Cybersecurity in AI Systems 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.

Artificial Intelligence (AI) introduces new dimensions of operational risk, governance challenges, and cybersecurity exposure for government agencies and departments.

This instructor-led, live training (online or onsite) is aimed at public sector IT and risk professionals with limited prior experience in AI who wish to understand how to evaluate, monitor, and secure AI systems within a government or regulatory context.

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

• Interpret key risk concepts related to AI systems, including bias, unpredictability, and model drift.
• Apply AI-specific governance and auditing frameworks such as NIST AI RMF and ISO/IEC 42001.
• Recognize cybersecurity threats targeting AI models and data pipelines.
• Establish cross-departmental risk management plans and policy alignment for AI deployment.

Format of the Course

• Interactive lecture and discussion of public sector use cases.
• AI governance framework exercises and policy mapping.
• Scenario-based threat modeling and risk evaluation.

Course Customization Options

• To request a customized training for this course, please contact us to arrange.

Bu eğitmen liderliğindeki, canlı eğitim (Türkiye çevrimiçi veya yerinde), kuruluşlarında AI TRiSM'i anlamak ve uygulamak isteyen başlangıç ​​seviyesi ile orta seviye BT profesyonellerine yöneliktir.

Bu eğitimin sonunda katılımcılar şunları yapabilecektir:

• AI güven, risk ve güvenlik yönetiminin temel kavramlarını ve önemini kavrayabilmek.
• AI sistemleriyle ilişkili riskleri belirleyip azaltabilmek.
• AI için güvenlik en iyi uygulamalarını uygulayabilmek.
• AI için düzenleyici uyumluluk ve etik hususları anlayabilmek.
• Etkili AI yönetimi ve stratejileri geliştirebilmek.

This instructor-led, live training in Türkiye (online or onsite) is aimed at intermediate-level to advanced-level AI developers, architects, and product managers who wish to identify and mitigate risks associated with LLM-powered applications, including prompt injection, data leakage, and unfiltered output, while incorporating security controls like input validation, human-in-the-loop oversight, and output guardrails.

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

• Understand the core vulnerabilities of LLM-based systems.
• Apply secure design principles to LLM app architecture.
• Use tools such as Guardrails AI and LangChain for validation, filtering, and safety.
• Integrate techniques like sandboxing, red teaming, and human-in-the-loop review into production-grade pipelines.

This instructor-led, live training in Türkiye (online or onsite) is aimed at beginner-level IT security, risk, and compliance professionals who wish to understand foundational AI security concepts, threat vectors, and global frameworks such as NIST AI RMF and ISO/IEC 42001.

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

• Understand the unique security risks introduced by AI systems.
• Identify threat vectors such as adversarial attacks, data poisoning, and model inversion.
• Apply foundational governance models like the NIST AI Risk Management Framework.
• Align AI use with emerging standards, compliance guidelines, and ethical principles.

This instructor-led, live training in Türkiye (online or onsite) is aimed at advanced-level professionals who wish to implement and evaluate techniques such as federated learning, secure multiparty computation, homomorphic encryption, and differential privacy in real-world machine learning pipelines.

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

• Understand and compare key privacy-preserving techniques in ML.
• Implement federated learning systems using open-source frameworks.
• Apply differential privacy for safe data sharing and model training.
• Use encryption and secure computation techniques to protect model inputs and outputs.

This instructor-led, live training in Türkiye (online or onsite) is aimed at advanced-level security professionals and ML specialists who wish to simulate attacks on AI systems, uncover vulnerabilities, and enhance the robustness of deployed AI models.

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

• Simulate real-world threats to machine learning models.
• Generate adversarial examples to test model robustness.
• Assess the attack surface of AI APIs and pipelines.
• Design red teaming strategies for AI deployment environments.

This instructor-led, live training in Türkiye (online or onsite) is aimed at intermediate-level engineers and security professionals who wish to secure AI models deployed at the edge against threats such as tampering, data leakage, adversarial inputs, and physical attacks.

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

• Identify and assess security risks in edge AI deployments.
• Apply tamper resistance and encrypted inference techniques.
• Harden edge-deployed models and secure data pipelines.
• Implement threat mitigation strategies specific to embedded and constrained systems.

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.