PROGRAMA DEL CURSO

1.- Fundamentos de ciberseguridad aplicados a la IA

Objetivo

• Identificar los principios básicos de ciberseguridad (confidencialidad, integridad y disponibilidad) aplicados a entornos de inteligencia artificial.
• Reconocer las amenazas y vulnerabilidades comunes en entornos digitales que pueden afectar a sistemas basados en IA.

Contenido

1. Fundamentos de ciberseguridad aplicados a la IA
1. Principios básicos de ciberseguridad aplicados a entornos de inteligencia artificial
2. Amenazas y vulnerabilidades comunes en entornos digitales
3. Seguridad en aplicaciones que manejen modelos a gran escala
4. Limitaciones y riesgos del uso defensivo de la IA
5. Resumen

2.- Introducción a la inteligencia artificial en ciberseguridad

Objetivo

• Describir los conceptos básicos de inteligencia artificial y aprendizaje automático relevantes para la ciberseguridad.
• Explicar el papel de la IA en la prevención y detección de amenazas de seguridad en el contexto actual.

Contenido

1. Introducción a la inteligencia artificial en ciberseguridad
1. Conceptos básicos de inteligencia artificial y aprendizaje automático
2. Contexto actual de la ciberseguridad y retos emergentes
3. La importancia de la IA para la protección de sistemas y datos
4. Resumen

3.- Aprendizaje supervisado para detección de amenazas

Objetivo

• Identificar los modelos clásicos de aprendizaje supervisado aplicables a la detección de malware y ataques.
• Interpretar las métricas de evaluación de modelos supervisados para valorar su eficacia en la detección de amenazas.

Contenido

1. Aprendizaje supervisado para detección de amenazas
1. Modelos clásicos de aprendizaje supervisado
2. Aplicación práctica en detección de malware y ataques
3. Evaluación y mejora de modelos supervisados
4. Resumen

4.- Aprendizaje no supervisado y detección de anomalías

Objetivo

• Distinguir las principales técnicas de aprendizaje no supervisado y clustering utilizadas para identificar patrones anómalos en tráfico y registros.
• Aplicar criterios de control y trazabilidad para validar los resultados de detección de anomalías generados por modelos no supervisados.

Contenido

1. Aprendizaje no supervisado y detección de anomalías
1. Introducción a técnicas no supervisadas y clustering
2. Identificación de patrones anómalos en tráfico y registros
3. Casos de uso y desafíos en detección temprana
4. Resumen

5.- Redes neuronales y deep learning en seguridad

Objetivo

• Identificar las arquitecturas de redes neuronales profundas más adecuadas para la detección de intrusiones y reconocimiento de patrones maliciosos.
• Analizar los resultados de un modelo de deep learning aplicado a ciberseguridad, valorando su rendimiento y los criterios de supervisión humana necesarios

Contenido

1. Redes neuronales y deep learning en seguridad
1. Fundamentos de redes neuronales profundas
2. Detección de intrusiones y reconocimiento de patrones
3. Optimización y entrenamiento en escenarios ciberseguros
4. Resumen

6.- Procesamiento de lenguaje natural para análisis de amenazas

Objetivo

• Aplicar técnicas de PLN para identificar indicadores de amenaza en textos de seguridad como logs, alertas y correos maliciosos.
• Seleccionar herramientas y técnicas de PLN adecuadas para automatizar el análisis de registros de seguridad bajo supervisión humana.

Contenido

1. Procesamiento de lenguaje natural para análisis de amenazas
1. Introducción al procesamiento de lenguaje natural (PLN)
2. Aplicaciones en análisis de logs y correos maliciosos
3. Herramientas y técnicas relevantes de PLN
4. Resumen

7.- Evaluación de riesgos mediante IA

Objetivo

• Evaluar riesgos de seguridad utilizando modelos predictivos apoyados en IA, priorizándolos según probabilidad e impacto.
• Valorar los riesgos específicos de seguridad presentes en soluciones basadas en IA, identificando vectores de ataque y fallos potenciales del sistema.

Contenido

1. Evaluación de riesgos mediante IA
1. Riesgos asociados a la IA
2. Análisis de riesgos en modelos de IA
3. Gestión de riesgos en modelos de IA
4. Resumen

8.- Diseño de soluciones de seguridad basadas en IA

Objetivo

• Diseñar una solución de seguridad basada en IA, especificando objetivo, datos de entrada, salida esperada y controles de supervisión humana.
• Seleccionar arquitecturas e integrarlas con infraestructuras existentes, aplicando buenas prácticas de escalabilidad y trazabilidad.

Contenido

1. Diseño de soluciones de seguridad basadas en IA
1. Arquitecturas y componentes clave
2. Integración con infraestructuras existentes
3. Buenas prácticas de diseño y escalabilidad
4. Resumen

9.- Privacidad, ética y cumplimiento normativo

Objetivo

• Reconocer los requisitos legales y éticos aplicables al despliegue de IA en entornos de seguridad, incluyendo el RGPD y la normativa sectorial.
• Verificar el cumplimiento de criterios de privacidad y ética en una solución de IA concreta, proponiendo controles correctivos cuando sea necesario.

Contenido

1. Privacidad, ética y cumplimiento normativo
1. Aspectos legales y regulatorios en IA y ciberseguridad
2. Protección de datos y privacidad en sistemas inteligentes
3. Resumen

10.- Herramientas y plataformas para IA en seguridad

Objetivo

• Seleccionar herramientas y librerías de IA adecuadas para apoyar la detección, priorización y respuesta a riesgos de seguridad.
• Configurar y desplegar una solución de IA en un entorno práctico de seguridad, verificando su correcto funcionamiento y trazabilidad.

Contenido

1. Herramientas y plataformas para IA en seguridad
1. Revisión de herramientas y librerías relevantes
2. Plataformas de desarrollo y entornos locales
3. Configuración y despliegue de soluciones IA
4. Resumen

11.- Tendencias actuales y futuras en IA aplicada a la seguridad

Objetivo

• Identificar las innovaciones tecnológicas emergentes en IA aplicada a la seguridad y su impacto potencial en los entornos ciberseguros
• Argumentar cómo las tendencias futuras condicionan las decisiones de diseño y gestión de soluciones de seguridad basadas en IA

Contenido

1. Tendencias actuales y futuras en IA aplicada a la seguridad
1. Innovaciones tecnológicas y emergentes
2. Desafíos futuros y oportunidades
3. Preparación para evoluciones del entorno ciberseguro
4. Resumen

12.- Ataques adversarios y robustez de modelos de IA en seguridad

Objetivo

• Identificar los principales tipos de ataques adversarios dirigidos a modelos de IA en contextos de seguridad, como evasión, envenenamiento y extracción
• Proponer y justificar medidas de robustez y defensa ante ataques adversarios, evaluando su viabilidad en un despliegue real con supervisión humana

Contenido

1. Ataques adversarios y robustez de modelos de IA en seguridad
1. Introducción a los ataques adversarios
2. Técnicas de defensa ante ataques adversarios
3. Evaluación de robustez ante ataques adversarios
4. Resumen