Contattataci

Struttura del corso

Introduzione all’AI distribuita ai bordi di rete e ai sistemi embedded

  • Cos’è l’AI ai bordi di rete? Casistiche d’uso e limitazioni
  • Piattaforme hardware edge e stack software correlati
  • Sfide legate alla sicurezza in ambienti embedded e decentralizzati

Panoramica delle minacce per l’AI distribuita ai bordi di rete

  • Rischi legati all’accesso fisico e alla manomissione dei dispositivi
  • Esempi avversari e manipolazione dei modelli di intelligenza artificiale
  • Possibili fuoriuscite di dati e rischi derivanti dall’inversione del modello

Protezione dei modelli di intelligenza artificiale

  • Strategie per il rafforzamento strutturale e la quantizzazione dei modelli
  • Tecniche di watermarking e fingerprinting applicate ai modelli
  • Metodi come l’estrazione difensiva e il pruning per ridurre la vulnerabilità dei modelli

Inferenza crittografata ed esecuzione sicura

  • Gli ambienti di esecuzione affidabili (Trusted Execution Environments) per l’AI
  • Le enclave sicure e il calcolo confidenziale come strumenti di protezione
  • Implementazione dell’inferenza crittografata tramite cifratura omeomorfica o SMPC

Rilevamento delle manomissioni e controlli a livello dispositivo

  • Avvio sicuro del sistema e verifiche sull’integrità del firmware
  • Validazione dei sensori e rilevamento di anomalie nei dati
  • Attestazione remota e monitoraggio dello stato di salute dei dispositivi

Integrazione della sicurezza tra edge e cloud

  • Trasmissione sicura dei dati e gestione delle chiavi di cifratura
  • Cifratura end-to-end e tutela dell’intero ciclo di vita dei dati
  • Coordinamento tra infrastrutture cloud AI e requisiti specifici legati alla sicurezza ai bordi di rete

Best practice e strategie di riduzione dei rischi

  • Modellizzazione delle minacce nei sistemi AI distribuiti ai bordi di rete
  • Principi progettuali fondamentali per garantire sicurezza nelle soluzioni embedded
  • Gestione delle risposte agli incidenti e aggiornamento del firmware

Conclusione e prossimi passi

Requisiti

  • Conoscenza di base dei sistemi embedded o degli ambienti di distribuzione dell’AI ai bordi di rete
  • Esperienza nell’utilizzo di Python e framework per il machine learning (ad esempio TensorFlow Lite, PyTorch Mobile)
  • Conoscenze elementari in materia di cybersecurity o modelli di minaccia legati all’IoT

Destinatari del corso

  • Sviluppatori specializzati in soluzioni AI per sistemi embedded
  • Esperti di sicurezza nell’ambito dell’IoT
  • Ingegneri responsabili della distribuzione di modelli ML su dispositivi edge o a risorse limitate
 14 ore

Numero di Partecipanti


Prezzo per partecipante

Recensioni (3)

Corsi in Arrivo

Categorie relative