# ML для защиты персональных данных в медицине | bobr.ai
> Применение машинного обучения для информационной безопасности в медицине. Обнаружение аномалий, 152-ФЗ, GDPR и архитектура интеллектуальной защиты.

Tags: машинное обучение, информационная безопасность, персональные данные, здравоохранение, 152-фз, искусственный интеллект, cybersecurity
## Применение методов машинного обучения для защиты данных

*   **Проблематика:** В 2023 году похищено 41 млн записей пациентов. Традиционные методы защиты не справляются с ростом атак в 2 раза за последние 3 года.
*   **Угрозы:** Внешние (Ransomware, фишинг), внутренние (несанкционированный доступ) и технические уязвимости ПО.
*   **Регуляторы:** Соответствие 152-ФЗ (РФ), GDPR (ЕС) и HIPAA (США).

## Методы и алгоритмы ML

*   **Supervised Learning:** Random Forest, SVM, XGBoost для классификации трафика.
*   **Unsupervised Learning:** Autoencoders и Isolation Forest для поиска аномалий в логах.
*   **Deep Learning:** LSTM для анализа последовательностей событий и CNN для паттернов трафика.

## Результаты и эффективность

*   **Точность (Accuracy):** Ансамблевая модель (Stacking) достигла 98.4%.
*   **Время обнаружения:** Сокращено с 48 часов до 2.3 секунд.
*   **Ложные срабатывания (FPR):** Снижены до 1.6%.
*   **Практика:** Пилотное внедрение охватило 1200 пользователей в 3 корпусах медицинского центра.

## Архитектура и технологии

*   **Стек:** Python (scikit-learn, TensorFlow), Apache Kafka, Spark, ELK (Elasticsearch/Kibana), PostgreSQL.
*   **Уровни:** Сбор данных, ML-анализ (Anomaly Detection), реагирование (SIEM/SOC).
---
This presentation was created with [Bobr AI](https://bobr.ai) — an AI presentation generator.