{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:5315500"},"canonical_url":"https://search.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:5315500","repository":{"repo_id":"athens","name":"National and Kapodistrian University of Athens","base_url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh"},"display":{"title":"AI-Powered Risk & Compliance Management in Telecommunications: A Machine Learning Approach for Internal Audit & Security","abstract":"Η εργασία εξετάζει την εφαρμογή Τεχνητής Νοημοσύνης (AI) και Μηχανικής Μάθησης (ML) στη διαχείριση κινδύνων και τη ρυθμιστική συμμόρφωση στον χώρο των τηλεπικοινωνιών. Αναπτύσσεται ένα προσομοιωμένο πλαίσιο, το οποίο συνδυάζει επιβλεπόμενες και μη επιβλεπόμενες τεχνικές μάθησης (Logistic Regression και Isolation Forest) για τον εντοπισμό απάτης και ανωμαλιών σε πραγματικό χρόνο. Το σύστημα ενσωματώνει επιπλέον εργαλεία ερμηνευσιμότητας (SHAP values) και αυτοματοποιημένα audit trails, ενισχύοντας τη διαφάνεια σε περιβάλλοντα υψηλών απαιτήσεων συμμόρφωσης, όπως ο GDPR και η Οδηγία NIS2. Παρά τους περιορισμούς λόγω συνθετικών δεδομένων, η μελέτη υπογραμμίζει ότι διαφάνεια, δικαιοσύνη και ανθρώπινη επίβλεψη αποτελούν θεμελιώδεις αρχές για την υπεύθυνη χρήση AI. Η εργασία προσφέρει έναν πρακτικό και επεκτάσιμο οδικό χάρτη για τη δημιουργία AI-powered μηχανισμών συμμόρφωσης στον κλάδο των τηλεπικοινωνιών.","abstract_html":"Η εργασία εξετάζει την εφαρμογή Τεχνητής Νοημοσύνης (AI) και Μηχανικής Μάθησης (ML) στη διαχείριση κινδύνων και τη ρυθμιστική συμμόρφωση στον χώρο των τηλεπικοινωνιών. Αναπτύσσεται ένα προσομοιωμένο πλαίσιο, το οποίο συνδυάζει επιβλεπόμενες και μη επιβλεπόμενες τεχνικές μάθησης (Logistic Regression και Isolation Forest) για τον εντοπισμό απάτης και ανωμαλιών σε πραγματικό χρόνο. Το σύστημα ενσωματώνει επιπλέον εργαλεία ερμηνευσιμότητας (SHAP values) και αυτοματοποιημένα audit trails, ενισχύοντας τη διαφάνεια σε περιβάλλοντα υψηλών απαιτήσεων συμμόρφωσης, όπως ο GDPR και η Οδηγία NIS2. Παρά τους περιορισμούς λόγω συνθετικών δεδομένων, η μελέτη υπογραμμίζει ότι διαφάνεια, δικαιοσύνη και ανθρώπινη επίβλεψη αποτελούν θεμελιώδεις αρχές για την υπεύθυνη χρήση AI. Η εργασία προσφέρει έναν πρακτικό και επεκτάσιμο οδικό χάρτη για τη δημιουργία AI-powered μηχανισμών συμμόρφωσης στον κλάδο των τηλεπικοινωνιών.","abstract_has_math":false,"creators":["ΜΑΚΡΟΖΑΧΟΠΟΥΛΟΣ ΚΩΝΣΤΑΝΤΙΝΟΣ","MAKROZACHOPOULOS KONSTANTINOS"],"institution":null,"degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":[],"committee_chairs":[],"committee_members":[],"year":2025,"date_issued":"2025","date_published":"2025","updated_at":"2026-11-19T06:41:15Z","subjects":["Τεχνολογία – Πληροφορική","Technology - Computer science"],"languages":["English"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:5315500"],"render_values":[{"text":"uoadl:5315500","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/5315500","outbound_label":"Repository record","outbound_source":"dc:identifier","record_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/5315500","record_label":"Repository record","record_kind":"record","record_source":"dc:identifier","download_url":null,"download_label":null,"download_source":null,"access_status":null,"embargo_until":null,"access_note":null},"source_record":{"url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh?verb=GetRecord&metadataPrefix=oai_dc&identifier=oai%3Alib.uoa.gr%3Auoadl%3A5315500","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["ΜΑΚΡΟΖΑΧΟΠΟΥΛΟΣ ΚΩΝΣΤΑΝΤΙΝΟΣ","MAKROZACHOPOULOS KONSTANTINOS"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date","label":"Dc Date","values":["2025"]},{"key":"dc:type","label":"Dc Type","values":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]}]},{"id":"subjects_keywords","label":"Subjects and Keywords","entries":[{"key":"dc:subject","label":"Dc Subject","values":["Τεχνολογία – Πληροφορική","Technology - Computer science"]}]},{"id":"language_rights","label":"Language and Rights","entries":[{"key":"dc:language","label":"Dc Language","values":["English"]}]},{"id":"identifiers","label":"Identifiers","entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:5315500","https://pergamos.lib.uoa.gr/uoa/dl/object/5315500"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Η εργασία εξετάζει την εφαρμογή Τεχνητής Νοημοσύνης (AI) και Μηχανικής Μάθησης (ML) στη διαχείριση κινδύνων και τη ρυθμιστική συμμόρφωση στον χώρο των τηλεπικοινωνιών. Αναπτύσσεται ένα προσομοιωμένο πλαίσιο, το οποίο συνδυάζει επιβλεπόμενες και μη επιβλεπόμενες τεχνικές μάθησης (Logistic Regression και Isolation Forest) για τον εντοπισμό απάτης και ανωμαλιών σε πραγματικό χρόνο. Το σύστημα ενσωματώνει επιπλέον εργαλεία ερμηνευσιμότητας (SHAP values) και αυτοματοποιημένα audit trails, ενισχύοντας τη διαφάνεια σε περιβάλλοντα υψηλών απαιτήσεων συμμόρφωσης, όπως ο GDPR και η Οδηγία NIS2. Παρά τους περιορισμούς λόγω συνθετικών δεδομένων, η μελέτη υπογραμμίζει ότι διαφάνεια, δικαιοσύνη και ανθρώπινη επίβλεψη αποτελούν θεμελιώδεις αρχές για την υπεύθυνη χρήση AI. Η εργασία προσφέρει έναν πρακτικό και επεκτάσιμο οδικό χάρτη για τη δημιουργία AI-powered μηχανισμών συμμόρφωσης στον κλάδο των τηλεπικοινωνιών.","This thesis explores the application of Artificial Intelligence (AI) and Machine Learning (ML) in strengthening risk management and regulatory compliance within the telecommunications sector. It introduces a simulated AI-driven framework that integrates both supervised and unsupervised learning techniques specifically Logistic Regression and Isolation Forest, to detect telecom-specific fraud and identify Real time anomalies. The system further incorporates explainability through SHAP values and automated audit trails, enhancing transparency and accountability in highly regulated environments governed by frameworks such as GDPR and the NIS2 Directive. Although the model relies on synthetic data and faces challenges related to interpreting complex legal language, the study emphasizes that fairness, transparency, and human oversight are essential requirements for responsible AI use in compliance contexts. Overall, the work provides a practical and scalable roadmap for developing AI powered compliance mechanisms in telecommunications and contributes to broader discussions on ethical and regulation-aware AI."]},{"key":"dc:title","label":"Title","values":["AI-Powered Risk & Compliance Management in Telecommunications: A Machine Learning Approach for Internal Audit & Security"]}]}],"canonical_facts":{"dc:creator":["ΜΑΚΡΟΖΑΧΟΠΟΥΛΟΣ ΚΩΝΣΤΑΝΤΙΝΟΣ","MAKROZACHOPOULOS KONSTANTINOS"],"dc:date":["2025"],"dc:description":["Η εργασία εξετάζει την εφαρμογή Τεχνητής Νοημοσύνης (AI) και Μηχανικής Μάθησης (ML) στη διαχείριση κινδύνων και τη ρυθμιστική συμμόρφωση στον χώρο των τηλεπικοινωνιών. Αναπτύσσεται ένα προσομοιωμένο πλαίσιο, το οποίο συνδυάζει επιβλεπόμενες και μη επιβλεπόμενες τεχνικές μάθησης (Logistic Regression και Isolation Forest) για τον εντοπισμό απάτης και ανωμαλιών σε πραγματικό χρόνο. Το σύστημα ενσωματώνει επιπλέον εργαλεία ερμηνευσιμότητας (SHAP values) και αυτοματοποιημένα audit trails, ενισχύοντας τη διαφάνεια σε περιβάλλοντα υψηλών απαιτήσεων συμμόρφωσης, όπως ο GDPR και η Οδηγία NIS2. Παρά τους περιορισμούς λόγω συνθετικών δεδομένων, η μελέτη υπογραμμίζει ότι διαφάνεια, δικαιοσύνη και ανθρώπινη επίβλεψη αποτελούν θεμελιώδεις αρχές για την υπεύθυνη χρήση AI. Η εργασία προσφέρει έναν πρακτικό και επεκτάσιμο οδικό χάρτη για τη δημιουργία AI-powered μηχανισμών συμμόρφωσης στον κλάδο των τηλεπικοινωνιών.","This thesis explores the application of Artificial Intelligence (AI) and Machine Learning (ML) in strengthening risk management and regulatory compliance within the telecommunications sector. It introduces a simulated AI-driven framework that integrates both supervised and unsupervised learning techniques specifically Logistic Regression and Isolation Forest, to detect telecom-specific fraud and identify Real time anomalies. The system further incorporates explainability through SHAP values and automated audit trails, enhancing transparency and accountability in highly regulated environments governed by frameworks such as GDPR and the NIS2 Directive. Although the model relies on synthetic data and faces challenges related to interpreting complex legal language, the study emphasizes that fairness, transparency, and human oversight are essential requirements for responsible AI use in compliance contexts. Overall, the work provides a practical and scalable roadmap for developing AI powered compliance mechanisms in telecommunications and contributes to broader discussions on ethical and regulation-aware AI."],"dc:identifier":["uoadl:5315500","https://pergamos.lib.uoa.gr/uoa/dl/object/5315500"],"dc:language":["English"],"dc:subject":["Τεχνολογία – Πληροφορική","Technology - Computer science"],"dc:title":["AI-Powered Risk & Compliance Management in Telecommunications: A Machine Learning Approach for Internal Audit & Security"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-11-19T06:41:15Z"}