Merge pull request #684 from aristeidisz/translations/el-GR

Translations/el gr Final Review

Author: talesh

2_0_vulns/translations/el-GR/ADD04_Supplemental_Content.md

@@ -2,10 +2,10 @@
 Τοπ-10 Κίνδυνοι & Μέθοδοι Αντιμετώπισης για LLMs και Εφαρμογές Παραγωγικής ΤΝ – 2025
 
 ## Short Description
-Εξερευνήστε τους πιο πρόσφατους 10 κορυφαίους κινδύνους, ευπάθειες και μεθόδους αντιμετώπισής τους για την ανάπτυξη και την ασφάλεια εφαρμογών Παραγωγικής ΤΝ και μεγάλων γλωσσικών μοντέλων στον κύκλο ζωής ανάπτυξης, παραγωγής και διαχείρισης.
+Εξερευνήστε τους πιο πρόσφατους 10 κορυφαίους κινδύνους, ευπάθειες και μεθόδους αντιμετώπισής τους για την ανάπτυξη και την ασφάλεια εφαρμογών Παραγωγικής ΤΝ και Μεγάλων Γλωσσικών Μοντέλων στον κύκλο ζωής ανάπτυξης, παραγωγής και διαχείρισης.
 
 ## Long Description
-Το OWASP Τοπ-10 για Εφαρμογές Μεγάλων Γλωσσικών Μοντέλων ξεκίνησε το 2023 ως κοινοτική πρωτοβουλία με στόχο να επισημάνει και να αντιμετωπίσει ζητήματα ασφάλειας ειδικά για εφαρμογές ΤΝ. Έκτοτε, η τεχνολογία εξαπλώθηκε σε πλήθος κλάδων και μαζί της και οι σχετικοί κίνδυνοι. Καθώς τα LLM ενσωματώνονται όλο και περισσότερο από τις αλληλεπιδράσεις με πελάτες έως κρίσιμες εσωτερικές λειτουργίες, προγραμματιστές και επαγγελματίες ασφάλειας ανακαλύπτουν νέες ευπάθειες και τρόπους αντιμετώπισής τους.
+Το OWASP Τοπ-10 για Εφαρμογές Μεγάλων Γλωσσικών Μοντέλων (LLM) ξεκίνησε το 2023 ως πρωτοβουλία της κοινότητας με στόχο να επισημάνει και να αντιμετωπίσει ζητήματα ασφάλειας ειδικά για εφαρμογές ΤΝ. Έκτοτε, η τεχνολογία εξαπλώθηκε σε πλήθος κλάδων και μαζί της και οι σχετικοί κίνδυνοι. Καθώς τα LLM ενσωματώνονται όλο και περισσότερο από τις αλληλεπιδράσεις με πελάτες έως τις κρίσιμες εσωτερικές λειτουργίες, προγραμματιστές και επαγγελματίες ασφάλειας ανακαλύπτουν νέες ευπάθειες και τρόπους αντιμετώπισής τους.
 
 ## Sponsorship
 Εκτιμούμε ιδιαίτερα τις οικονομικές συνεισφορές των Χορηγών του Έργου, που στηρίζουν τους στόχους του έργου και καλύπτουν λειτουργικά και επικοινωνιακά έξοδα, συμπληρωματικά προς τους πόρους που παρέχει το ίδρυμα OWASP.org. Το έργο OWASP Τοπ-10 για LLM and Παραγωγική ΤΝ παραμένει αυστηρά ουδέτερο και αμερόληπτο. Οι χορηγοί δεν αποκτούν ειδικά δικαιώματα διακυβέρνησης. Παρέχεται όμως αναγνώριση για τη συμβολή τους σε υλικό και διαδικτυακές ιδιοκτησίες. 

2_0_vulns/translations/el-GR/LLM02_SensitiveInformationDisclosure.md

@@ -2,17 +2,17 @@
 
 ### Περιγραφή
 
-Οι ευαίσθητες πληροφορίες μπορούν να επηρεάσουν τόσο τo LLM όσο και το πλαίσιο εφαρμογής του. Αυτό περιλαμβάνει προσωπικά ταυτοποιήσιμες πληροφορίες (PII), οικονομικά στοιχεία, αρχεία υγείας, εμπιστευτικά επιχειρηματικά δεδομένα, διαπιστευτήρια ασφαλείας και νομικά έγγραφα. Τα ιδιόκτητα μοντέλα μπορεί επίσης να έχουν μοναδικές μεθόδους εκπαίδευσης και πηγαίο κώδικα που θεωρούνται ευαίσθητα, ιδίως σε κλειστά ή ιδρυματικά μοντέλα.
+Οι ευαίσθητες πληροφορίες μπορούν να επηρεάσουν τόσο τo LLM όσο και το πλαίσιο εφαρμογής του. Αυτό περιλαμβάνει αναγνωριστικά στοιχεία ταυτότητας (Personally identifiable information - PII), οικονομικά στοιχεία, αρχεία υγείας, εμπιστευτικά επιχειρηματικά δεδομένα, διαπιστευτήρια ασφαλείας και νομικά έγγραφα. Τα ιδιόκτητα μοντέλα μπορεί επίσης να έχουν μοναδικές μεθόδους εκπαίδευσης και πηγαίο κώδικα που θεωρούνται ευαίσθητα, ιδίως σε κλειστά ή ιδρυματικά μοντέλα.
 
 Τα LLM, ειδικά όταν ενσωματώνονται σε εφαρμογές, κινδυνεύουν να εκθέσουν ευαίσθητα δεδομένα, ιδιόκτητους αλγορίθμους ή εμπιστευτικές λεπτομέρειες μέσω της εξόδου τους. Αυτό μπορεί να οδηγήσει σε μη εξουσιοδοτημένη πρόσβαση δεδομένων, παραβιάσεις της ιδιωτικότητας και παραβιάσεις της πνευματικής ιδιοκτησίας. Οι χρήστες θα πρέπει να γνωρίζουν πώς να αλληλεπιδρούν με ασφάλεια με τα LLM. Θα πρέπει να κατανοήσουν τους κινδύνους της ακούσιας παροχής ευαίσθητων δεδομένων, τα οποία μπορεί αργότερα να αποκαλυφθούν στην έξοδο του μοντέλου.
 
 Για να μειωθεί αυτός ο κίνδυνος, οι εφαρμογές LLM θα πρέπει να εκτελούν επαρκή εξυγίανση δεδομένων για να αποτρέψουν την είσοδο δεδομένων χρηστών στο μοντέλο εκπαίδευσης. Οι ιδιοκτήτες των εφαρμογών θα πρέπει επίσης να παρέχουν σαφείς πολιτικές όρων χρήσης, επιτρέποντας στους χρήστες να μην παρέχουν συγκατάθεση να συμπεριληφθούν τα δεδομένα τους στο μοντέλο εκπαίδευσης. Η προσθήκη περιορισμών στο πλαίσιο της προτροπής του συστήματος σχετικά με τους τύπους δεδομένων που θα πρέπει να επιστρέφει το LLM μπορεί να προσφέρει μετριασμό κατά της αποκάλυψης ευαίσθητων πληροφοριών. Ωστόσο, αυτοί οι περιορισμοί ενδέχεται να μην τηρούνται πάντα και να μπορούν να παρακαμφθούν μέσω έγχυσης προτροπών ή άλλων μεθόδων.
 
 ### Συνήθη Παραδείγματα Ευπάθειας
 
-#### 1. Διαρροή Προσωπικά Ταυτοποιήσιμων Πληροφοριών
+#### 1. Διαρροή Αναγνωριστικών Στοιχείων Ταυτότητας
 
-  Προσωπικά ταυτοποιήσιμες πληροφορίες (PII) μπορεί να αποκαλυφθούν κατά τη διάρκεια αλληλεπιδράσεων με το LLM.
+  Αναγνωριστικά στοιχεία ταυτότητας (PII) μπορεί να αποκαλυφθούν κατά τη διάρκεια αλληλεπιδράσεων με το LLM.
 
 #### 2. Έκθεση Ιδιόκτητου Αλγορίθμου
 
@@ -81,7 +81,7 @@
 
   Χρησιμοποιήστε ομομορφική κρυπτογράφηση για να επιτρέψετε την ασφαλή ανάλυση δεδομένων και τη μηχανική μάθηση με διατήρηση της ιδιωτικότητας. Αυτό διασφαλίζει ότι τα δεδομένα παραμένουν εμπιστευτικά κατά την επεξεργασία τους από το μοντέλο.
 
-#### 2. Τεχνικές Κωδικοποίησης (Tokenization) και Απόκρυψης (Redaction)
+#### 2. Τεχνικές Αντικατάστασης με Συμβολικές Τιμές (Tokenization) και Απόκρυψης (Redaction)
 
   Εφαρμόστε τη διαδικασία tokenization για την προεπεξεργασία και την εξυγίανση ευαίσθητων πληροφοριών. Τεχνικές όπως η αντιστοίχιση προτύπων μπορούν να ανιχνεύσουν και να διαγράψουν εμπιστευτικό περιεχόμενο πριν από την επεξεργασία.