Kursus Pelatihan Pengantar Manajemen Kepercayaan, Risiko, dan Keamanan AI (AI TRiSM)

Pelatihan online langsung ini ditujukan bagi para pemimpin perusahaan tingkat menengah yang ingin mempelajari cara mengelola dan menjaga keamanan sistem AI secara bertanggung jawab serta sejalan dengan berbagai kerangka hukum global terkini, seperti Undang-Undang AI Uni Eropa, GDPR, ISO/IEC 42001, dan Perintah Eksekutif AS mengenai AI.

Setelah mengikuti pelatihan ini, peserta akan mampu:

• Memahami risiko hukum, etika, dan regulasi dalam penggunaan AI di berbagai divisi perusahaan.
• Menginterpretasikan dan menerapkan kerangka tata kelola AI utama (Undang-Undang AI Uni Eropa, NIST AI RMF, ISO/IEC 42001).
• Merumuskan kebijakan keamanan, audit, serta pengawasan terhadap implementasi AI di perusahaan.
• Menyusun pedoman pengadaan dan penggunaan sistem AI baik yang disediakan pihak ketiga maupun dikembangkan secara internal.

Kursus ini memberikan pengenalan praktis mengenai cara mengamankan aplikasi berbasis AI, API, copilot, dan agen otonom modern. Peserta mempelajari perbedaan mendasar antara keamanan web konvensional dengan aspek khusus dalam lingkungan AI, termasuk jenis ancaman seperti injeksi prompt, pencemaran data RAG, serta penyalahgunaan fungsi agen AI itu sendiri. Selain itu, peserta juga mempelajari pendekatan bertingkat untuk melindungi sistem tersebut melalui WAF, gateway AI, pengaturan keamanan API dan guardrails yang tepat. Melalui laboratorium praktik serta studi kasus nyata, para peserta diharapkan mampu mengidentifikasi pola serangan AI secara efektif, melindungi aplikasi berbasis LLM, serta menerapkan sistem pemantauan dan pertahanan yang andal dalam kondisi produksi.

Pelatihan online langsung ini dipandu oleh instruktur Indonesia (dapat dilakukan secara virtual maupun tatap muka) ditujukan bagi para pengembang AI, arsitek sistem, serta manajer produk tingkat menengah hingga lanjut yang ingin mengidentifikasi dan mengurangi risiko pada aplikasi berbasis LLM, termasuk serangan jenis prompt injection, kebocoran data, dan hasil keluaran yang tidak terfilter. Mereka juga akan mempelajari penerapan mekanisme keamanan seperti validasi input, pengawasan manusia, serta pengaturan batas keamanan pada output.

Setelah mengikuti pelatihan ini, peserta akan mampu:

• Mengenali kerentanan utama dalam sistem berbasis LLM.
• Menerapkan prinsip-prinsip desain aman dalam arsitektur aplikasi LLM.
• Memanfaatkan alat-alat seperti Guardrails AI dan LangChain untuk validasi, penyaringan data, serta keamanan sistem.
• Mengintegrasikan teknik-teknik seperti sandboxing, pengujian red teaming, dan pengawasan manusia dalam proses produksi aplikasi LLM.

Kursus ini membekali para pengembang kemampuan membangun aplikasi berbasis AI secara aman sejak awal desainnya. Mereka akan belajar cara melindungi chatbot, copilot, saluran kerja RAG, dan agen cerdas terhadap ancaman spesifik seperti serangan injeksi prompt, pencemaran data, penyalahgunaan alat pendukung, kebocoran informasi rahasia, serta risiko tidak amannya pengelolaan output model. Di dalamnya juga disampaikan desain prompt yang efektif, teknik keamanan RAG, penerapan hak akses minimum, serta pendekatan test red-teaming demi menghasilkan fitur AI yang tangguh di dunia nyata.

Pelatihan online langsung ini diselenggarakan secara tatap muka atau virtual, ditujukan bagi para profesional tingkat menengah di bidang AI serta keamanan siber. Mereka yang ingin memahami serta mengatasi risiko keamanan khusus pada model dan sistem AI, terutama dalam industri yang sangat teratur seperti keuangan, tata kelola data, maupun konsultasi.

Setelah mengikuti pelatihan ini, peserta diharapkan mampu:

• Memahami jenis-jenis serangan adversarial terhadap sistem AI serta cara membela diri darinya.
• Menerapkan teknik penguatan model untuk melindungi proses pengembangan machine learning.
• Menjamin keamanan dan integritas data dalam model machine learning.
• Memenuhi persyaratan regulasi terkait keamanan AI.

Pelatihan online langsung ini di Indonesia ditujukan bagi para insinyur keamanan serta petugas kepatuhan yang ingin memperkuat konfigurasi EXO, mengatur akses model, dan memantau beban kerja AI yang dijalankan sepenuhnya di dalam lingkungan on-premise.

Pelatihan online langsung ini dipandu oleh instruktur, ditujukan bagi para profesional di bidang keamanan IT, manajemen risiko, dan kepatuhan pada tingkat pemula yang ingin memahami konsep dasar keamanan AI, berbagai jenis ancaman, serta kerangka kerja internasional seperti NIST AI RMF dan ISO/IEC 42001.

Setelah mengikuti pelatihan ini, peserta akan mampu:

• Memahami berbagai risiko keamanan unik yang ditimbulkan oleh sistem AI.
• Mengidentifikasi jenis ancaman seperti serangan adversarial, kontaminasi data, serta inversi model.
• Menerapkan model tata kelola dasar seperti NIST AI Risk Management Framework.
• Menyelaraskan pemanfaatan AI dengan standar mutakhir, pedoman kepatuhan, serta prinsip etika.

Pelatihan langsung tatap muka ini di Indonesia diselenggarakan secara online atau tatap muka, dan ditujukan bagi para insinyur keamanan serta ML yang ingin mengenali, menguji, serta mempertahankan sistem mereka dari berbagai serangan terhadap model AI.

Berdasarkan panduan terbaru dari Proyek Keamanan OWASP GenAI, peserta akan belajar mengidentifikasi, menilai, dan memitigasi ancaman spesifik AI melalui latihan praktik dan skenario dunia nyata.

Pelatihan online langsung ini, yang diselenggarakan secara virtual atau tatap muka Indonesia, ditujukan bagi para profesional tingkat lanjut yang ingin menerapkan dan mengevaluasi teknik-teknik seperti pembelajaran terdesentralisasi, komputasi multi pihak aman, enkripsi homomorfik, serta privasi diferensial dalam proyek-proyek nyata bidang pembelajaran mesin.

Setelah mengikuti pelatihan ini, para peserta diharapkan mampu:

• Memahami dan membandingkan berbagai teknik utama dalam melindungi privasi pada pembelajaran mesin.
• Menerapkan sistem pembelajaran terdesentralisasi dengan menggunakan kerangka kerja sumber terbuka.
• Memanfaatkan konsep privasi diferensial demi proses berbagi data dan pelatihan model yang aman.
• Menggunakan metode enkripsi serta teknik komputasi aman untuk melindungi masukan dan hasil proses pembelajaran mesin.

Pelatihan online langsung ini dipimpin oleh instruktur, baik dalam format virtual maupun pelatihan langsung tatap muka, ditujukan bagi para profesional keamanan tingkat lanjut serta spesialis ML yang ingin mensimulasikan serangan terhadap sistem AI, mengungkap celah keamanan, dan meningkatkan ketahanan model yang telah diterapkan.

Setelah menyelesaikan pelatihan ini, peserta akan mampu:

• Mensimulasikan ancaman nyata terhadap model machine learning.
• Membuat contoh adversarial untuk menguji ketahanan model.
• Menilai potensi serangan pada API dan proses kerja sistem AI.
• Merancang strategi pengujian penetrasi untuk lingkungan penerapan AI.

Pelatihan online langsung ini dipandu oleh instruktur dan ditujukan bagi para insinyur tingkat menengah serta profesional keamanan yang ingin mengamankan model AI yang diimplementasikan di tepi jaringan terhadap berbagai ancaman, misalnya manipulasi data, kebocoran informasi, serangan adversarial, hingga gangguan fisik.

Setelah menyelesaikan pelatihan ini, peserta diharapkan mampu:

• Mengidentifikasi serta menilai risiko keamanan dalam implementasi AI di lingkungan tepi.
• Menerapkan teknik pencegahan manipulasi data dan inferensi yang dienkripsi.
• Memperkuat keamanan model AI yang diterapkan di tepi serta melindungi saluran pengiriman data.
• Mengimplementasikan strategi mitigasi ancaman khusus untuk sistem tertanam dan lingkungan terbatas.

Pelatihan online langsung ini diarahkan kepada para profesional di bidang pembelajaran mesin dan keamanan siber tingkat menengah, yang ingin memahami serta meredam ancaman baru terhadap model AI. Mereka akan dibekali kerangka konseptual serta latihan praktis tentang strategi pertahanan seperti pelatihan tangguh dan privasi diferensial.

Di akhir pelatihan, peserta diharapkan mampu:

• Mengidentifikasi serta mengklasifikasikan ancaman khusus AI, misalnya serangan antagonis, inversi model, dan keracunan data.
• Memanfaatkan alat seperti Adversarial Robustness Toolbox (ART) guna mensimulasikan serangan serta menguji keandalan model.
• Menerapkan teknik pertahanan nyata, termasuk pelatihan antagonis, penyuntikan derau, dan upaya menjaga privasi data.
• Merancang strategi evaluasi model yang tetap memerhatikan faktor ancaman dalam kondisi produksi.