{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:5315512"},"canonical_url":"https://search.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:5315512","repository":{"repo_id":"athens","name":"National and Kapodistrian University of Athens","base_url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh"},"display":{"title":"Η Συνεισφορά της τεχνητής νοημοσύνης και των big data analytics στην ανίχνευση και πρόληψη απάτης στον χρηματοοικονομικό τομέα: η διαχείριση λειτουργικού κινδύνου σε συνδυασμό με την επιρροή και συμβολή του κανονιστικού και θεσμικού πλαισίου (Basel II/III)","abstract":"Η παρούσα διπλωματική εργασία εξετάζει τη συμβολή και τη βαθιά μεταμόρφωση των Big Data Analytics και της Τεχνητής Νοημοσύνης (AI) στην ανίχνευση και πρόληψη χρηματοοικονομικής απάτης, με έμφαση στον ρόλο του κανονιστικού πλαισίου Basel II και Basel III στη διαχείριση του λειτουργικού κινδύνου. Η μελέτη αναδεικνύει την ανάγκη μετάβασης από τα παραδοσιακά rule-based συστήματα σε πιο ευέλικτες και επεξηγηματικές μεθόδους τεχνητής νοημοσύνης, οι οποίες μπορούν να ανιχνεύουν πολύπλοκα μοτίβα απάτης σε πραγματικό χρόνο. Η ερευνητική προσέγγιση συνδυάζει τρεις κατηγορίες μεθόδων: • rule-based ανάλυση, • εποπτευόμενη μάθηση (supervised learning) με Logistic Regression και XGBoost, και • μη εποπτευόμενη μάθηση (unsupervised learning) με Isolation Forest. Η μελέτη εφαρμόζει τις τεχνικές αυτές σε πραγματικά και συνθετικά δεδομένα συναλλαγών (credit card και insider trading datasets), επιτυγχάνοντας υψηλή ακρίβεια εντοπισμού ύποπτων μοτίβων όπως το front-running και το piggy-backing. Τα αποτελέσματα δείχνουν ότι τα υβριδικά μοντέλα (rule-based + ML) υπερέχουν ως προς την ακρίβεια και την επεξηγησιμότητα, ενισχύοντας τη διαφάνεια και τη συμμόρφωση με τις αρχές της Basel III. Παράλληλα, εντοπίζονται θεσμικά και μεθοδολογικά κενά, κυρίως σε επίπεδο κανονιστικής ενσωμάτωσης των AI συστημάτων. Η εργασία μετά από τη θεωρητική ανασκόπηση συμπεραίνει ότι • η μετάβαση από τα παραδοσιακά rule-based συστήματα σε υβριδικά, επεξηγήσιμα μοντέλα μηχανικής μάθησης δεν είναι απλώς τεχνολογική εξέλιξη, αλλά στρατηγική αναγκαιότητα για τη χρηματοπιστωτική σταθερότητα. • η ευρεία υιοθέτηση της επεξηγήσιμης τεχνητής νοημοσύνης (Explainable AI - XAI) αποτελεί κρίσιμη προϋπόθεση για την αποτελεσματική διαχείριση λειτουργικού κινδύνου στο σύγχρονο χρηματοπιστωτικό περιβάλλον. • η τεχνητή νοημοσύνη δεν αντικαθιστά την ανθρώπινη κρίση αλλά τη συμπληρώνει, την ενισχύει και την καθιστά πιο συνεπή και τεκμηριωμένη. προτείνει • θεσμική ενσωμάτωση και διεπιστημονική συνεργασία ως προϋπόθεση για μία υπεύθυνη και ασφαλή εφαρμογή της εξηγήσιμης ΤΝ στον χρηματοπιστωτικό τομέα. Πρακτικά: Τα ευρήματα δείχνουν ότι τα νέα XAI reports θα πρέπει να είναι της μορφής : VISA ALERT: Η Συναλλαγή Z μπλοκαρίστηκε (95% κίνδυνος) κυρίως λόγω της ασυνήθιστα υψηλής συχνότητας συναλλαγών την τελευταία ώρα (+25%) σε συνδυασμό με την ακραία γεωγραφική απόσταση από την τελευταία έγκυρη χρήση (+20%). Αν και ο πελάτης είναι παλιός (-10%) και το μέσο ποσό συναλλαγής του είναι χαμηλό (-5%), η ξαφνική έξαρση δραστηριότητας από το εξωτερικό υπερίσχυσε και η συναλλαγή θεωρείται ύποπτη προς διερεύνηση.","abstract_html":"Η παρούσα διπλωματική εργασία εξετάζει τη συμβολή και τη βαθιά μεταμόρφωση των Big Data Analytics και της Τεχνητής Νοημοσύνης (AI) στην ανίχνευση και πρόληψη χρηματοοικονομικής απάτης, με έμφαση στον ρόλο του κανονιστικού πλαισίου Basel II και Basel III στη διαχείριση του λειτουργικού κινδύνου. Η μελέτη αναδεικνύει την ανάγκη μετάβασης από τα παραδοσιακά rule-based συστήματα σε πιο ευέλικτες και επεξηγηματικές μεθόδους τεχνητής νοημοσύνης, οι οποίες μπορούν να ανιχνεύουν πολύπλοκα μοτίβα απάτης σε πραγματικό χρόνο. Η ερευνητική προσέγγιση συνδυάζει τρεις κατηγορίες μεθόδων: • rule-based ανάλυση, • εποπτευόμενη μάθηση (supervised learning) με Logistic Regression και XGBoost, και • μη εποπτευόμενη μάθηση (unsupervised learning) με Isolation Forest. Η μελέτη εφαρμόζει τις τεχνικές αυτές σε πραγματικά και συνθετικά δεδομένα συναλλαγών (credit card και insider trading datasets), επιτυγχάνοντας υψηλή ακρίβεια εντοπισμού ύποπτων μοτίβων όπως το front-running και το piggy-backing. Τα αποτελέσματα δείχνουν ότι τα υβριδικά μοντέλα (rule-based + ML) υπερέχουν ως προς την ακρίβεια και την επεξηγησιμότητα, ενισχύοντας τη διαφάνεια και τη συμμόρφωση με τις αρχές της Basel III. Παράλληλα, εντοπίζονται θεσμικά και μεθοδολογικά κενά, κυρίως σε επίπεδο κανονιστικής ενσωμάτωσης των AI συστημάτων. Η εργασία μετά από τη θεωρητική ανασκόπηση συμπεραίνει ότι • η μετάβαση από τα παραδοσιακά rule-based συστήματα σε υβριδικά, επεξηγήσιμα μοντέλα μηχανικής μάθησης δεν είναι απλώς τεχνολογική εξέλιξη, αλλά στρατηγική αναγκαιότητα για τη χρηματοπιστωτική σταθερότητα. • η ευρεία υιοθέτηση της επεξηγήσιμης τεχνητής νοημοσύνης (Explainable AI - XAI) αποτελεί κρίσιμη προϋπόθεση για την αποτελεσματική διαχείριση λειτουργικού κινδύνου στο σύγχρονο χρηματοπιστωτικό περιβάλλον. • η τεχνητή νοημοσύνη δεν αντικαθιστά την ανθρώπινη κρίση αλλά τη συμπληρώνει, την ενισχύει και την καθιστά πιο συνεπή και τεκμηριωμένη. προτείνει • θεσμική ενσωμάτωση και διεπιστημονική συνεργασία ως προϋπόθεση για μία υπεύθυνη και ασφαλή εφαρμογή της εξηγήσιμης ΤΝ στον χρηματοπιστωτικό τομέα. Πρακτικά: Τα ευρήματα δείχνουν ότι τα νέα XAI reports θα πρέπει να είναι της μορφής : VISA ALERT: Η Συναλλαγή Z μπλοκαρίστηκε (95% κίνδυνος) κυρίως λόγω της ασυνήθιστα υψηλής συχνότητας συναλλαγών την τελευταία ώρα (+25%) σε συνδυασμό με την ακραία γεωγραφική απόσταση από την τελευταία έγκυρη χρήση (+20%). Αν και ο πελάτης είναι παλιός (-10%) και το μέσο ποσό συναλλαγής του είναι χαμηλό (-5%), η ξαφνική έξαρση δραστηριότητας από το εξωτερικό υπερίσχυσε και η συναλλαγή θεωρείται ύποπτη προς διερεύνηση.","abstract_has_math":false,"creators":["ΦΑΡΛΕΚΑ ΑΔΑΜΑΝΤΙΑ","FARLEKA ADAMANTIA"],"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":["Κοινωνικές, Πολιτικές και Οικονομικές επιστήμες","Social, Political and Economic sciences"],"languages":["Ελληνικά","Greek"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:5315512"],"render_values":[{"text":"uoadl:5315512","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/5315512","outbound_label":"Repository record","outbound_source":"dc:identifier","record_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/5315512","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%3A5315512","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["ΦΑΡΛΕΚΑ ΑΔΑΜΑΝΤΙΑ","FARLEKA ADAMANTIA"]}]},{"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":["Κοινωνικές, Πολιτικές και Οικονομικές επιστήμες","Social, Political and Economic sciences"]}]},{"id":"language_rights","label":"Language and Rights","entries":[{"key":"dc:language","label":"Dc Language","values":["Ελληνικά","Greek"]}]},{"id":"identifiers","label":"Identifiers","entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:5315512","https://pergamos.lib.uoa.gr/uoa/dl/object/5315512"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Η παρούσα διπλωματική εργασία εξετάζει τη συμβολή και τη βαθιά μεταμόρφωση των Big Data Analytics και της Τεχνητής Νοημοσύνης (AI) στην ανίχνευση και πρόληψη χρηματοοικονομικής απάτης, με έμφαση στον ρόλο του κανονιστικού πλαισίου Basel II και Basel III στη διαχείριση του λειτουργικού κινδύνου. Η μελέτη αναδεικνύει την ανάγκη μετάβασης από τα παραδοσιακά rule-based συστήματα σε πιο ευέλικτες και επεξηγηματικές μεθόδους τεχνητής νοημοσύνης, οι οποίες μπορούν να ανιχνεύουν πολύπλοκα μοτίβα απάτης σε πραγματικό χρόνο. Η ερευνητική προσέγγιση συνδυάζει τρεις κατηγορίες μεθόδων: • rule-based ανάλυση, • εποπτευόμενη μάθηση (supervised learning) με Logistic Regression και XGBoost, και • μη εποπτευόμενη μάθηση (unsupervised learning) με Isolation Forest. Η μελέτη εφαρμόζει τις τεχνικές αυτές σε πραγματικά και συνθετικά δεδομένα συναλλαγών (credit card και insider trading datasets), επιτυγχάνοντας υψηλή ακρίβεια εντοπισμού ύποπτων μοτίβων όπως το front-running και το piggy-backing. Τα αποτελέσματα δείχνουν ότι τα υβριδικά μοντέλα (rule-based + ML) υπερέχουν ως προς την ακρίβεια και την επεξηγησιμότητα, ενισχύοντας τη διαφάνεια και τη συμμόρφωση με τις αρχές της Basel III. Παράλληλα, εντοπίζονται θεσμικά και μεθοδολογικά κενά, κυρίως σε επίπεδο κανονιστικής ενσωμάτωσης των AI συστημάτων. Η εργασία μετά από τη θεωρητική ανασκόπηση συμπεραίνει ότι • η μετάβαση από τα παραδοσιακά rule-based συστήματα σε υβριδικά, επεξηγήσιμα μοντέλα μηχανικής μάθησης δεν είναι απλώς τεχνολογική εξέλιξη, αλλά στρατηγική αναγκαιότητα για τη χρηματοπιστωτική σταθερότητα. • η ευρεία υιοθέτηση της επεξηγήσιμης τεχνητής νοημοσύνης (Explainable AI - XAI) αποτελεί κρίσιμη προϋπόθεση για την αποτελεσματική διαχείριση λειτουργικού κινδύνου στο σύγχρονο χρηματοπιστωτικό περιβάλλον. • η τεχνητή νοημοσύνη δεν αντικαθιστά την ανθρώπινη κρίση αλλά τη συμπληρώνει, την ενισχύει και την καθιστά πιο συνεπή και τεκμηριωμένη. προτείνει • θεσμική ενσωμάτωση και διεπιστημονική συνεργασία ως προϋπόθεση για μία υπεύθυνη και ασφαλή εφαρμογή της εξηγήσιμης ΤΝ στον χρηματοπιστωτικό τομέα. Πρακτικά: Τα ευρήματα δείχνουν ότι τα νέα XAI reports θα πρέπει να είναι της μορφής : VISA ALERT: Η Συναλλαγή Z μπλοκαρίστηκε (95% κίνδυνος) κυρίως λόγω της ασυνήθιστα υψηλής συχνότητας συναλλαγών την τελευταία ώρα (+25%) σε συνδυασμό με την ακραία γεωγραφική απόσταση από την τελευταία έγκυρη χρήση (+20%). Αν και ο πελάτης είναι παλιός (-10%) και το μέσο ποσό συναλλαγής του είναι χαμηλό (-5%), η ξαφνική έξαρση δραστηριότητας από το εξωτερικό υπερίσχυσε και η συναλλαγή θεωρείται ύποπτη προς διερεύνηση.","This thesis examines the contribution and transformative impact of Big Data Analytics and Artificial Intelligence (AI) on the detection and prevention of financial fraud, with emphasis on the role of the Basel II and Basel III regulatory frameworks in operational risk management. The study highlights the need to transition from traditional rule-based systems to more flexible and explainable AI methodologies capable of identifying complex fraud patterns in real time. The research approach combines three methodological categories: • rule-based analysis, • supervised learning using Logistic Regression and XGBoost, and • unsupervised learning using Isolation Forest. These techniques are applied to both real and synthetic transaction datasets (credit card and insider trading datasets), achieving high accuracy in detecting suspicious patterns such as front-running and piggy-backing. The results demonstrate that hybrid models (rule-based + ML) outperform standalone approaches in both accuracy and explainability, thereby enhancing transparency and compliance with Basel III principles. At the same time, institutional and methodological gaps are identified, particularly in relation to the regulatory integration of AI systems. Following the theoretical review, the thesis concludes that: • the shift from traditional rule-based systems to hybrid, explainable machine learning models is not merely a technological advancement but a strategic necessity for financial stability; • the widespread adoption of Explainable AI (XAI) is a critical prerequisite for effective operational risk management in the modern financial environment; • AI does not replace human judgment but rather complements, strengthens, and renders it more consistent and evidence-based. The study recommends institutional integration and interdisciplinary collaboration as essential conditions for the responsible and safe implementation of explainable AI in the financial sector. Practically, the findings indicate that XAI-based reports should take forms such as: VISA ALERT: Transaction Z was blocked (95% risk), primarily due to unusually high transaction frequency in the last hour (+25%) combined with a significant geographic deviation from the last legitimate usage location (+20%). Although the customer is long-standing (–10%) and typically makes low-value transactions (–5%), the sudden surge in activity from abroad outweighed these mitigating factors, rendering the transaction suspicious and subject to further investigation."]},{"key":"dc:title","label":"Title","values":["Η Συνεισφορά της τεχνητής νοημοσύνης και των big data analytics στην ανίχνευση και πρόληψη απάτης στον χρηματοοικονομικό τομέα: η διαχείριση λειτουργικού κινδύνου σε συνδυασμό με την επιρροή και συμβολή του κανονιστικού και θεσμικού πλαισίου (Basel II/III)"]}]}],"canonical_facts":{"dc:creator":["ΦΑΡΛΕΚΑ ΑΔΑΜΑΝΤΙΑ","FARLEKA ADAMANTIA"],"dc:date":["2025"],"dc:description":["Η παρούσα διπλωματική εργασία εξετάζει τη συμβολή και τη βαθιά μεταμόρφωση των Big Data Analytics και της Τεχνητής Νοημοσύνης (AI) στην ανίχνευση και πρόληψη χρηματοοικονομικής απάτης, με έμφαση στον ρόλο του κανονιστικού πλαισίου Basel II και Basel III στη διαχείριση του λειτουργικού κινδύνου. Η μελέτη αναδεικνύει την ανάγκη μετάβασης από τα παραδοσιακά rule-based συστήματα σε πιο ευέλικτες και επεξηγηματικές μεθόδους τεχνητής νοημοσύνης, οι οποίες μπορούν να ανιχνεύουν πολύπλοκα μοτίβα απάτης σε πραγματικό χρόνο. Η ερευνητική προσέγγιση συνδυάζει τρεις κατηγορίες μεθόδων: • rule-based ανάλυση, • εποπτευόμενη μάθηση (supervised learning) με Logistic Regression και XGBoost, και • μη εποπτευόμενη μάθηση (unsupervised learning) με Isolation Forest. Η μελέτη εφαρμόζει τις τεχνικές αυτές σε πραγματικά και συνθετικά δεδομένα συναλλαγών (credit card και insider trading datasets), επιτυγχάνοντας υψηλή ακρίβεια εντοπισμού ύποπτων μοτίβων όπως το front-running και το piggy-backing. Τα αποτελέσματα δείχνουν ότι τα υβριδικά μοντέλα (rule-based + ML) υπερέχουν ως προς την ακρίβεια και την επεξηγησιμότητα, ενισχύοντας τη διαφάνεια και τη συμμόρφωση με τις αρχές της Basel III. Παράλληλα, εντοπίζονται θεσμικά και μεθοδολογικά κενά, κυρίως σε επίπεδο κανονιστικής ενσωμάτωσης των AI συστημάτων. Η εργασία μετά από τη θεωρητική ανασκόπηση συμπεραίνει ότι • η μετάβαση από τα παραδοσιακά rule-based συστήματα σε υβριδικά, επεξηγήσιμα μοντέλα μηχανικής μάθησης δεν είναι απλώς τεχνολογική εξέλιξη, αλλά στρατηγική αναγκαιότητα για τη χρηματοπιστωτική σταθερότητα. • η ευρεία υιοθέτηση της επεξηγήσιμης τεχνητής νοημοσύνης (Explainable AI - XAI) αποτελεί κρίσιμη προϋπόθεση για την αποτελεσματική διαχείριση λειτουργικού κινδύνου στο σύγχρονο χρηματοπιστωτικό περιβάλλον. • η τεχνητή νοημοσύνη δεν αντικαθιστά την ανθρώπινη κρίση αλλά τη συμπληρώνει, την ενισχύει και την καθιστά πιο συνεπή και τεκμηριωμένη. προτείνει • θεσμική ενσωμάτωση και διεπιστημονική συνεργασία ως προϋπόθεση για μία υπεύθυνη και ασφαλή εφαρμογή της εξηγήσιμης ΤΝ στον χρηματοπιστωτικό τομέα. Πρακτικά: Τα ευρήματα δείχνουν ότι τα νέα XAI reports θα πρέπει να είναι της μορφής : VISA ALERT: Η Συναλλαγή Z μπλοκαρίστηκε (95% κίνδυνος) κυρίως λόγω της ασυνήθιστα υψηλής συχνότητας συναλλαγών την τελευταία ώρα (+25%) σε συνδυασμό με την ακραία γεωγραφική απόσταση από την τελευταία έγκυρη χρήση (+20%). Αν και ο πελάτης είναι παλιός (-10%) και το μέσο ποσό συναλλαγής του είναι χαμηλό (-5%), η ξαφνική έξαρση δραστηριότητας από το εξωτερικό υπερίσχυσε και η συναλλαγή θεωρείται ύποπτη προς διερεύνηση.","This thesis examines the contribution and transformative impact of Big Data Analytics and Artificial Intelligence (AI) on the detection and prevention of financial fraud, with emphasis on the role of the Basel II and Basel III regulatory frameworks in operational risk management. The study highlights the need to transition from traditional rule-based systems to more flexible and explainable AI methodologies capable of identifying complex fraud patterns in real time. The research approach combines three methodological categories: • rule-based analysis, • supervised learning using Logistic Regression and XGBoost, and • unsupervised learning using Isolation Forest. These techniques are applied to both real and synthetic transaction datasets (credit card and insider trading datasets), achieving high accuracy in detecting suspicious patterns such as front-running and piggy-backing. The results demonstrate that hybrid models (rule-based + ML) outperform standalone approaches in both accuracy and explainability, thereby enhancing transparency and compliance with Basel III principles. At the same time, institutional and methodological gaps are identified, particularly in relation to the regulatory integration of AI systems. Following the theoretical review, the thesis concludes that: • the shift from traditional rule-based systems to hybrid, explainable machine learning models is not merely a technological advancement but a strategic necessity for financial stability; • the widespread adoption of Explainable AI (XAI) is a critical prerequisite for effective operational risk management in the modern financial environment; • AI does not replace human judgment but rather complements, strengthens, and renders it more consistent and evidence-based. The study recommends institutional integration and interdisciplinary collaboration as essential conditions for the responsible and safe implementation of explainable AI in the financial sector. Practically, the findings indicate that XAI-based reports should take forms such as: VISA ALERT: Transaction Z was blocked (95% risk), primarily due to unusually high transaction frequency in the last hour (+25%) combined with a significant geographic deviation from the last legitimate usage location (+20%). Although the customer is long-standing (–10%) and typically makes low-value transactions (–5%), the sudden surge in activity from abroad outweighed these mitigating factors, rendering the transaction suspicious and subject to further investigation."],"dc:identifier":["uoadl:5315512","https://pergamos.lib.uoa.gr/uoa/dl/object/5315512"],"dc:language":["Ελληνικά","Greek"],"dc:subject":["Κοινωνικές, Πολιτικές και Οικονομικές επιστήμες","Social, Political and Economic sciences"],"dc:title":["Η Συνεισφορά της τεχνητής νοημοσύνης και των big data analytics στην ανίχνευση και πρόληψη απάτης στον χρηματοοικονομικό τομέα: η διαχείριση λειτουργικού κινδύνου σε συνδυασμό με την επιρροή και συμβολή του κανονιστικού και θεσμικού πλαισίου (Basel II/III)"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-11-19T06:41:15Z"}