Шибаєва, Наталя ОлегівнаГребенник, Андрій Дмитрович2024-11-072024-11-072023Гребенник, А. Д. Забезпечення майбутнього машинного навчання: вирішення питань конфіденційності, надійності та етичних проблем / Гребенник Андрій Дмитрович // Інженерія програмного забезпечення і передові інформаційні технології (SoftTech-2023) : матеріали V Міжнародної науково-практичної конференції молодих вчених та студентів, присвячених 125-й річниці КПІ ім. Ігоря Сікорського (19-21 грудня 2023 р., Київ). – Київ : КПІ ім. Ігоря Сікорського, ІПІ ФІОТ, 2023. – С. 76-79. – Бібліогр.: 3 назв.https://ela.kpi.ua/handle/123456789/70431У цій статті розглядаються етичні складнощі широкого впровадження машинного навчання, розглядаються конфіденційність, надійність моделі та ширші етичні проблеми. Зосереджуючись на впливі на суспільство, він підкреслює першочергову важливість конфіденційності, що обумовлено великою кількістю особистих даних під час навчання моделей. Обговорюються ризики ненавмисного розголошення та повторної ідентифікації, що вимагає тонкого балансу між корисністю моделі та індивідуальною конфіденційністю в умовах зміни правил. Наголошуючи на стійкості моделі до агресивних атак, у статті досліджуються такі методи, як змагальне навчання, використання різноманітних наборів даних та інструменти інтерпретації. Етичні міркування, особливо в таких нових технологіях, як автономні системи, ретельно вивчаються, кульмінацією чого є заклик до цілісного підходу, який відстоює справедливість, прозорість і конфіденційність у відповідальних і етичних практиках машинного навчання.ukМашинне навчанняетичні міркуванняпитання конфіденційностінадійність моделістійкістьзмагальні атакизмагальна підготовкааналіз данихдиференційована конфіденційністьзаходи захисту данихправила конфіденційностісправедливістьпрозорістьвідповідальне використання персональних данихвплив на суспільстворізні секториетика імперативипідзвітністьможливість інтерпретаціїавтономні системиетичні настановинормативні рамкигромадська довірапозитивні суспільні зміниMachine learningethical considerationsprivacy concernsmodel robustnessresilienceadversarial attacksadversarial trainingdata analysisdifferential privacydata protection measuresprivacy regulationsfairnesstransparencyresponsible use of personal datasocietal impactdiverse sectorsethical imperativesaccountabilityinterpretabilityautonomous systemsethical guidelinesregulatory frameworkspublic trustpositive societal changeArticleС. 76-79004.8