This dissertation evaluates Artificial Intelligence (AI) effects on Risk Management functions and demonstrates how AI technologies improve conventional methods of risk identification, assessment, and mitigation. This research explores how AI applications including machine learning, neural networks, predictive analytics and explainable AI become integrated into risk management for financial sectors, cybersecurity operations, and operational risk management domains.

Is also outlines the major drawbacks of traditional risk management which typically face challenges due to data overload and reactive decision-making while relying heavily on human resources. Artificial Intelligence technologies resolve these issues by enabling real-time monitoring and predictive modeling alongside automated risk assessment to enhance both efficiency and accuracy. The comparative evaluation between AI-based and conventional risk management models demonstrates that AI takes precedence over predictive accuracy while being more adaptable and better at integrating multiple data sources.

Research shows that AI-based risk management strengthens proactive decision-making while building better defenses against new threats. The dissertation ends by advising organizations on how to effectively use Artificial Intelligence in Risk Management through strategic implementation and continuous monitoring while maintaining transparency.

Η συγκεκριμένη διατριβή αξιολογεί τις επιπτώσεις της Τεχνητής Νοημοσύνης (AI) στις λειτουργίες Διαχείρισης Κινδύνου και αναδεικνύει τον τρόπο με τον οποίο οι τεχνολογίες Τεχνητής Νοημοσύνης βελτιώνουν τις συμβατικές μεθόδους αναγνώρισης, αξιολόγησης και μετριασμού των κινδύνων. Η έρευνα εξετάζει πώς οι εφαρμογές Τεχνητής Νοημοσύνης, συμπεριλαμβανομένης της μηχανικής μάθησης, των νευρωνικών δικτύων, της προβλεπτικής αναλυτικής και της ερμηνεύσιμης AI, ενσωματώνονται στη διαχείριση κινδύνου σε τομείς όπως τα χρηματοοικονομικά, η κυβερνοασφάλεια και η διαχείριση επιχειρησιακών κινδύνων.

Επιπλέον, περιγράφονται τα κύρια μειονεκτήματα της κλασικής διαδικασίας διαχείρισης κινδύνου, η οποία συνήθως αντιμετωπίζει προκλήσεις λόγω του υπερβολικού όγκου δεδομένων και της αντιδραστικής λήψης αποφάσεων, ενώ εξαρτάται σε μεγάλο βαθμό από ανθρώπινους πόρους. Οι τεχνολογίες Τεχνητής Νοημοσύνης επιλύουν αυτά τα ζητήματα επιτρέποντας τη συνεχή παρακολούθηση σε πραγματικό χρόνο και τη δημιουργία προβλεπτικών μοντέλων, παράλληλα με την αυτοματοποίηση της αξιολόγησης κινδύνων, ενισχύοντας έτσι τόσο την αποδοτικότητα όσο και την ακρίβεια.

Η συγκριτική αξιολόγηση μεταξύ των παραδοσιακών και των βασισμένων στην AI μοντέλων διαχείρισης κινδύνου καταδεικνύει ότι η Τεχνητή Νοημοσύνη υπερέχει σε προβλεπτική ακρίβεια, ενώ είναι πιο προσαρμοστική και ικανή να ενσωματώνει πολλαπλές πηγές δεδομένων.

Η έρευνα δείχνει ότι η διαχείριση κινδύνου με τη χρήση Τεχνητής Νοημοσύνης ενισχύει την προληπτική λήψη αποφάσεων, ενώ συμβάλλει στην καλύτερη άμυνα έναντι νέων απειλών. Η διατριβή καταλήγει με προτάσεις προς τους οργανισμούς για την αποτελεσματική αξιοποίηση της Τεχνητής Νοημοσύνης στη Διαχείριση Κινδύνου, μέσω στρατηγικής εφαρμογής και συνεχούς παρακολούθησης, διασφαλίζοντας παράλληλα τη διαφάνεια.