Konfidenciālo datu identifikācija dokumentos, izmantojot neironu tīklus

Abstract

Šī maģistra darba ietvaros tiek pētīta neironu tīklu izmantošana konfidenciālo datu identifikācijai dokumentos, kas ir svarīga problēma, ņemot vērā Vispārīgās datu aizsardzības regulas (GDPR) prasības. Darba ietvaros tika veikts eksperiments ar dažādām neironu tīklu arhitektūrām ar mērķi novērtēt neironu tīklu modeļu precizitāti konfidenciālās informācijas identificēšanā tekstveida dokumentos. Metodoloģija ietver salīdzinošu analīzi starp izmantotiem neironu tīklu modeļiem, koncentrējoties uz to atbilstību definētām prasībām. Pētījuma rezultāti apliecina, ka progresīvās mašīnmācīšanās tehnoloģijas var būtiski uzlabot datu aizsardzības risinājumus un nodrošināt augstāku precizitāti konfidenciālo datu identificēšanā.

This master's thesis investigates the use of neural networks for identifying confidential data in documents, which is an important issue, taking into account the requirements of the General Data Protection Regulation (GDPR). As part of the work, an experiment was conducted with different neural network architectures with the aim of assessing the accuracy of neural network models in identifying confidential information in text-based documents. The methodology includes a comparative analysis between the used neural network models, focusing on their compliance with defined requirements. The results of the study confirm that advanced machine learning technologies can significantly improve data protection solutions and ensure higher accuracy in identifying confidential data.