64 Quiz: Ενότητα 10 (10.1-10.2-10.2.1-10.2.2)- Τεχνητή Νοημοσύνη και Κυβερνοασφάλεια

Τεχνητή Νοημοσύνη και Κυβερνοασφάλεια

Χρόνος: 20:00

Σκορ: 0 / 20

1. Ποια είναι η κύρια συμβολή της Τεχνητής Νοημοσύνης (ΤΝ) στην κυβερνοασφάλεια, πέρα από την απλή ανίχνευση απειλών;

Η πλήρης κατάργηση των παραδοσιακών τειχών προστασίας (firewalls). Η αυτοματοποιημένη απόκριση σε επιθέσεις. Η αποκλειστική χρήση συνθετικών δεδομένων. Η αντικατάσταση όλων των αναλυτών ασφαλείας.

Η συμβολή της ΤΝ εκτείνεται στην **αυτοματοποιημένη απόκριση** (Automated Response) σε πραγματικό χρόνο, κάτι που είναι ζωτικής σημασίας για την αποτελεσματική αντιμετώπιση σύγχρονων επιθέσεων.

2. Πώς βοηθά η ικανότητα των συστημάτων ΤΝ να αναλύουν ιστορικά δεδομένα;

Μειώνοντας τον όγκο των δεδομένων που αποθηκεύονται. Ενισχύοντας την πρόληψη μελλοντικών κυβερνοεπιθέσεων μέσω προγνωστικών μοντέλων. Δημιουργώντας deepfake περιεχόμενο. Μόνο για σκοπούς αναφοράς και όχι για πρόληψη.

Η ανάλυση ιστορικών δεδομένων επιτρέπει τη βελτίωση των **προγνωστικών μοντέλων ασφάλειας**, ενισχύοντας την **πρόληψη** (predictive security).

3. Ποια είναι μία κύρια μορφή επίθεσης που ενισχύεται λόγω της Τεχνητής Νοημοσύνης, σύμφωνα με το κείμενο;

Επιθέσεις DDoS (Distributed Denial of Service). Deepfake Attacks (επιθέσεις παραποίησης βίντεο και ήχου). Επιθέσεις SQL Injection. Επιθέσεις Brute Force σε κωδικούς πρόσβασης.

Οι **Deepfake Attacks** αποτελούν μία από τις πιο σύνθετες και ανησυχητικές μορφές κυβερνοεπιθέσεων που υποβοηθούνται από την ΤΝ.

4. Ποιος είναι ο κύριος τεχνολογικός μηχανισμός πίσω από την παραγωγή των Deepfake News;

Convolutional Neural Networks (CNNs). Generative Adversarial Networks (GANs). Recurrent Neural Networks (RNNs). Quantum Computing.

Τα **Γεννητικά Αντιπαραθετικά Δίκτυα (GANs)** εκπαιδεύονται σε μεγάλες βάσεις δεδομένων για να δημιουργούν ρεαλιστικά, συνθετικά βίντεο και εικόνες.

5. Ποιο κίνητρο αναφέρεται ως κύριο για τη χρήση deepfake βίντεο και ήχου;

Η ψυχαγωγία σε βιντεοπαιχνίδια. Η δημιουργία ψηφιακής τέχνης υψηλής ανάλυσης. Η εξαπάτηση, η δημοσίευση ψευδών πληροφοριών και οι εκβιαστικές πρακτικές. Η βελτίωση της ποιότητας των ιατρικών εικόνων.

Τα deepfake χρησιμοποιούνται για κακόβουλους σκοπούς, όπως η παραπληροφόρηση και η χειραγώγηση της κοινής γνώμης.

6. Ποια είναι μία θετική χρήση των Generative Adversarial Networks (GANs) στον τομέα των πολυμέσων;

Η διαρροή προσωπικών δεδομένων. Η αναβάθμιση εικόνων και βίντεο χαμηλής ποιότητας. Η αυτοματοποιημένη ανίχνευση ιών. Η κρυπτογράφηση δεδομένων.

Τα GANs μπορούν να αποκαταστήσουν και να βελτιώσουν την ανάλυση φωτογραφιών και βίντεο (super-resolution).

7. Ποια είναι η συμβολή των GANs στην Ιατρική Απεικόνιση;

Την παραγωγή νέων φαρμάκων χωρίς κλινικές δοκιμές. Την ενίσχυση της ποιότητας ιατρικών εικόνων (π.χ. MRI) για ακριβέστερες διαγνώσεις. Την αντικατάσταση των χειρουργών με ρομπότ. Την αποκλειστική χρήση τους για τη συμπίεση ιατρικών δεδομένων.

Η βελτίωση της ποιότητας των διαγνωστικών εικόνων είναι κρίσιμη για την ακρίβεια της διάγνωσης και την ιατρική έρευνα.

8. Ποιο είναι ένα μειονέκτημα των Variational Autoencoders (VAEs) σε σχέση με τα GANs στη δημιουργία εικόνων;

Απαιτούν μεγαλύτερη υπολογιστική ισχύ. Οι εικόνες που παράγουν είναι συχνά θολές ή χαμηλής λεπτομέρειας. Δεν μπορούν να χρησιμοποιηθούν για αφηρημένη τέχνη. Δεν παρέχουν έλεγχο στην παραγωγή εικόνων.

Παρότι τα VAEs προσφέρουν μεγαλύτερο έλεγχο, η ποιότητα των παραγόμενων εικόνων είναι συνήθως χαμηλότερη σε ρεαλισμό και λεπτομέρεια από αυτή των GANs.

9. Ποιο είναι ένα κύριο πλεονέκτημα των VAEs σε σχέση με τα GANs;

Παράγουν πάντα πιο ρεαλιστικές εικόνες. Λιγότερη υπολογιστική ισχύ σε σχέση με τα GANs. Είναι εντελώς ακατάλληλα για data augmentation. Μαθαίνουν τη δομή των δεδομένων, αλλά δημιουργούν ψεύτικες εικόνες.

Ένα από τα πλεονεκτήματα των VAEs είναι η **χαμηλότερη υπολογιστική απαίτηση** σε σύγκριση με τα ανταγωνιστικά GANs.

10. Τι επιτρέπουν τα μοντέλα Diffusion (π.χ. DALL-E) στην παραγωγή εικόνων μέσω ΤΝ;

Τη χρήση μόνο σε βιντεοπαιχνίδια. Την παραγωγή πολύ λεπτομερών και ρεαλιστικών εικόνων υψηλής ανάλυσης. Τη γρήγορη δημιουργία περιεχομένου με χαμηλή υπολογιστική ισχύ. Τη μεταφορά στυλ από μια εικόνα σε μια άλλη.

Τα Diffusion Models είναι γνωστά για την ικανότητά τους να παράγουν **εικόνες υψηλής ανάλυσης και εξαιρετικής λεπτομέρειας**.

11. Ποιο είναι ένα μειονέκτημα των Diffusion Models σε σχέση με τα GANs;

Είναι πιο γρήγορα στη δημιουργία περιεχομένου. Η διαδικασία είναι αργή και απαιτεί ισχυρή υπολογιστική ισχύ. Δεν μπορούν να χρησιμοποιηθούν για γενική δημιουργία τέχνης. Παράγουν εικόνες χαμηλής λεπτομέρειας.

Η σταδιακή δημιουργία εικόνας (de-noising) καθιστά τα Diffusion Models **αργά** και απαιτεί **ισχυρή υπολογιστική ισχύ**.

12. Ποια μέθοδος επιτρέπει τη μεταφορά του στυλ μιας εικόνας σε μια άλλη, μιμούμενη τεχνικές διάσημων καλλιτεχνών;

Generative Adversarial Networks (GANs). Neural Style Transfer (NST). Variational Autoencoders (VAEs). Procedural Generation.

Η μέθοδος **Neural Style Transfer (NST)** χρησιμοποιεί CNNs για να αναλύσει και να εφαρμόσει το στυλ μιας εικόνας (π.χ. πίνακα) σε μία άλλη.

13. Ποιος είναι ο κύριος περιορισμός του Neural Style Transfer (NST) σε σχέση με τα GANs;

Δεν μπορεί να χρησιμοποιηθεί για καλλιτεχνικά φίλτρα. Δεν μπορεί να δημιουργήσει νέες εικόνες από το μηδέν. Απαιτεί πολύπλοκη εκπαίδευση σε τεράστιες βάσεις δεδομένων. Η ποιότητα των εικόνων είναι πάντα χαμηλής ανάλυσης.

Το NST είναι ένα εργαλείο επεξεργασίας, ενώ τα GANs είναι **γεννητικά μοντέλα** που μπορούν να παράγουν πρωτότυπο περιεχόμενο.

14. Ποια εναλλακτική μέθοδος χρησιμοποιεί αλγορίθμους και μαθηματικούς κανόνες για τη δημιουργία περιεχομένου, κυρίως σε βιντεοπαιχνίδια;

Neural Style Transfer (NST). Variational Autoencoders (VAEs). Procedural Generation (Διαδικαστική Παραγωγή). Deepfake Technology.

Οι τεχνικές **Procedural Generation** χρησιμοποιούνται για τη δυναμική δημιουργία κόσμων και αντικειμένων σε παιχνίδια και αρχιτεκτονική, χωρίς την ανάγκη εκπαίδευσης νευρωνικών δικτύων.

15. Ποιο είναι ένα σημαντικό μειονέκτημα του Procedural Generation σε σχέση με τα GANs;

Δεν μπορεί να δημιουργήσει μεγάλες ποσότητες περιεχομένου αυτόνομα. Απαιτεί εκπαίδευση νευρωνικών δικτύων. Ο περιορισμός στη δημιουργία συγκεκριμένων μοτίβων και η αδυναμία αναπαραγωγής της εφευρετικότητας των GANs. Δεν είναι κατάλληλο για αρχιτεκτονικές προσομοιώσεις.

Η Διαδικαστική Παραγωγή (Procedural Generation) εξαρτάται από κανόνες και αλγορίθμους, περιορίζοντας την **εφευρετικότητα** και την **αισθητική ποικιλία** που μπορούν να προσφέρουν τα GANs.

16. Σε ποια εφαρμογή της ιατρικής χρησιμοποιούνται τα Convolutional Neural Networks (CNNs) χωρίς GANs;

Στη συμπίεση ιατρικών εικόνων. Στην ανίχνευση καρκινικών όγκων. Στην πρόβλεψη της δομής πρωτεϊνών. Στη δημιουργία συνθετικών ιατρικών δεδομένων.

Τα CNNs είναι παραδοσιακοί αλγόριθμοι βαθιάς μάθησης που χρησιμοποιούνται ευρέως στην ανάλυση ιατρικών εικόνων για την **ανίχνευση παθολογιών**, όπως οι καρκινικοί όγκοι.

17. Ποια μέθοδος αξιοποιεί προ-εκπαιδευμένα νευρωνικά δίκτυα (όπως ResNet και VGG16) προσαρμόζοντάς τα σε ιατρικά δεδομένα;

Συμβατικές Τεχνικές Ανάλυσης Εικόνας. Transfer Learning (Μεταφορά Μάθησης). Variational Autoencoders (VAEs). Generative Adversarial Networks (GANs).

Η **Μεταφορά Μάθησης (Transfer Learning)** επιτρέπει τη χρήση γνώσης από ένα ήδη εκπαιδευμένο μοντέλο σε νέο, συναφή τομέα, καθιστώντας την ασφαλή και αξιόπιστη.

18. Ποια είναι μία εφαρμογή των Variational Autoencoders (VAEs) στην ιατρική, εκτός από την ανίχνευση ανωμαλιών;

Η παραγωγή ψηφιακών ανθρώπων. Η πρόβλεψη της δομής πρωτεϊνών. Η συμπίεση ιατρικών εικόνων. Η παραγωγή deepfake βίντεο.

Τα VAEs, μαθαίνοντας τη δομή των δεδομένων, μπορούν να χρησιμοποιηθούν για την αποτελεσματική **συμπίεση ιατρικών εικόνων**.

19. Τι απαιτούν οι Παραδοσιακοί Αλγόριθμοι Βαθιάς Μάθησης (Deep Learning χωρίς GANs) για να εξασφαλίσουν μεγαλύτερη αξιοπιστία στην ανάλυση ιατρικών εικόνων;

Τη χρήση μόνο VAEs. Τη χρήση μόνο συνθετικών δεδομένων. Μεγάλες βάσεις δεδομένων. Ελάχιστη υπολογιστική ισχύ.

Οι συμβατικοί αλγόριθμοι βαθιάς μάθησης, όπως τα CNNs, χρειάζονται **μεγάλες βάσεις δεδομένων** για να εκπαιδευτούν με ακρίβεια και να έχουν αξιόπιστα αποτελέσματα.

20. Ποια είναι μία σημαντική θετική εφαρμογή των GANs εκτός από την ιατρική και την αναβάθμιση εικόνων;

Η ανίχνευση ιών με κλασικές μεθόδους. Η δημιουργία ψηφιακών ανθρώπων (χαρακτήρων) για κινηματογράφο/βιντεοπαιχνίδια. Η αποκλειστική χρήση edge detection. Η ανάλυση ιστορικών δεδομένων ασφαλείας.

Τα GANs χρησιμοποιούνται στη δημιουργική βιομηχανία για τη δημιουργία **ρεαλιστικών ψηφιακών χαρακτήρων** (ψηφιακοί άνθρωποι), διευκολύνοντας την παραγωγή οπτικοακουστικού υλικού.