INTELIGENCIA ARTIFICIAL APLICADO A LA CIBERSEGURIDAD

Temario

1. FUNDAMENTOS DE IA EN CIBERSEGURIDAD Y PANORAMA DE AMENAZAS

​- Introducción al Machine Learning (ML) y Deep Learning (DL) en seguridad: Algoritmos supervisados, no supervisados y modelos generativos aplicados a la detección de riesgos.

​- El ecosistema del ciberdelito impulsado por IA:

• ​Phishing avanzado y Spear Phishing generativo con LLMs.
• ​Deepfakes para suplantación de identidad en ingeniería social (vishing/bishing).
• ​Malware polimórfico y evasión automatizada de controles.

​- Marcos de seguridad para IA: Introducción a MITRE ATLAS (Adversarial Threat Landscape for AI Systems) y el marco NIST AI RMF.

​2. DETECCIÓN DE AMENAZAS Y ANÁLISIS DE COMPORTAMIENTO CON ML

​- Análisis de comportamiento de usuarios y entidades (UEBA): Detección de anomalías en redes y sistemas en tiempo real.

​- Procesamiento de Lenguaje Natural (NLP) en ciberdefensa:

• ​Filtrado y clasificación automatizada de correos maliciosos.
• ​Análisis de sentimientos y patrones sintácticos en tráfico web y chats.

​- Detección de malware mediante ML: Clasificación de código malicioso mediante árboles de decisión, Random Forest y redes neuronales sin ejecución en Sandbox.

​- Estructuración de SIEM y XDR con motores de IA: Automatización de la correlación de eventos y reducción de falsos positivos.

​3. AUTOMATIZACIÓN DE LA RESPUESTA A INCIDENTES E THREAT INTELLIGENCE

​- Integración de LLMs en el Centro de Operaciones de Seguridad (SOC):

• ​Uso de copilotos de seguridad (Security Copilots) para análisis express de logs y scripts maliciosos.
• ​Generación automática de reportes ejecutivos e informes técnicos de incidentes.

​- Orquestación y Automatización (SOAR + IA): Creación de playbooks dinámicos que se adaptan automáticamente según el contexto de la amenaza.

​- Ciberinteligencia de Amenazas (Threat Intelligence): Extracción automatizada de Indicadores de Compromiso (IoCs) desde fuentes no estructuradas (OSINT, Dark Web) mediante NLP.

​4. SEGURIDAD DE LOS SISTEMAS DE IA (SECURING AI SYSTEMS)

​- Top 10 de OWASP para Aplicaciones de Modelos de Lenguaje (LLM):

• ​Inyección de prompts (Prompt Injection / Jailbreaking).
• ​Fuga de datos sensibles y datos de entrenamiento (Data Leakage).
• ​Denegación de servicio del modelo (Model DoS).

​- Ataques adversarios contra Machine Learning:

• ​Envenenamiento de datos de entrenamiento (Data Poisoning).
• ​Ataques de evasión mediante perturbaciones invisibles en las entradas.
• ​Inferencia de pertenencia y extracción/robo de modelos (Model Inversion).

​- Hardening de pipelines de IA/ML (MLOps Seguro): Validación de datos de entrada, monitoreo de deriva del modelo (Data Drift) y protección de endpoints API de inferencia.

5. ​CIBERDEFENSA OFENSIVA ASISTIDA POR IA (AI-DRIVEN RED TEAMING)

​- Automatización del reconocimiento y descubrimiento de activos: Uso de IA para mapeo de superficies de ataque en tiempo real.

​- Modelado y generación de exploits con IA: Pruebas de penetración (Pentesting) asistidas para identificación de vulnerabilidades en código.

​- Simulación de adversarios con IA: Creación de campañas de Red Team automatizadas para poner a prueba las defensas de la organización.

​6. ASPECTOS ÉTICOS, LEGALES Y PRIVACIDAD EN EL USO DE IA

​- Privacidad de datos en el entrenamiento de modelos: Técnicas de privacidad diferencial, aprendizaje federado y anonimización.

​- Cumplimiento regulatorio: Análisis de la EU AI Act (Reglamento de IA de la Unión Europea) y normativas locales aplicadas a la ciberseguridad.

​- Gobernanza y sesgo en IA de seguridad: Transparencia, explicabilidad de las decisiones automatizadas (Explainable AI – XAI) y mitigación de falsos negativos críticos.

Contáctenos

Cuentas bancarias

Ficha de de inscripción

FICHA DE INSCRIPCIÓN