Emnetype

Opptakskrav

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

Innhold

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.

Anbefalte forkunnskaper

Hva lærer du

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.

Undervisnings- og eksamensspråk

Undervisning

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.