ML Security and AI Red Teaming Κομμάτι εκπαίδευσης
AI systems introduce novel attack surfaces: prompt injection, data poisoning, model extraction, adversarial inputs, and supply chain compromises. Traditional application security is necessary but insufficient. ML security requires understanding both classic vulnerability classes and AI-specific threats including the OWASP Top 10 for LLM Applications.
This instructor-led, live training (online or onsite) is aimed at security and ML engineers who need to identify, test, and defend against attacks on ML models and LLM-powered applications.
By the end of this training, participants will be able to:
- Threat-model AI systems across the ML lifecycle from training to inference.
- Execute red-team exercises against LLM applications including prompt injection and jailbreak attempts.
- Detect and defend against data poisoning, model extraction, and membership inference attacks.
- Apply the OWASP Top 10 for LLM Applications to real-world deployments.
- Implement input validation, output filtering, and guardrail strategies.
- Conduct supply chain security assessments for model artifacts and dependencies.
- Build an AI security testing playbook for continuous validation.
Format of the Course
- Interactive lecture and discussion.
- Lots of exercises and practice.
- Hands-on implementation in a live-lab environment.
Course Customization Options
- To request a customized training, please contact us to arrange.
Εξέλιξη Κομματιού
The AI Threat Landscape
- Why AI security is different: non-determinism, opaque reasoning, prompt as attack surface
- Attack taxonomy: training-time vs inference-time vs supply chain attacks
- The ML adversary model: who attacks AI systems and why
OWASP Top 10 for LLM Applications
- Prompt injection: direct and indirect attack vectors
- Insecure output handling and cross-plugin request forgery
- Training data poisoning and supply chain vulnerabilities
- Model denial of service, sensitive information disclosure, and excessive agency
- Hands-on lab: exploiting each OWASP category against a test application
Prompt Injection and Jailbreak Red Teaming
- Taxonomy of injection techniques: direct, indirect, multi-turn, and multi-modal
- Automated red-teaming with Giskard, Garak, and custom fuzzing tools
- Jailbreak classification and defense evaluation
- Building a red-team harness for continuous LLM security testing
Model-Level Attacks and Defenses
- Model extraction: stealing model weights and functionality via API queries
- Membership inference: determining if data was in the training set
- Adversarial examples: perturbations that fool classifiers and embeddings
- Data poisoning: corrupting training data to induce backdoors or degrade performance
Input and Output Security Controls
- Input sanitization beyond traditional web defenses
- Output filtering: toxicity, PII leakage, hallucinated code execution
- Guardrails as security infrastructure: NeMo, Guardrails AI, and custom policies
- Structured output enforcement as a security boundary
AI Supply Chain Security
- Model provenance: verifying model authenticity and integrity
- Dependency scanning for ML frameworks and model formats
- Secure model serving: sandboxing, network isolation, and least-privilege access
- Vetting fine-tuned and community models for embedded malware
Operational Security for AI Systems
- Access control for model endpoints, vector stores, and agent tools
- Audit logging for every model interaction and decision
- Incident response for AI-specific breaches: when the model itself is compromised
- Continuous security testing in CI/CD for ML pipelines
Building an AI Security Program
- AI security maturity model and roadmap
- Integrating AI security into existing AppSec and cloud security programs
- Governance frameworks and emerging regulations for AI systems
- Creating and maintaining an organizational AI security playbook
Απαιτήσεις
- Experience deploying ML models or LLM applications in production.
- Familiarity with security concepts including authentication, authorization, and threat modeling.
- Python proficiency for adversarial testing exercises.
Audience
- Security engineers expanding into AI/ML threat surfaces.
- ML engineers responsible for model safety and robustness.
- Red team members adding AI systems to their testing scope.
Κομμάτια Εκπαίδευσης χρειάζονται 5+ συμμετέχοντες.
ML Security and AI Red Teaming Κομμάτι εκπαίδευσης - Κράτηση
ML Security and AI Red Teaming Κομμάτι εκπαίδευσης - Ζήτημα Συμβουλευτικής
ML Security and AI Red Teaming - Συμβουλευτική Αίτημα
Εφεξής Μαθήματα
Σχετικά Μαθήματα
ISACA Προηγμένη στη Διαχείριση Ασφάλειας Τεχνητής Νοημοσύνης (AAISM)
21 ΏρεςΤο AAISM είναι ένα προηγμένο πλαίσιο για την αξιολόγηση, διακυβέρνηση και διαχείριση κινδύνων ασφαλείας σε συστήματα τεχνητής νοημοσύνης.
Αυτή η εκπαιδευτική συνεδρία με εισηγητή, ζωντανή (online ή onsite), απευθύνεται σε επαγγελματίες προχωρημένου επιπέδου που επιθυμούν να εφαρμόσουν αποτελεσματικούς ελέγχους ασφαλείας και πρακτικές διακυβέρνησης για επιχειρησιακά περιβάλλοντα ΤΝ.
Μετά την ολοκλήρωση του προγράμματος, οι συμμετέχοντες θα είναι σε θέση να:
- Αξιολογούν τους κινδύνους ασφαλείας ΤΝ χρησιμοποιώντας αναγνωρισμένες μεθοδολογίες του κλάδου.
- Εφαρμόζουν μοντέλα διακυβέρνησης για υπεύθυνη ανάπτυξη ΤΝ.
- Ευθυγραμμίζουν τις πολιτικές ασφαλείας ΤΝ με τους οργανωτικούς στόχους και τις κανονιστικές προσδοκίες.
- Ενισχύουν την ανθεκτικότητα και τη λογοδοσία στις λειτουργίες που βασίζονται στην ΤΝ.
Μορφή του Σεμιναρίου
- Παρουσιάσεις με καθοδήγηση, υποστηριζόμενες από ανάλυση εμπειρογνωμόνων.
- Πρακτικά εργαστήρια και δραστηριότητες αξιολόγησης.
- Εφαρμοσμένες ασκήσεις με χρήση σεναρίων διακυβέρνησης ΤΝ από τον πραγματικό κόσμο.
Δυνατότητες Προσαρμογής του Σεμιναρίου
- Για εξατομικευμένη εκπαίδευση προσαρμοσμένη στη στρατηγική ΤΝ του οργανισμού σας, παρακαλούμε επικοινωνήστε μαζί μας για να προσαρμόσουμε το σεμινάριο.
Διακυβέρνηση ΤΝ, Συμμόρφωση και Ασφάλεια για Ηγέτες Επιχειρήσεων
14 ΏρεςΑυτό το ζωντανό εκπαιδευτικό πρόγραμμα με εκπαιδευτή σε Ελλάδα (διαδικτυακό ή δια ζώσης) απευθύνεται σε στελέχη επιχειρήσεων μεσαίου επιπέδου που επιθυμούν να κατανοήσουν πώς να διαχειρίζονται και να ασφαλίζουν συστήματα ΤΝ με υπεύθυνο τρόπο και σύμφωνα με αναδυόμενα παγκόσμια πλαίσια όπως ο Κανονισμός της ΕΕ για την ΤΝ, ο GDPR, το ISO/IEC 42001 και το Εκτελεστικό Διάταγμα των ΗΠΑ για την ΤΝ.
Με την ολοκλήρωση αυτού του εκπαιδευτικού προγράμματος, οι συμμετέχοντες θα είναι σε θέση να:
- Κατανοούν τους νομικούς, ηθικούς και ρυθμιστικούς κινδύνους από τη χρήση της ΤΝ σε διάφορα τμήματα.
- Ερμηνεύουν και εφαρμόζουν σημαντικά πλαίσια διακυβέρνησης της ΤΝ (Κανονισμός της ΕΕ για την ΤΝ, NIST AI RMF, ISO/IEC 42001).
- Θεσπίζουν πολιτικές ασφάλειας, ελέγχου και εποπτείας για την ανάπτυξη της ΤΝ στην επιχείρηση.
- Αναπτύσσουν κατευθυντήριες γραμμές προμηθειών και χρήσης για συστήματα ΤΝ τρίτων και εσωτερικής ανάπτυξης.
AI-Driven Observability: From Logs to LLM-Powered Insights
14 ΏρεςThis instructor-led, live training in Ελλάδα (online or onsite) is aimed at observability and SRE engineers who want to integrate LLMs and AI into their monitoring, alerting, and incident analysis workflows.
AIOps σε δράση: Πρόβλεψη περιστατικών και αυτοματισμός ανάλυσης βασικής αιτίας
14 ΏρεςΤο AIOps (Τεχνητή Νοημοσύνη για Λειτουργίες Πληροφορικής) χρησιμοποιείται ολοένα και περισσότερο για την πρόβλεψη περιστατικών πριν συμβούν και την αυτοματοποίηση της ανάλυσης βασικής αιτίας (RCA), με στόχο την ελαχιστοποίηση του χρόνου διακοπής και την επιτάχυνση της επίλυσης.
Αυτή η εκπαίδευση με εισηγητή, σε ζωντανή μορφή (διαδικτυακά ή στον χώρο σας), απευθύνεται σε προχωρημένους επαγγελματίες Πληροφορικής που επιθυμούν να υλοποιήσουν προγνωστική ανάλυση, να αυτοματοποιήσουν την αποκατάσταση και να σχεδιάσουν ευφυείς ροές εργασίας ανάλυσης βασικής αιτίας (RCA) χρησιμοποιώντας εργαλεία AIOps και μοντέλα μηχανικής μάθησης.
Με την ολοκλήρωση αυτής της εκπαίδευσης, οι συμμετέχοντες θα είναι σε θέση να:
- Δημιουργήσουν και να εκπαιδεύσουν μοντέλα μηχανικής μάθησης για την ανίχνευση μοτίβων που οδηγούν σε αποτυχίες συστημάτων.
- Αυτοματοποιήσουν ροές εργασίας ανάλυσης βασικής αιτίας (RCA) βάσει συσχέτισης καταγραφών (log) και μετρικών από πολλαπλές πηγές.
- Ενσωματώσουν διαδικασίες ειδοποίησης και αποκατάστασης σε υπάρχουσες πλατφόρμες.
- Αναπτύξουν και να κλιμακώσουν ευφυείς διοχετεύσεις (pipelines) AIOps σε περιβάλλοντα παραγωγής.
Μορφή του Μαθήματος
- Διαδραστική διάλεξη και συζήτηση.
- Πολλές ασκήσεις και πρακτική εξάσκηση.
- Πρακτική υλοποίηση σε περιβάλλον ζωντανού εργαστηρίου.
Επιλογές Προσαρμογής Μαθήματος
- Για να ζητήσετε μια προσαρμοσμένη εκπαίδευση για αυτό το μάθημα, παρακαλούμε επικοινωνήστε μαζί μας για να την οργανώσουμε.
Βασικές αρχές AIOps: Παρακολούθηση, Συσχέτιση και Ευφυής Ειδοποίηση
14 ΏρεςΤο AIOps (Τεχνητή Νοημοσύνη για Λειτουργίες Πληροφορικής) είναι μια πρακτική που εφαρμόζει μηχανική μάθηση και αναλυτική για την αυτοματοποίηση και βελτίωση των λειτουργιών πληροφορικής, ιδιαίτερα στους τομείς της παρακολούθησης, της ανίχνευσης συμβάντων και της απόκρισης.
Αυτή η εκπαίδευση με εισηγητή, ζωντανά (online ή onsite), απευθύνεται σε επαγγελματίες λειτουργιών πληροφορικής μεσαίου επιπέδου που επιθυμούν να εφαρμόσουν τεχνικές AIOps για τη συσχέτιση μετρικών και αρχείων καταγραφής, τη μείωση του θορύβου ειδοποιήσεων και τη βελτίωση της παρατηρησιμότητας μέσω ευφυούς αυτοματισμού.
Μέχρι το τέλος αυτής της εκπαίδευσης, οι συμμετέχοντες θα είναι σε θέση να:
- Κατανοούν τις αρχές και την αρχιτεκτονική των πλατφορμών AIOps.
- Συσχετίζουν δεδομένα από αρχεία καταγραφής, μετρικές και ίχνη για τον εντοπισμό βαθύτερων αιτιών.
- Μειώνουν την κόπωση από ειδοποιήσεις μέσω ευφυούς φιλτραρίσματος και καταστολής θορύβου.
- Χρησιμοποιούν εργαλεία ανοιχτού κώδικα ή εμπορικά εργαλεία για την αυτόματη παρακολούθηση και απόκριση σε συμβάντα.
Μορφή του Μαθήματος
- Διαδραστική διάλεξη και συζήτηση.
- Πολλές ασκήσεις και πρακτική.
- Πρακτική υλοποίηση σε περιβάλλον ζωντανού εργαστηρίου.
Επιλογές Προσαρμογής του Μαθήματος
- Για να ζητήσετε μια προσαρμοσμένη εκπαίδευση για αυτό το μάθημα, παρακαλούμε επικοινωνήστε μαζί μας για να το κανονίσουμε.
Δημιουργία μιας Ροής AIOps με Εργαλεία Ανοικτού Κώδικα
14 ΏρεςΜια ροή AIOps που έχει δημιουργηθεί εξ ολοκλήρου με εργαλεία ανοικτού κώδικα επιτρέπει στις ομάδες να σχεδιάζουν οικονομικά αποδοτικές και ευέλικτες λύσεις για παρατηρησιμότητα, ανίχνευση ανωμαλιών και έξυπνη ειδοποίηση σε περιβάλλοντα παραγωγής.
Αυτή η εκπαίδευση με εκπαιδευτή, ζωντανή (διαδικτυακά ή με φυσική παρουσία), απευθύνεται σε μηχανικούς προχωρημένου επιπέδου που επιθυμούν να δημιουργήσουν και να αναπτύξουν μια ολοκληρωμένη ροή AIOps χρησιμοποιώντας εργαλεία όπως Prometheus, ELK, Grafana και προσαρμοσμένα μοντέλα ML.
Με την ολοκλήρωση αυτής της εκπαίδευσης, οι συμμετέχοντες θα είναι σε θέση να:
- Σχεδιάζουν μια αρχιτεκτονική AIOps χρησιμοποιώντας μόνο στοιχεία ανοικτού κώδικα.
- Συλλέγουν και κανονικοποιούν δεδομένα από αρχεία καταγραφής, μετρικές και ίχνη.
- Εφαρμόζουν μοντέλα μηχανικής μάθησης για την ανίχνευση ανωμαλιών και την πρόβλεψη περιστατικών.
- Αυτοματοποιούν την ειδοποίηση και την αποκατάσταση χρησιμοποιώντας ανοικτά εργαλεία.
Μορφή του Μαθήματος
- Διαδραστική διάλεξη και συζήτηση.
- Πολλές ασκήσεις και πρακτική.
- Πρακτική υλοποίηση σε περιβάλλον εργαστηρίου σε πραγματικό χρόνο.
Επιλογές Προσαρμογής του Μαθήματος
- Για να ζητήσετε μια προσαρμοσμένη εκπαίδευση για αυτό το μάθημα, παρακαλούμε επικοινωνήστε μαζί μας για να κανονίσουμε.
Διαχείριση Κινδύνων και Ασφάλεια ΤΝ (AI) στον Δημόσιο Τομέα
7 ΏρεςΗ Τεχνητή Νοημοσύνη (AI) εισάγει νέες διαστάσεις λειτουργικού κινδύνου, προκλήσεις διακυβέρνησης και έκθεση σε κυβερνοασφάλεια για κυβερνητικές υπηρεσίες και τμήματα.
Αυτή η ζωντανή εκπαίδευση με εισηγητή (διαδικτυακά ή δια ζώσης) απευθύνεται σε επαγγελματίες πληροφορικής και διαχείρισης κινδύνων του δημόσιου τομέα με περιορισμένη προηγούμενη εμπειρία στην ΤΝ, που επιθυμούν να κατανοήσουν πώς να αξιολογούν, να παρακολουθούν και να ασφαλίζουν συστήματα ΤΝ εντός κυβερνητικού ή ρυθμιστικού πλαισίου.
Μέχρι το τέλος αυτής της εκπαίδευσης, οι συμμετέχοντες θα είναι σε θέση να:
- Ερμηνεύουν βασικές έννοιες κινδύνου σχετικά με τα συστήματα ΤΝ, συμπεριλαμβανομένης της μεροληψίας, της απροβλεψιμότητας και της απόκλισης μοντέλων.
- Εφαρμόζουν πλαίσια διακυβέρνησης και ελέγχου ειδικά για την ΤΝ, όπως το NIST AI RMF και το ISO/IEC 42001.
- Αναγνωρίζουν απειλές κυβερνοασφάλειας που στοχεύουν μοντέλα ΤΝ και αγωγούς δεδομένων.
- Καταρτίζουν σχέδια διαχείρισης κινδύνων μεταξύ τμημάτων και ευθυγράμμιση πολιτικής για την ανάπτυξη της ΤΝ.
Μορφή του Μαθήματος
- Διαδραστική διάλεξη και συζήτηση περιπτώσεων χρήσης του δημόσιου τομέα.
- Ασκήσεις πλαισίου διακυβέρνησης ΤΝ και χαρτογράφηση πολιτικής.
- Μοντελοποίηση απειλών βάσει σεναρίων και αξιολόγηση κινδύνου.
Επιλογές Προσαρμογής του Μαθήματος
- Για να ζητήσετε μια προσαρμοσμένη εκπαίδευση για αυτό το μάθημα, παρακαλούμε επικοινωνήστε μαζί μας για να κανονίσουμε.
Ασφάλεια Τεχνητής Νοημοσύνης για Ομάδες Ασφαλείας
35 ΏρεςΑυτό το μάθημα παρέχει μια πρακτική εισαγωγή στην ασφάλιση σύγχρονων εφαρμογών που υποστηρίζονται από ΤΝ, APIs, copilots και αυτόνομων πρακτόρων. Οι συμμετέχοντες μαθαίνουν πώς η ασφάλεια ΤΝ διαφέρει από την παραδοσιακή ασφάλεια διαδικτύου, εξερευνούν κοινές απειλές ειδικές για την ΤΝ, όπως η έγχυση προτροπής, η δηλητηρίαση RAG και η κατάχρηση πρακτόρων, και κατανοούν πώς να προστατεύουν συστήματα ΤΝ χρησιμοποιώντας άμυνες πολλαπλών επιπέδων, συμπεριλαμβανομένων WAF, πυλών ΤΝ, ασφάλειας API και κιγκλιδωμάτων. Μέσα από πρακτικά εργαστήρια και παραδείγματα πραγματικού κόσμου, οι μαθητές αποκτούν τις δεξιότητες να αναγνωρίζουν μοτίβα επιθέσεων ΤΝ, να ασφαλίζουν εφαρμογές βασισμένες σε LLM και να αναπτύσσουν αποτελεσματικές άμυνες χρόνου εκτέλεσης για περιβάλλοντα παραγωγής.
Εισαγωγή στη Διαχείριση Εμπιστοσύνης, Κινδύνου και Ασφάλειας της Τεχνητής Νοημοσύνης (AI TRiSM)
21 ΏρεςΑυτή η εκπαίδευση με εκπαιδευτή, ζωντανά στο Ελλάδα (διαδικτυακά ή σε τάξη) απευθύνεται σε επαγγελματίες πληροφορικής αρχαρίου έως μεσαίου επιπέδου που επιθυμούν να κατανοήσουν και να εφαρμόσουν το AI TRiSM στους οργανισμούς τους.
Με την ολοκλήρωση αυτής της εκπαίδευσης, οι συμμετέχοντες θα είναι σε θέση να:
- Να κατανοήσουν τις βασικές έννοιες και τη σημασία της διαχείρισης εμπιστοσύνης, κινδύνου και ασφάλειας στην AI.
- Να αναγνωρίζουν και να μειώνουν τους κινδύνους που σχετίζονται με τα συστήματα AI.
- Να εφαρμόζουν βέλτιστες πρακτικές ασφάλειας για την AI.
- Να κατανοούν τη συμμόρφωση με κανονισμούς και τις ηθικές προεκτάσεις για την AI.
- Να αναπτύσσουν στρατηγικές για αποτελεσματική διακυβέρνηση και διαχείριση της AI.
Autonomous Operations with AI Agents
14 ΏρεςThis instructor-led, live training in Ελλάδα (online or onsite) is aimed at SRE and DevOps engineers who want to design, build, and safely deploy AI agents for autonomous IT operations.
Δημιουργία Ασφαλών και Υπεύθυνων Εφαρμογών LLM
14 ΏρεςΑυτή η εκπαίδευση με εισηγητή, ζωντανή στο Ελλάδα (διαδικτυακά ή δια ζώσης) απευθύνεται σε προγραμματιστές AI, αρχιτέκτονες και διαχειριστές προϊόντων μεσαίου έως προχωρημένου επιπέδου που επιθυμούν να εντοπίσουν και να μετριάσουν τους κινδύνους που σχετίζονται με εφαρμογές που χρησιμοποιούν LLM, συμπεριλαμβανομένων των prompt injection, διαρροής δεδομένων και μη φιλτραρισμένης εξόδου, ενσωματώνοντας ελέγχους ασφαλείας όπως επικύρωση εισόδου, επίβλεψη με ανθρώπινη παρέμβαση και κανόνες εξόδου.
Μέχρι το τέλος αυτής της εκπαίδευσης, οι συμμετέχοντες θα είναι σε θέση να:
- Κατανοούν τις βασικές ευπάθειες των συστημάτων που βασίζονται σε LLM.
- Εφαρμόζουν αρχές ασφαλούς σχεδιασμού στην αρχιτεκτονική εφαρμογών LLM.
- Χρησιμοποιούν εργαλεία όπως το Guardrails AI και το LangChain για επικύρωση, φιλτράρισμα και ασφάλεια.
- Ενσωματώνουν τεχνικές όπως sandboxing, red teaming και ανασκόπηση με ανθρώπινη παρέμβαση σε αγωγούς παραγωγής.
Δημιουργία Ασφαλών Εφαρμογών Τεχνητής Νοημοσύνης
21 ΏρεςΑυτό το μάθημα διδάσκει στους προγραμματιστές λογισμικού πώς να δημιουργούν εφαρμογές με τεχνητή νοημοσύνη που είναι ασφαλείς εκ σχεδιασμού. Οι συμμετέχοντες μαθαίνουν πώς να προστατεύουν chatbots, copilots, pipelines RAG και πράκτορες ΤΝ από απειλές ειδικές για την ΤΝ, όπως η εισαγωγή prompts, η δηλητηρίαση δεδομένων, η κατάχρηση εργαλείων, η διαρροή μυστικών και το μη ασφαλές αποτέλεσμα μοντέλου. Το μάθημα καλύπτει τον ασφαλή σχεδιασμό prompts, την ασφάλεια RAG, την πρόσβαση ελάχιστων προνομίων, τα προστατευτικά κιγκλιδώματα (guardrails) και τις δοκιμές προσομοίωσης επίθεσης (red-team), βοηθώντας τους προγραμματιστές να δημιουργήσουν λειτουργίες ΤΝ που είναι ασφαλείς, αξιόπιστες και ανθεκτικές σε πραγματικά περιβάλλοντα.
Enterprise AIOps με Splunk, Moogsoft και Dynatrace
14 ΏρεςΟι πλατφόρμες Enterprise AIOps όπως οι Splunk, Moogsoft και Dynatrace παρέχουν ισχυρές δυνατότητες για ανίχνευση ανωμαλιών, συσχέτιση ειδοποιήσεων και αυτοματοποίηση αποκρίσεων σε περιβάλλοντα ΙΤ μεγάλης κλίμακας.
Αυτή η εκπαίδευση με εκπαιδευτή, ζωντανή (online ή onsite) απευθύνεται σε ομάδες ΙΤ επιχειρήσεων μεσαίου επιπέδου που επιθυμούν να ενσωματώσουν εργαλεία AIOps στην υπάρχουσα στοίβα παρατηρησιμότητας και τις λειτουργικές τους ροές εργασίας.
Με το τέλος αυτής της εκπαίδευσης, οι συμμετέχοντες θα είναι σε θέση να:
- Διαμορφώσουν και να ενσωματώσουν τα Splunk, Moogsoft και Dynatrace σε μια ενοποιημένη αρχιτεκτονική AIOps.
- Να συσχετίζουν μετρικές, αρχεία καταγραφής (logs) και συμβάντα σε κατανεμημένα συστήματα χρησιμοποιώντας ανάλυση βασισμένη σε τεχνητή νοημοσύνη.
- Να αυτοματοποιούν την ανίχνευση συμβάντων, την προτεραιοποίηση και την απόκριση με ενσωματωμένες και προσαρμοσμένες ροές εργασίας.
- Να βελτιστοποιούν την απόδοση, να μειώνουν τον MTTR και να βελτιώνουν την επιχειρησιακή αποδοτικότητα σε κλίμακα επιχείρησης.
Μορφή του Μαθήματος
- Διαδραστική διάλεξη και συζήτηση.
- Πολλές ασκήσεις και πρακτική εξάσκηση.
- Πρακτική υλοποίηση σε περιβάλλον πραγματικού εργαστηρίου (live-lab).
Επιλογές Προσαρμογής Μαθήματος
- Για να ζητήσετε μια προσαρμοσμένη εκπαίδευση για αυτό το μάθημα, παρακαλώ επικοινωνήστε μαζί μας για να κανονίσουμε.
Υλοποίηση AIOps με Prometheus, Grafana και ML
14 ΏρεςΤο Prometheus και το Grafana είναι ευρέως υιοθετημένα εργαλεία για την παρατηρησιμότητα στις σύγχρονες υποδομές, ενώ η μηχανική μάθηση ενισχύει αυτά τα εργαλεία με προβλεπτικές και έξυπνες πληροφορίες για την αυτοματοποίηση των αποφάσεων λειτουργίας.
Αυτή η εκπαίδευση με εισηγητή, ζωντανή (online ή onsite) απευθύνεται σε επαγγελματίες παρατηρησιμότητας μεσαίου επιπέδου που επιθυμούν να εκσυγχρονίσουν την υποδομή παρακολούθησής τους ενσωματώνοντας πρακτικές AIOps χρησιμοποιώντας Prometheus, Grafana και τεχνικές ML.
Με την ολοκλήρωση αυτής της εκπαίδευσης, οι συμμετέχοντες θα είναι σε θέση να:
- Παραμετροποιούν το Prometheus και το Grafana για παρατηρησιμότητα σε συστήματα και υπηρεσίες.
- Συλλέγουν, αποθηκεύουν και οπτικοποιούν υψηλής ποιότητας δεδομένα χρονοσειρών.
- Εφαρμόζουν μοντέλα μηχανικής μάθησης για ανίχνευση ανωμαλιών και πρόβλεψη.
- Δημιουργούν έξυπνους κανόνες ειδοποιήσεων με βάση προβλεπτικές πληροφορίες.
Μορφή του Μαθήματος
- Διαδραστική διάλεξη και συζήτηση.
- Πολλές ασκήσεις και εξάσκηση.
- Πρακτική υλοποίηση σε περιβάλλον ζωντανού εργαστηρίου (live-lab).
Επιλογές Προσαρμογής Μαθήματος
- Για να ζητήσετε προσαρμοσμένη εκπαίδευση για αυτό το μάθημα, παρακαλούμε επικοινωνήστε μαζί μας για να κανονίσουμε.
LLMOps: Production LLM Operations and Governance
14 ΏρεςThis instructor-led, live training in Ελλάδα (online or onsite) is aimed at ML engineers and platform teams who need to build robust operational pipelines for LLM-powered applications at scale.
