeçlemesi ve doğrulaması.
• Çıkış şemalarını ve kısıtlamalarını tanımlama.
• Güvensiz çıkışı izleme ve günlüğe kaydetme.

İnsanlı Döngü ve İş Akışı Yaklaşımları

• İnsan denetimini nerede ve ne zaman tanıtmak gerektiğini anlamak.
• Onay kuyuları, puanlama eşikleri, geri dönüş işleme.
• Güven kalibrasyonu ve açıklık rolü.

Güvenli LLM Uygulaması Design Patterns

• API çağrıları ve ajanslar için en az ayrıcalık ve sandık testi.
• Hız sınırlama, hız düşürme ve kötüye kullanım algılama.
• LangChain ile sağlam zinciri ve prompt izolasyonu.

Uyumluluk, Günlüğe Kaydetme ve Governance

• LLM çıktısının denetlenebilir olmasını sağlamak.
• Takibi koruma ve prompt/sürüm kontrolü.
• Dahili güvenlik politikalarıyla ve düzenleyici ihtiyaçlarla uyum sağlama.

Özet ve Sonraki Adımlar

LLM uygulama güvenliği, büyük dil modelleri kullanarak güvenli, güvendiği ve politika uyumlu sistemler tasarlamak, inşa etmek ve sürdürmektir.

Türkiye'da yapılan bu eğitmen yönetimi altında gerçekleşen canlı eğitim (çevrimiçi veya yerel), LLM'ye dayalı uygulamalarla ilgili riskleri belirlemek ve azaltmayı isteyen orta düzeyden ileri düzey AI geliştiricilerine, mimarlarına ve ürün yöneticilerine yöneliktir. Bu riskler arasında prompt enjeksiyonu, veri sızıntısı ve süzgeçsiz çıkış bulunmaktadır. Ayrıca güvenlik kontrolü olarak giriş doğrulaması, insanlı döngü denetimi ve çıkış sınırlayıcılarını da içerir.

Eğitim sonunda katılımcılar şunları yapabilecekler:

• LLM tabanlı sistemlerin temel zayıflıklarını anlamak.
• Güvenli tasarım ilkelerini LLM uygulama mimarisine uygulamak.
• Doğrulama, süzgeçleme ve güvenlik için Guardrails AI ve LangChain gibi araçları kullanmak.
• Sandık testi, kırmızı takım ve insanlı döngü gözden geçirme tekniklerini üretim kalitesinde akışlara entegre etmek.

Eğitim Formatı

• Interaktif ders anlatımı ve tartışma.
• Çok sayıda egzersiz ve uygulama.
• Canlı laboratuvar ortamında uygulama.

Eğitim Özelleştirme Seçenekleri

• Bu eğitim için özelleştirilmiş bir eğitim talep etmek istiyorsanız, lütfen bize ulaşarak düzenleme yapın.

Ön Koşullar

• Büyük dil modelleri ve prompt tabanlı arayüzleri anlamak.
• Python kullanarak LLM uygulamaları inşa etme deneyimi.
• API tümleştirmeleri ve bulut tabanlı dağıtımlarla tanıdık olmak.

Kitle

• AI geliştiricileri.
• Uygulama ve çözüm mimarları.
• LLM araçlarıyla çalışan teknik ürün yöneticileri.

Bu eğitmen liderliğindeki, canlı eğitim (Türkiye çevrimiçi veya yerinde), veri odaklı yönetim ve politika inovasyonu için DeepSeek'yı kullanmak isteyen ileri düzey devlet profesyonelleri ve politika uzmanlarına yöneliktir.

Bu eğitimin sonunda katılımcılar şunları yapabilecektir:

• Politika analizi ve stratejik karar alma için DeepSeek yapay zekasını kullanmak.
• Devlet raporlarını otomatikleştirmek ve veri şeffaflığını artırmak.
• Kamu sektörü inovasyonu için yapay zeka odaklı içgörüler uygulamak.
• Yapay zeka destekli çözümler aracılığıyla vatandaş katılımını artırmak.

This instructor-led, live training in Türkiye (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.

Bu eğitmen yönetilen canlı eğitim (çevrimiçi veya yerel) ___'nin temel düzeyde / orta düzeyde / ileri düzeyinde olan ve ___'yi kullanmak isteyen ___ için tasarlanmıştır.

Eğitim sonunda, katılımcılar şunları yapabilecek hale gelecekler:

• ___'yi kurma ve yapılandırma.
• ___. 
• ___. 
• ___. 

Türkiyetaki yerel veya çevrimiçi eğitimi (örneğin, online veya onsite) IT güvenlik, risk ve uyumluluğu bilgi sahibi olan başlangıç seviyesi profesyonellere yönelik olup, AI güvenlik kavramlarını, tehdit vektörlerini ve NIST AI RMF ve ISO/IEC 42001 gibi küresel çerçeveleri anlamayı amaçlamaktadır.

Eğitim sonunda katılımcılar şunları yapabilecek hale gelecektir:

• AI sistemleri tarafından sunulan benzersiz güvenlik risklerini anlayabilmek.
• Karşı taraflı saldırılar, veri zehirlenmesi ve model tersine mühendisliği gibi tehdit vektörlerini tanımlayabilmek.
• NIST AI Risk Management Çerçevesi gibi temel yönetim modellerini uygulamak.
• AI kullanımını ortaya çıkan standartlar, uyumluluğu rehberleri ve etik ilkelerle hizalayabilmek.

Türkiye'da (çevrimiçi veya yerel) yapılan bu eğitmenler tarafından yönetilen canlı eğitim, federe öğrenme, güvenli çok tarafı hesaplama, homomorfik şifreleme ve diferansiyel gizlilik gibi teknikleri gerçek dünya makine öğrenimi veri akışlarında uygulamak ve değerlendirmek isteyen ileri düzey uzmanlar için tasarlanmıştır.

Eğitim sonunda katılımcılar şunları yapabilecekler:

• Makine öğreniminde gizlilik koruyucu teknikleri anlamak ve karşılaştırmak.
• Açık kaynak çerçevelerini kullanarak federe öğrenme sistemleri uygulamak.
• Güvenli veri paylaşımı ve model eğitimi için diferansiyel gizliliği uygulamak.
• Model girişlerini ve çıkışlarını korumak için şifreleme ve güvenli hesaplama teknikleri kullanmak.

Türkiye'da (çevrimiçi veya yerel) yapılan bu eğitmen-önceli canlı eğitim, zeka sistemlerine saldırıları simüle etmek, maruz kalınabilecek zayıflıkları ortaya çıkarmak ve dağıtılan AI modellerinin dayanıklı olmasını artırmak isteyen ileri düzey güvenlik uzmanlarına ve ML uzmanlarına yönelik olabilir.

Eğitim sonunda katılımcılar şunları yapabilecektir:

• Makine öğrenimi modellerine gerçek dünya tehditlerini simüle etme.
• Model dayanıklılığını test etmek için düşmanca örnekler oluşturma.
• Aİ API'leri ve pipeline'ların saldırı yüzeyini değerlendirmek.
• Aİ dağıtım ortamları için kırmızı takım stratejileri tasarlamak.

Türkiyetaki yerinde (çevrimiçi veya face-to-face) yapılan bu eğitmen yönetimi, kenar部署似乎在中途被打断了，我将继续翻译剩余的部分以保持连贯性：

中的边缘AI部署环境的理解

受众

• 嵌入式AI开发人员
• IOT安全专家
• 在边缘或受限设备上部署ML模型的工程师

Türkiye'da (çevrimiçi veya yerel) yapılan bu eğitmen yönetimi altında gerçekleştirilen canlı eğitim, AI modellerine karşı ortaya çıkan tehditleri anlama ve azaltmayı isteyen orta düzeyli makine öğrenimi ve siber güvenlik uzmanları için tasarlanmıştır. Hem kavramsal çerçeveler hem de sağlam eğitim ve diferansiyel gizlilik gibi uygulamalı savunmalar kullanılarak bu amaçlanmaktadır.

Eğitim sonunda katılımcılar şunları yapabilecektir:

• Adversarial saldırılar, tersine mühendislik ve zehirlenme gibi AI'ye özgü tehditleri tanımlayabilir ve sınıflandırabilirler.
• Adversarial Robustness Toolbox (ART) gibi araçları kullanarak saldırıları simüle edebilir ve modelleri test edebilirler.
• Adversarial eğitim, gürültü ekleme ve gizlilik koruma teknikleri dahil olmak üzere pratik savunmaları uygulayabilirler.
• Üretim ortamlarında tehdit bilinci model değerlendirme stratejileri tasarlayabilirler.