Αλγόριθμοι μηχανικής μάθησης και ζητήματα προστασίας προσωπικών δεδομένων

Abstract

Οι σκοποί της παρούσας μεταπτυχιακής διατριβής είναι η μελέτη και αποτύπωση όλων των κινδύνων αναφορικά με την ιδιωτικότητα και προστασία προσωπικών δεδομένων οι οποίοι εγείρονται από τη χρήση αλγορίθμων μηχανικής μάθησης, η μελέτη των τεχνικών αντιμετώπισης των εν λόγω κινδύνων, καθώς επίσης και η διερεύνηση της αποτελεσματικότητάς τους καθώς και των δυνατοτήτων περαιτέρω βελτίωσής τους.. Δεδομένης της εφαρμογής του Γενικού Κανόνα Προστασίας Προσωπικών Δεδομένων (GDPR) στις 25 Μαΐου 2018 και της αυξανόμενης χρήσης αλγόριθμων μηχανικής μάθησης που λαμβάνουν ως είσοδο προσωπικά δεδομένα φυσικών προσώπων για εξαγωγή συμπερασμάτων και λήψη αποφάσεων, κρίνεται αναγκαία η προστασία των προσωπικών δεδομένων των φυσικών προσώπων ώστε η ταυτότητά τους μην αποκαλύπτεται χωρίς την συγκατάθεσή τους ή χωρίς άλλη νομική βάση. Ειδικότερα, στην παρούσα μεταπτυχιακή διατριβή έχει αναλυθεί η έννοια των προσωπικών δεδομένων και των αλγορίθμων μηχανικής μάθησης και έχει παρουσιαστεί ο τρόπος που εφαρμόζονται στα προσωπικά δεδομένα. Ακολούθως, έχουν απαριθμηθεί οι κίνδυνοι που προκύπτουν από την χρήση των αλγόριθμων μηχανικής μάθησης όσον αφορά την ιδιωτικότητα. Στη συνέχεια, έχουν εφαρμοστεί οι τεχνικές αντιμετώπισης των κινδύνων που έχουν προταθεί/υλοποιηθεί και τα αποτελέσματά τους έχουν αξιολογηθεί. Έπειτα, έχουν ερευνηθεί περαιτέρω, μέσω πρακτικής εφαρμογής, οι τεχνικές αντιμετώπισης των κινδύνων που έχουν μελετηθεί ώστε να εξακριβωθεί αν μπορούν να βελτιωθούν. Τα αποτελέσματα της παρούσας μεταπτυχιακής διατριβής είναι σημαντικά καθώς η τεχνική αντιμετώπισης των κινδύνων που έχει μελετηθεί, η οποία βασίζεται σε εφαρμογή τεχνικής διαφορικής ιδιωτικότητας, είναι αποτελεσματική και έχει διαφανεί ότι μπορεί να βελτιωθεί. Συγκεκριμένα, τα ποσοστά ακριβείας εκπαίδευσης, επαλήθευσης και ελέγχου της εν λόγω τεχνικής έχουν βελτιωθεί και είναι υποσχόμενα. Η παρούσα μεταπτυχιακή διατριβή προτείνει καινοτόμες λύσεις στην εργασία της ιδιωτικής αναγνώρισης χαρακτήρων και αντικειμένων καθώς οι υπερπαράμετροι που έχουν μελετηθεί σε αυτή δεν έχουν μελετηθεί από άλλους ερευνητές. Τέλος, οι λύσεις αυτές μπορούν να τροποποιηθούν ώστε να είναι χρήσιμες σε ιατρικές εφαρμογές (π.χ. πρόβλεψη ασθενειών μερικά χρόνια πριν συμβούν) διατηρώντας την ιδιωτικότητα του συνόλου δεδομένων εισόδου που περιλαμβάνει ιατρικά δεδομένα ασθενών.