Store datasystemer: Sikkerhet og analyse

Emnet kan tas som enkeltemne.

Emnet belyser metoder, systemer og rutiner for sikker håndtering av kunnskap i stor skala. I tillegg inneholder kurset en introduksjon til stordata-analyse («Data Science»).

Dette emnet gir en dyp innføring i metoder, systemer og arkitekturer for sikker håndtering, analyse og utnyttelse av komplekse, sensitive datasett i stor skala. Med et spesielt fokus på biomedisin og helse, adresserer emnet utfordringer knyttet til medisinske data, multispektrale bilder og avansert medisinsk bildediagnostikk.

Kjernen i emnet er trygg og etisk bruk av kunstig intelligens (AI) og maskinlæring på disse sensitive datasettene. Vi utforsker hvordan AI-modeller kan bygges og driftes med høy grad av fortrolighet, integritet og sporbarhet, samtidig som man opprettholder deres prediktive nøyaktighet og kliniske nytte.

Hovedtemaer:

Datagrunnlag for medisinsk AI: Håndtering av strukturert helsedata, ustrukturert bilde- og tekstdata (f.eks. MR/CT, patologi), og data fra sensorer. Arbeid med NoSQL-databaser (Apache Cassandra) for skalerbar lagring.

Avansert dataanalyse og modellutvikling: Praktisk arbeid med Python-biblioteker (scikit-learn, pandas, NumPy) for dataprosessering, visualisering og analyse. Fokus på treningspipelines for maskinlæring tilpasset biomedisinske problemer.

AI-drevet bildediagnostikk: Innføring i metoder for automatisert analyse av multispektrale og medisinske bilder, inkludert grunnleggende bildegjenkjenning og segmentering.

Sikkerhets- og personvernrammeverk (Security & Privacy by Design): Dypdykk i kryptografiske teknikker for sikker datadeling og modelltreningsanonymisering. Studier av standarder som HIPAA/GDPR i praksis og implementering av sporingssystemer (inspirert av Kerberos-arkitektur).

Sikkerhet og pålitelighet i klinisk praksis (Safety): Risikovurdering og kvalitetssikring av AI-systemer for å forhindre uønskede konsekvenser. Scenarioer fra pasientjournalsystemer og diagnoseverktøy.

Generell studiekompetanse og Matematikk R1+R2 og Fysikk 1.

Søkere som kan dokumentere ett av følgende kvalifiserer også for opptak:

• generell studiekompetanse og bestått realfagkurs, eller
• bestått 1-årig forkurs for ingeniørutdanning, eller
• 2-årig teknisk fagskole etter rammeplan fastsatt av departementet 1998/99 og tidligere studieordninger.

*For å få opptak til enkeltemner på grunnlag av Y-veien, må søkeren oppfylle opptakskriteriene for Y-vei til studieprogrammet som emnet inngår i. I tillegg må søkeren oppfylle eventuelle forkunnskapskrav som er spesifisert for det konkrete emnet de søker opptak til. Det gis begrenset studierett til det spesifikke emnet - på samme måte som realkompetansesøkere.

Søknadskode: 9391

Kunnskaper og forståelse:

• Kjenne til sikkerhetsfaget, inklusiv tekniske, juridiske og organisatoriske begreper.
• Skillet mellom ulike sikkerhetsaspekter: Konfidensialitet, integritet, tilgjengelighet, sporbarhet og "safety".
• Arkitektur for å ivareta de ulike sikkerhetsaspektene, eksempelvis bruk av NoSQL-databaser eller blockchain.
• Strategier for autentisering og autorisering i distribuerte systemer, eksempelvis Kerberos, OAuth og OpenID.
• Pragmatisk sikkerhetsplanlegging ut fra vurdering av risiko og trusler.
• Forbedring av sikkerhet gjennom håndtering av hendelser ("incidents").
• Standarder som ISO2700 og "Normen" - Norm for informasjonssikkerhet helse og omsorgstjenesten.
• Forvaltningsorganer og disses områder og ansvar.
• Juridiske og etiske forhold.
• Få en grunnleggende innsikt i ulike teknikker for klassifisering og predikering når det gjelder store datamengder.
• Få kunnskap om ulike industrielle analysebiblioteker og deres bruk innen fagområdet stordata.

Ferdigheter:

• Anvendelse av faglig kunnskap til å implementere sikre systemer for håndtering av kunnskap.
• Kunne dokumentere og vurdere sikkerhet i systemer for håndtering av kunnskap.
• Kunne måle og forbedre sikkerhet gjennom f.eks. hendelsesstatistikk, risikoanalyse og oppetid.
• Rådgiving og veiledning rundt arkitektur i sikre systemer.
• Utvikle sikre systemer til bruk i kunnskapsintensive arbeidsmiljø, som f. eks. i helsevesenet.
• Kunne designe et system for data-analyse der man tar i bruk kjente algoritmer og analysemetoder innen stordata.
• Få grunnleggende ferdigheter innen uthenting, analyse og visualisering av store datamengder.

Kompetanse:

• Gjennomføring og dokumentasjon av selvstendig arbeid i tråd med akademisk praksis.
• Formidling av fagstoff både skriftlig og muntlig.
• Å reflektere over egen faglig utøvelse og læringsprosess og kunne justere dette etter veiledning.
• Å ha et bevist forhold til arbeidsmetodikk ved informasjonssikring og å kunne kommunisere faglig med andre gjennom tekst, dialog og standardiserte diagrammer.
• Dokumentasjon av sikkerhetsrutiner og tilknyttede elementer samt prosessen rundt etablering systemer med hensyn på de ulike sikkerhetsaspektene.
• Kunne argumentere for valg av analyseverktøy og algoritmer i en stordata sammenheng.
• Kunne de viktigeste begrepene innen moderne stordata-analyse for å kunne orientere seg innen utviklingen i dette fagområdet.

Recommended prerequisites

DTE-2507 Datakommunikasjon og sikkerhet, DTE-2603 Programmering for mobil, DTE-2604 Systemutvikling

Hovedvekt på praktiske øvinger på lab/nett, knyttet til spesifikke delmål, teori gjennom presentasjon av klassiske papers.

Øvinger vurderes løpende (vurdering for læring).

Forelesninger, primært gjennom forberedende videogjennomgang, men tidvis tradisjonelle forelesninger som streames i nettmøte (opptak av stream gjøres tilgjengelig på nett).

Undervisningsspråk er normalt norsk, men kan være engelsk dersom det deltar studenter som har behov for det.

Language of instruction and examination

Schedule

More info about the portfolio

Innhold:

• 4 innleveringer, publisert på LMS.
• Innleveringer kan leveres på norsk eller engelsk.

Re-sit examination

Info about the weighting of parts of the examination