Construcción de aplicaciones LLM seguras y responsables

Visión general de la arquitectura de LLM y superficie de ataque

• Cómo se construyen, implementan y acceden a los LLM a través de APIs.
• Componentes clave en las pilas de aplicaciones LLM (por ejemplo, mensajes (prompts), agentes, memoria, APIs).
• Dónde y cómo surgen los problemas de seguridad en el uso real.

Inyección de mensajes y ataques de evasión (Jailbreak)

• Qué es la inyección de mensajes y por qué es peligrosa.
• Escenarios de inyección directa e indirecta de mensajes.
• Técnicas de evasión para burlar los filtros de seguridad.
• Estrategias de detección y mitigación.

Filtración de datos y riesgos de privacidad

• Exposición accidental de datos a través de las respuestas.
• Fugas de información personal identificable (PII) y mal uso de la memoria del modelo.
• Diseño de mensajes conscientes de la privacidad y generación aumentada por recuperación (RAG).

Filtrado y protección de las salidas de LLM

• Uso de Guardrails AI para filtrado de contenido y validación.
• Definición de esquemas y restricciones de salida.
• Monitoreo y registro de salidas no seguras.

Enfoques de supervisión humana en el ciclo y flujos de trabajo

• Dónde y cuándo introducir supervisión humana.
• Colas de aprobación, umbrales de puntuación y manejo de respuestas alternativas.
• Calibración de confianza y el papel de la explicabilidad.

Patrones de diseño seguro para aplicaciones LLM

• Principio de mínimo privilegio y aislamiento (sandboxing) para llamadas de API y agentes.
• Límites de velocidad, limitación de carga y detección de abuso.
• Cadenas robustas con LangChain y aislamiento de mensajes (prompts).

Cumplimiento, registro y gobernanza

• Asegurar la auditabilidad de las salidas de LLM.
• Mantener la trazabilidad y el control de versiones de mensajes (prompts).
• Adaptarse a las políticas de seguridad interna y necesidades regulatorias.

Resumen y próximos pasos