Szkolenie Ochrona modeli uczenia maszynowego przed atakami

Infoshare to największa społeczność technologiczna w CEE i organizator wiodącej konferencji tech w Gdańsku. Łączy startupy, inwestorów, korporacje i pasjonatów innowacji. Promuje przedsiębiorczość, dzielenie się wiedzą i networking. Dzięki wydarzeniom, konkursom i programom wspiera rozwój ekosystemu technologicznego w Polsce i regionie.

Zaawansowany, praktyczny kurs poświęcony kluczowym aspektom bezpieczeństwa modeli uczenia maszynowego. Szkolenie łączy solidną teorię z intensywnymi warsztatami, które pozwolą uczestnikom zrozumieć i praktycznie przeciwdziałać zagrożeniom w środowiskach ML. Uczestnicy nauczą się identyfikować, analizować oraz skutecznie chronić modele przed nowoczesnymi atakami, zdobywając unikalne kompetencje z pogranicza cyberbezpieczeństwa i sztucznej inteligencji.

• Inżynierów AI i data scientists
• Architektów rozwiązań ML
• Osób odpowiedzialnych za wdrażanie rozwiązań AI w organizacjach
• Specjalistów ds. bezpieczeństwa informatycznego
• Programistów zajmujących się rozwojem zaawansowanych modeli
• Osób z podstawowa znajomośią Python, bibliotek ML (numpy, scikit-learn, tensorflow/pytorch)

• Identyfikacji zaawansowanych wektorów ataków na modele ML
• Metod przeciwdziałania manipulacji danymi treningowymi
• Praktycznych technik zabezpieczania procesów trenowania i inferecji
• Narzędzi i strategii ochrony wrażliwych modeli przed cyberzagrożeniami

• DZIEŃ 1: WPROWADZENIE DO MLFLOW I PODSTAWY ZARZĄDZANIA MODELAMI
   • Podstawy MLflow
   • Wprowadzenie do MLflow i jego architektury
   • Instalacja i konfiguracja MLflow

  •  ŚLEDZENIE EKSPERYMENTÓW Z MLFLOW TRACKING
     • Rejestrowanie i śledzenie eksperymentów ML
     • Zarządzanie metadanymi i wynikami eksperymentów

  •  MODELOWANIE I PRZECHOWYWANIE MODELI
     • Rejestrowanie modeli z MLflow Models
     • Przechowywanie modeli w repozytorium modeli
     • Rejestrowanie i śledzenie eksperymentów
     • Praktyczne ćwiczenia z rejestrowania i śledzenia eksperymentów ML
     • Analiza i interpretacja wyników eksperymentów

• DZIEŃ 2: ZAAWANSOWANE TECHNIKI I PRAKTYCZNE ZASTOSOWANIA
   WDRAŻANIE MODELI Z MLFLOW PROJECTS
   • Tworzenie i konfigurowanie projektów MLflow
   • Wdrażanie modeli na różnych platformach

  •  MONITOROWANIE MODELI Z MLFLOW MODELS
     • Monitorowanie wdrożonych modeli ML
     • Aktualizowanie i optymalizacja wdrożonych modeli

  •  INTEGRACJA Z INNYMI NARZĘDZIAMI I USŁUGAMI
     • Integracja MLflow z popularnymi frameworkami ML (TensorFlow, PyTorch, Scikit-Learn)
     • Integracja MLflow z platformami chmurowymi (AWS, Azure, GCP)

  •  WDRAŻANIE I MONITOROWANIE MODELU
     • Praktyczne ćwiczenia z wdrażania modelu MLflow
     • Monitorowanie i optymalizacja wdrożonego modelu

16 h/2 dni