Η εφαρμογή της τεχνητής νοημοσύνης στoν τραπεζικό κλάδο: πολυσταδιακή βαθιά μάθηση για τον εντοπισμό απάτης και την ερμηνευτικότητα μοντέλων

Περίληψη

Ο τραπεζικός τομέας βρίσκεται στα πρόθυρα ενός σημαντικού μετασχηματισμού, με την κινητήρια δύναμη πίσω από αυτόν να είναι η Τεχνητή Νοημοσύνη (ΤΝ). Νέες εφαρμογές της τεχνητής νοημοσύνης έχουν ήδη προταθεί για την αντιμετώπιση προκλήσεων σε τομείς όπως η πιστοληπτική αξιολόγηση, η αξιολόγηση κινδύνου, η βελτίωση της εμπειρίας των πελατών και η αποτελεσματική διαχείριση του χαρτοφυλακίου. Ένα από τα πιο κρίσιμα ζητήματα στον ανωτέρω τομέα είναι ο εντοπισμός απάτης σε συναλλαγές. Πρόσφατα, εισήχθησαν μοντέλα βαθιάς μάθησης για την αντιμετώπιση αυτού του προβλήματος, στοχεύοντας στον εντοπισμό και την πρόβλεψη πιθανών δόλιων ενεργειών. Ο στόχος είναι να εκτιμηθεί η άγνωστη κατανομή των κανονικών/δόλιων συναλλαγών και, στη συνέχεια, να ανιχνευθούν αποκλίσεις που μπορεί να υποδηλώνουν πιθανή απάτη. Σε αυτήν τη διατριβή, παρουσιάζουμε ένα νέο πολυεπίπεδο μοντέλο βαθιάς μάθησης που στοχεύει στην αποτελεσματική διαχείριση των εισερχομένων ροών συναλλαγών και στον εντοπισμό των δόλιων ενεργειώ ...
περισσότερα

Περίληψη σε άλλη γλώσσα

The banking sector stands at the threshold of a profound transformation, and the driving force behind this revolution is Artificial Intelligence (AI). Innovative AI applications have already been put forth to address challenges across various domains, including credit scoring, risk assessment, enhancing client experiences, and portfolio management. Among the most pressing challenges in the banking sector is the detection of fraudulent activities within streams of transactions. Recently, deep learning models have emerged to tackle this specific issue, focusing on the identification and prediction of potential fraudulent events. The primary objective is twofold: first, to estimate the unknown distribution of normal and fraudulent transactions, and subsequently, to pinpoint anomalies that may signal potential fraud. Within the pages of this dissertation, we delve into a groundbreaking multistage deep learning model designed to effectively handle incoming transaction streams and detect fra ...
περισσότερα

Όλα τα τεκμήρια στο ΕΑΔΔ προστατεύονται από πνευματικά δικαιώματα.

DOI
10.12681/eadd/56313
Διεύθυνση Handle
http://hdl.handle.net/10442/hedi/56313
ND
56313
Εναλλακτικός τίτλος
AI-driven application in banking: multistage deep learning for fraud detection and model interpretability
Συγγραφέας
Ζιοβίρης, Γεώργιος (Πατρώνυμο: Βασίλειος)
Ημερομηνία
2024
Ίδρυμα
Πανεπιστήμιο Θεσσαλίας. Σχολή Πολυτεχνική. Τμήμα Ηλεκτρολόγων Μηχανικών και Μηχανικών Ηλεκτρονικών Υπολογιστών
Εξεταστική επιτροπή
Σταμούλης Γεώργιος
Δασκαλοπούλου Ασπασία
Κότιος Άγγελος
Κολομβάτσος Κωνσταντίνος
Τσουκαλάς Ελευθέριος
Βλάχος Βασίλειος
Μούντανος Ιωάννης
Επιστημονικό πεδίο
Φυσικές ΕπιστήμεςΕπιστήμη Ηλεκτρονικών Υπολογιστών και Πληροφορική ➨ Τεχνητή νοημοσύνη
Λέξεις-κλειδιά
Τεχνητή νοημοσύνη; Ερμηνεύσιμη τεχνητή νοημοσύνη; Αποτελεσματικότητα, Τραπεζικό σύστημα; Ερμηνεύσιμη μηχανική μάθηση; Αυτοκωδικοποιητές; Συνελικτικό νευρωνικό δίκτυο; Ανίχνευση απάτης; Μείωση διαστάσεων; Μοντέλο μακράς βραχυχρόνιας μνήμης
Χώρα
Ελλάδα
Γλώσσα
Ελληνικά
Άλλα στοιχεία
εικ., πιν., σχημ.
Στατιστικά χρήσης
ΠΡΟΒΟΛΕΣ
Αφορά στις μοναδικές επισκέψεις της διδακτορικής διατριβής για την χρονική περίοδο 07/2018 - 07/2023.
Πηγή: Google Analytics.
ΞΕΦΥΛΛΙΣΜΑΤΑ
Αφορά στο άνοιγμα του online αναγνώστη για την χρονική περίοδο 07/2018 - 07/2023.
Πηγή: Google Analytics.
ΜΕΤΑΦΟΡΤΩΣΕΙΣ
Αφορά στο σύνολο των μεταφορτώσων του αρχείου της διδακτορικής διατριβής.
Πηγή: Εθνικό Αρχείο Διδακτορικών Διατριβών.
ΧΡΗΣΤΕΣ
Αφορά στους συνδεδεμένους στο σύστημα χρήστες οι οποίοι έχουν αλληλεπιδράσει με τη διδακτορική διατριβή. Ως επί το πλείστον, αφορά τις μεταφορτώσεις.
Πηγή: Εθνικό Αρχείο Διδακτορικών Διατριβών.
Σχετικές εγγραφές (με βάση τις επισκέψεις των χρηστών)