Η εκτίμηση ρίσκου είναι διαδικασία υπολογισμού της πιθανότητας να συμβεί ένα τυχαίο σενάριο που ενέχει κίνδυνο και διενεργείται για την αξιολόγηση μίας κατάστασης πριν τη λήψη απόφασης υπό αβεβαιότητα. Ως διεργασία μηχανικής μάθησης, η εκτίμηση ρίσκου έχει ευρεία εφαρμογή, από τη διαχείριση χρηματοοικονομικών κινδύνων, την ανίχνευση ιατρικών λαθών μέχρι το άσυλο και τη μετανάστευση. Στην εξέταση αιτήσεων με σκοπό τη χορήγηση θεώρησης Schengen, η εκτίμηση του ρίσκου που εμπεριέχει μία απόφαση, αποτελεί ιδιαίτερα πολύπλοκη, ευαίσθητη και χρονοβόρα  διαδικασία, όπου όμως η ΜΜ δεν έχει ακόμα δοκιμαστεί.

Η ομοιόμορφη θεώρηση Schengen επιτρέπει την ελεύθερη μετακίνηση πολιτών τρίτων χωρών εντός της ζώνης Schengen, όπου πλέον δεν διενεργούνται έλεγχοι στα εσωτερικά σύνορα των 29 χωρών που την αποτελούν. Καθημερινά, εκατομμύρια πολιτών εισέρχονται στο χώρο Σένγκεν για εργασία, τουρισμό ή εμπορική δραστηριότητα. Τα κράτη μέλη της Ζώνης καλούνται να ανταποκριθούν ισοδύναμα σε δύο αντικρουόμενες απαιτήσεις: την ανάγκη απλοποίησης των διαδικασιών για την ταχύτερη εξυπηρέτηση των πολιτών και τη διευκόλυνση των εμπορικών συναλλαγών και παράλληλα την δίχως συμβιβασμούς τήρηση της νομιμότητας, για τη διασφάλιση υψηλών επιπέδων ασφαλείας και την αποτελεσματικότητα στη διαχείριση των μεταναστευτικών ροών. Υπό αυτό το πρίσμα, η τεχνητή νοημοσύνη με χρήση κατάλληλων μοντέλων Μηχανικής Μάθησης θα μπορούσε να αποτελέσει ένα εξαιρετικό εργαλείο, λαμβάνοντας ρόλο υποστηρικτικό στο έργο των αρμόδιων Αρχών χορήγησης θεωρήσεων.

Η ανάλυση μεγάλων συνόλων δεδομένων με εργαλεία ΜΜ, δίνει τη δυνατότητα αναγνώρισης μοτίβων και σχέσεων μεταξύ χαρακτηριστικών, που δεν γίνονται εύκολα αντιληπτά από τον άνθρωπο. Στις διαδικασίες Schengen, η ανάλυση πληροφοριών[1] από το σύστημα VIS (Visa Information System), το SIS (Schengen Information System), τα νέα συστήματα EES (Entry-Exit System) και ETIAS (European Travel Information and Authorization System), όπως και δεδομένα από διαδικτυακές πηγές, μπορεί να συμβάλει στην πρόβλεψη συμπεριφορών, προσφέροντας ουσιαστική υποστήριξη στην εκτίμηση κινδύνου και στη λήψη πιο τεκμηριωμένων αποφάσεων.

Ωστόσο, η εισαγωγή αυτής της τεχνολογίας στις διαδικασίες θεώρησης Schengen  εγείρει μία σειρά από ηθικά και νομικά διλήμματα, προβληματισμούς τεχνικής φύσεως αλλά και θέματα δεοντολογίας.

Στόχος αυτής της διπλωματικής εργασίας είναι:

• Η μελέτη της λειτουργίας γνωστών αλγορίθμων μηχανικής μάθησης για την εκτίμηση ρίσκου,
• Η συγκριτική αξιολόγηση της συμπεριφοράς τους σε δεδομένα που προσομοιάζουν τα πραγματικά δεδομένα που εξετάζονται κατά τη διαδικασία χορήγησης θεωρήσεων Schengen,
• Η υλοποίηση ενός πιλοτικού εργαλείου ΜΜ εκτίμησης ρίσκου για την υποστήριξη στη λήψη απόφασης χορήγησης θεώρησης.
• Η εξερεύνηση των βασικών αξόνων για μια υπεύθυνη και δεοντολογικά αποδεκτή προσέγγιση της τεχνητής νοημοσύνης σε τομείς της δημόσιας διοίκησης,

ώστε αφενός μεν να αναζητηθούν τρόποι χρήσης αυτών των τεχνολογιών με σεβασμό στα θεμελιώδη δικαιώματα των πολιτών, προάγοντας τη διαφάνεια και τη λογοδοσία των αποφάσεων, αφετέρου δε να ενισχύσει την εμπιστοσύνη των πολιτών στη χρήση της τεχνητής νοημοσύνης σε τομείς παροχής δημόσιων υπηρεσιών.

[1] αιτήσεις προηγούμενων ετών (VIS),  καταχωρήσεις ποινικού μητρώου (SIS), πληροφοριών ταξιδιού (EES – ETIAS, θα τεθούν σε επιχειρησιακή λειτουργία μέχρι τέλος 2026), στατιστικά ασύλου χωρών προέλευσης (online)

Risk assessment is defined as the calculation of the probability of a random scenario that involves risk occurring and is being carried out in order to evaluate a situation before deciding under conditions of uncertainty. Risk assessment as a machine learning process has a wide range of applications, from financial risk management, to the prediction of medical errors, to asylum and immigration. In the examining of a Schengen visa applications, assessing the risk involved in the decision is a particularly complex, sensitive and time-consuming process, where ML has not yet been tested.

The uniform Schengen visa allows the free movement of third-country nationals within the Schengen area where there are no longer any formal checks at the internal borders of the 29 countries that consist the area. Every day, millions of citizens enter the Schengen area for work, tourism or commercial purposes. The Member States of the Zone are called upon to respond equally to two conflicting requirements: the need to simplify visa-granting procedures in order to provide faster service to citizens and facilitate trade transactions, while at the same time maintaining legality without compromise, to ensure high levels of security within the Zone and efficiency in the management of migration flows. In this light, artificial intelligence, using appropriate ML models, could be an excellent tool, taking on a supporting role in the work of the visa-granting competent Authorities.

The analysis of large datasets using machine-learning tools enables the identification of patterns and relationships between features that are not easily detectable by humans. In the case of Schengen visa procedures, the analysis of the information from the VIS (Visa Information System), the SIS (Schengen Information System), the new EES (Entry-Exit System) and ETIAS (European Travel Information and Authorization System), as well as data from online sources, can contribute to behavior predictions, offering substantial support in risk assessment and in more informed decisions-making.

However, the introduction of this technology into the Schengen visa procedures raises a number of ethical and legal dilemmas, technical concerns and professional ethics.

The aim of this thesis is:

• The study of the operation of known machine learning algorithms for risk assessment,
• The comparative evaluation of their behavior on data that simulates the real data in Schengen visa procedures,
• The implementation of a pilot ML risk assessment tool to support visa decision-making.
• The exploration of the main axes for a responsible and ethical approach to artificial intelligence in the areas of public administration,

so that, on the one hand, ways can be sought to ensure that the use of such  technologies is done with respect for the fundamental rights of citizens, and promotes transparency and accountability of decisions, and on the other hand, to strengthen citizens' trust in the use of artificial intelligence in areas of public service provision.