<?xml version="1.0" encoding="UTF-8"?>
<rss xmlns:dc="http://purl.org/dc/elements/1.1/" version="2.0">
<channel>
<title>Τμήμα Ψηφιακών Συστημάτων</title>
<link>https://dione.lib.unipi.gr/xmlui/handle/unipi/2420</link>
<description>Department of Digital Systems</description>
<pubDate>Sat, 18 Jul 2026 14:12:57 GMT</pubDate>
<dc:date>2026-07-18T14:12:57Z</dc:date>
<item>
<title>Διπλώματα ευρεσιτεχνίας και τεχνητή νοημοσύνη</title>
<link>https://dione.lib.unipi.gr/xmlui/handle/unipi/19565</link>
<description>Διπλώματα ευρεσιτεχνίας και τεχνητή νοημοσύνη
Βούζιου, Δανάη
Η παρούσα εργασία εξετάζει τη σχέση μεταξύ διπλωμάτων ευρεσιτεχνίας και τεχνητής νοημοσύνης, αναλύοντας το ισχύον θεωρητικό και νομοθετικό πλαίσιο του δικαίου ευρεσιτεχνιών. Παρουσιάζονται οι βασικές έννοιες της εφεύρεσης, του εφευρέτη και του διπλώματος ευρεσιτεχνίας, καθώς και ο ρόλος της τεχνητής νοημοσύνης στην έρευνα και ανάπτυξη, σε συνδυασμό με το σύγχρονο ρυθμιστικό πλαίσιο, ιδίως σε επίπεδο Ευρωπαϊκής Ένωσης μέσω του AI Act, το οποίο δεν καλύπτει άμεσα ζητήματα διανοητικής ιδιοκτησίας.&#13;
Ιδιαίτερη έμφαση δίνεται στο ζήτημα της δυνατότητας αναγνώρισης της τεχνητής νοημοσύνης ως εφευρέτη, αναδεικνύοντας τη σύγκρουση μεταξύ της παραδοσιακής ανθρωποκεντρικής προσέγγισης και των νέων τεχνολογικών δεδομένων. Παράλληλα εξετάζεται η αδιαφάνεια («black box») των συστημάτων τεχνητής νοημοσύνης, η οποία δυσχεραίνει την απόδοση εφευρετικής συμβολής και την εφαρμογή των κλασσικών νομικών κριτηρίων.&#13;
Ακολουθεί συγκριτική επισκόπηση διαφορετικών έννομων τάξεων, όπως η Ευρωπαϊκή Ένωση, οι Ηνωμένες Πολιτείες και το Ηνωμένο Βασίλειο, όπου διαπιστώνεται κοινή τάση διατήρησης του ανθρωποκεντρικού χαρακτήρα του δικαίου ευρεσιτεχνιών. Η προσέγγιση αυτή επιβεβαιώνεται και από τη σχετική νομολογία, με κυριότερο παράδειγμα την υπόθεση DABUS, καθώς και μεταγενέστερες αποφάσεις όπως οι Emotional Perception AI Ltd και Recentive Analytics v. Fox Corp., οι οποίες αναδεικνύουν τα όρια της υφιστάμενης ερμηνείας και τη συνεχιζόμενη νομική αβεβαιότητα.&#13;
Τέλος, αναλύονται οι προκλήσεις που ανακύπτουν από τη χρήση της τεχνητής νοημοσύνης στο πεδίο των ευρεσιτεχνιών, ιδίως ως προς την επάρκεια του ισχύοντος πλαισίου και τις επιπτώσεις στην καινοτομία, τον ανταγωνισμό και την αγορά, ενώ προτείνονται κατευθύνσεις για μια σταδιακή και ισορροπημένη προσαρμογή του υφιστάμενου νομικού πλαισίου, με στόχο την εξισορρόπηση της νομικής ασφάλειας και της τεχνολογικής προόδου.
</description>
<pubDate>Fri, 01 May 2026 00:00:00 GMT</pubDate>
<guid isPermaLink="false">https://dione.lib.unipi.gr/xmlui/handle/unipi/19565</guid>
<dc:date>2026-05-01T00:00:00Z</dc:date>
</item>
<item>
<title>Σχεδίαση και ανάπτυξη υβριδικού συστήματος αξιολόγησης πιστωτικού κινδύνου με μηχανική μάθηση, επιχειρησιακή λογική και δυναμική βαθμονόμηση πιθανοτήτων</title>
<link>https://dione.lib.unipi.gr/xmlui/handle/unipi/19558</link>
<description>Σχεδίαση και ανάπτυξη υβριδικού συστήματος αξιολόγησης πιστωτικού κινδύνου με μηχανική μάθηση, επιχειρησιακή λογική και δυναμική βαθμονόμηση πιθανοτήτων
Αναστασοπούλου, Ζωή
Η παρούσα διπλωματική εργασία πραγματεύεται την ανάπτυξη ενός ολοκληρωμένου &#13;
υβριδικού συστήματος πρόβλεψης της πιθανότητας αθέτησης δανειακών &#13;
υποχρεώσεων (default) από πελάτες τραπεζικών ιδρυμάτων, αξιοποιώντας τεχνικές &#13;
μηχανικής μάθησης, μηχανισμούς επιχειρησιακής λογικής και εργαλεία οπτικοποίησης &#13;
δεδομένων. Η αποτελεσματική διαχείριση του πιστωτικού κινδύνου αποτελεί κρίσιμο &#13;
παράγοντα για τη βιωσιμότητα των χρηματοπιστωτικών οργανισμών, καθιστώντας &#13;
αναγκαία τη χρήση προηγμένων μεθόδων ανάλυσης και εξαγωγής γνώσης από &#13;
δεδομένα.&#13;
Στο πλαίσιο της εργασίας πραγματοποιήθηκε συλλογή, κατανόηση και &#13;
προεπεξεργασία των δεδομένων, με στόχο τη διασφάλιση της ποιότητας και της &#13;
αξιοπιστίας τους. Στη συνέχεια, εφαρμόστηκαν τεχνικές μηχανικής μάθησης για την &#13;
ανάπτυξη προγνωστικών μοντέλων, τα οποία αξιολογήθηκαν βάσει κατάλληλων &#13;
δεικτών απόδοσης. Η διαδικασία αυτή επέτρεψε τον εντοπισμό σημαντικών προτύπων &#13;
και χαρακτηριστικών που σχετίζονται με την πιθανότητα εμφάνισης αθέτησης.&#13;
Πέρα από τη βασική μοντελοποίηση, αναπτύχθηκε υβριδικός μηχανισμός πρόβλεψης, &#13;
ο οποίος συνδυάζει τις εκτιμήσεις του μοντέλου μηχανικής μάθησης με κανόνες &#13;
επιχειρησιακής λογικής (rule-based overrides) και τεχνικές δυναμικής βαθμονόμησης &#13;
πιθανοτήτων, με στόχο την πιο ρεαλιστική αποτύπωση του πιστωτικού κινδύνου και &#13;
τη μετατροπή των προβλέψεων σε πρακτικά αξιοποιήσιμες αποφάσεις.&#13;
Επιπλέον, αναπτύχθηκε ένα διαδραστικό σύστημα οπτικοποίησης δεδομένων &#13;
(dashboard), το οποίο επιτρέπει την εισαγωγή χαρακτηριστικών δανειολήπτη και την &#13;
άμεση εμφάνιση της εκτιμώμενης πιθανότητας αθέτησης, της κατηγοριοποίησης &#13;
κινδύνου και της προτεινόμενης δανειοδοτικής απόφασης. Μέσω της χρήσης &#13;
γραφημάτων και δεικτών, το σύστημα συμβάλλει στη λήψη τεκμηριωμένων &#13;
αποφάσεων.&#13;
Τα αποτελέσματα της εργασίας καταδεικνύουν τη σημαντική συμβολή των τεχνικών &#13;
μηχανικής μάθησης στην πρόβλεψη πιστωτικού κινδύνου, καθώς και τον καθοριστικό &#13;
2&#13;
ρόλο της ενσωμάτωσης επιχειρησιακής λογικής στη βελτίωση της πρακτικής &#13;
αξιοπιστίας των προβλέψεων. Η προτεινόμενη υβριδική προσέγγιση μπορεί να &#13;
αποτελέσει χρήσιμο εργαλείο για την ενίσχυση των διαδικασιών αξιολόγησης πελατών &#13;
στον τραπεζικό τομέα.
</description>
<pubDate>Thu, 01 Jan 2026 00:00:00 GMT</pubDate>
<guid isPermaLink="false">https://dione.lib.unipi.gr/xmlui/handle/unipi/19558</guid>
<dc:date>2026-01-01T00:00:00Z</dc:date>
</item>
<item>
<title>Live forensics και απομακρυσμένη ανταπόκριση σε περιστατικά : θεωρητική και πειραματική αξιολόγηση του Velociraptor</title>
<link>https://dione.lib.unipi.gr/xmlui/handle/unipi/19557</link>
<description>Live forensics και απομακρυσμένη ανταπόκριση σε περιστατικά : θεωρητική και πειραματική αξιολόγηση του Velociraptor
Γκιζώρης, Σπυρίδων
Η παρούσα διπλωματική εργασία αποσκοπεί στην θεωρητική και πειραματική αξιολόγηση του&#13;
Velociraptor, μίας πλατφόρμας ανοιχτού κώδικα για τη Ψηφιακή Εγκληματολογία και&#13;
Ανταπόκριση σε Περιστατικά (DFIR), με έμφαση στις δυνατότητές της για live forensic ανάλυση&#13;
και απομακρυσμένη ανταπόκριση σε σύγχρονα περιβάλλοντα. Αφορμή για την έρευνα αποτέλεσε&#13;
ο εντοπισμός ερευνητικών κενών στη βιβλιογραφία ως προς τη συστηματική ακαδημαϊκή&#13;
τεκμηρίωση τέτοιων εργαλείων, ιδίως όσον αφορά την απόδοσή τους σε σενάρια εκμετάλλευσης&#13;
πραγματικών ευπαθειών, τη διατήρηση της εγκληματολογικής ακεραιότητας κατά την&#13;
απομακρυσμένη συλλογή και τη σύγκρισή τους με παραδοσιακές dead-box forensic τεχνικές. Για&#13;
τον σκοπό αυτό, η εργασία συνδυάζει συστηματική ανασκόπηση της βιβλιογραφίας στους τομείς&#13;
της ψηφιακής εγκληματολογίας, του incident response, του volatile memory forensics και της&#13;
απομακρυσμένης συλλογής δεδομένων, με μια ελεγχόμενη πειραματική μελέτη μέσα στο εικονικό&#13;
περιβάλλον ενός home lab. Στο πλαίσιο αυτό αναπτύχθηκε ένα προσαρμοσμένο VQL artifact για&#13;
την ανίχνευση των forensic artifacts της ευπάθειας CVE-2026-21510, μιας πραγματικής ευπάθειας&#13;
του Windows Shell που αξιοποιεί κακόβουλα LNK αρχεία με ενσωματωμένα UNC paths, μέσω&#13;
της μεθοδολογικής προσέγγισης της ελεγχόμενης προσομοίωσης (controlled artifact simulation).&#13;
Τα ευρήματα κατέδειξαν ότι το Velociraptor εντόπισε επιτυχώς τα forensic artifacts και στις&#13;
τέσσερις κατηγορίες αξιολόγησης, με χρόνους απόκρισης της τάξης των δευτερολέπτων, μηδενικά&#13;
false positives σε καθαρό περιβάλλον και αυτόματη τεκμηρίωση που διασφαλίζει την&#13;
εγκληματολογική ακεραιότητα. Συμπερασματικά, η εργασία αναδεικνύει ότι το Velociraptor&#13;
υπερτερεί σε σενάρια όπου ο χρόνος είναι κρίσιμος, η κλίμακα μεγάλη ή όπου απαιτείται η&#13;
ανάκτηση πτητικών δεδομένων, λειτουργώντας μαζί με τις παραδοσιακές προσεγγίσεις, ενώ&#13;
παρέχει πρακτικές κατευθύνσεις για σύγχρονες ομάδες SOC και IR και προτείνει επεκτάσεις προς&#13;
enterprise, cloud και SIEM/SOAR λύσεις.
</description>
<pubDate>Mon, 01 Jun 2026 00:00:00 GMT</pubDate>
<guid isPermaLink="false">https://dione.lib.unipi.gr/xmlui/handle/unipi/19557</guid>
<dc:date>2026-06-01T00:00:00Z</dc:date>
</item>
<item>
<title>Ανοιχτά δεδομένα vs προσωπικά δεδομένα : οι προκλήσεις της διακυβέρνησης των δεδομένων στην ΕΕ</title>
<link>https://dione.lib.unipi.gr/xmlui/handle/unipi/19551</link>
<description>Ανοιχτά δεδομένα vs προσωπικά δεδομένα : οι προκλήσεις της διακυβέρνησης των δεδομένων στην ΕΕ
Τσαουσίδου, Νικολέτα
Η παρούσα μεταπτυχιακή διπλωματική εργασία εξετάζει τη διακυβέρνηση των&#13;
δεδομένων στην Ευρωπαϊκή Ένωση, εστιάζοντας στη θεμελιώδη ένταση μεταξύ&#13;
της προώθησης των ανοικτών δεδομένων και της προστασίας των δεδομένων&#13;
προσωπικού χαρακτήρα. Αρχικά, αναλύονται οι βασικές εννοιολογικές&#13;
προσεγγίσεις των δεδομένων, της πληροφορίας και της γνώσης, ως αναγκαίο&#13;
θεωρητικό υπόβαθρο για την κατανόηση της σύγχρονης οικονομίας των&#13;
δεδομένων.&#13;
Στη συνέχεια, εξετάζεται το ενωσιακό και εθνικό κανονιστικό πλαίσιο, με έμφαση&#13;
στην Οδηγία (ΕΕ) 2019/1024, στους Κανονισμούς Data Governance Act και Data Act,&#13;
καθώς και στον Γενικό Κανονισμό Προστασίας Δεδομένων (GDPR). Ιδιαίτερη&#13;
βαρύτητα αποδίδεται στις συγκρούσεις που ανακύπτουν μεταξύ της&#13;
«ανοιχτότητας»- πρόσβασης και της προστασίας της ιδιωτικότητας, ιδίως στο&#13;
πλαίσιο της περαιτέρω χρήσης των δεδομένων.&#13;
Η εργασία αναδεικνύει τον ρόλο της ανωνυμοποίησης και της θεσμικής&#13;
διακυβέρνησης ως μηχανισμών εξισορρόπησης, καθώς και τις προκλήσεις που&#13;
συνεπάγεται η εφαρμογή των σχετικών κανόνων στην πράξη. Τέλος, εξετάζονται&#13;
οι σύγχρονες τάσεις και προοπτικές της ευρωπαϊκής πολιτικής δεδομένων,&#13;
καταλήγοντας ότι η αποτελεσματική διακυβέρνηση των δεδομένων δεν εξαρτάται&#13;
αποκλειστικά από το κανονιστικό πλαίσιο, αλλά προϋποθέτει και μια ουσιαστική&#13;
αλλαγή κουλτούρας εκ μέρους των δημόσιων φορέων, των οργανισμών και των&#13;
χρηστών, ως προς την υπεύθυνη χρήση, την προστασία και την αξιοποίηση των&#13;
δεδομένων.
</description>
<pubDate>Thu, 01 Jan 2026 00:00:00 GMT</pubDate>
<guid isPermaLink="false">https://dione.lib.unipi.gr/xmlui/handle/unipi/19551</guid>
<dc:date>2026-01-01T00:00:00Z</dc:date>
</item>
</channel>
</rss>
