Η εργασία εξετάζει το ζήτημα της ανίχνευσης τραπεζικής απάτης, με έμφαση στη χρήση τεχνολογιών μηχανικής μάθησης. Στο θεωρητικό μέρος, αναλύονται οι παραδοσιακές και σύγχρονες προσεγγίσεις, εστιάζοντας στις στρατηγικές, τις τεχνολογίες και τις προκλήσεις που καταγράφονται στη βιβλιογραφία. Οι παραδοσιακές μέθοδοι αναλύονται ως το θεμέλιο πάνω στο οποίο βασίζονται οι σύγχρονες τεχνολογίες, ενώ οι μηχανισμοί τεχνητής νοημοσύνης και μηχανικής μάθησης προβάλλουν ως καινοτόμες λύσεις που ανταποκρίνονται στις απαιτήσεις του σύγχρονου τραπεζικού συστήματος.
Η μεθοδολογία της εργασίας εστιάζει στη συγκριτική αξιολόγηση τεσσάρων αλγορίθμων μηχανικής μάθησης: λογιστικής παλινδρόμησης, δέντρων αποφάσεων, τυχαίων δασών και τεχνητών νευρωνικών δικτύων. Από την ανάλυση προκύπτει ότι οι απλούστερες τεχνικές παρέχουν διαφάνεια και είναι εύκολες στην εφαρμογή, ωστόσο δυσκολεύονται να εντοπίσουν σύνθετες σχέσεις στα δεδομένα. Από την άλλη, οι πιο προηγμένοι αλγόριθμοι προσφέρουν μεγαλύτερη ακρίβεια και ισχυρότερη απόδοση σε περίπλοκες περιπτώσεις, αλλά απαιτούν περισσότερη υπολογιστική ισχύ και στερούνται ερμηνευσιμότητας.
Η εργασία καταδεικνύει ότι η εισαγωγή τεχνολογιών μηχανικής μάθησης στις τραπεζικές διαδικασίες ξεπερνά τη σφαίρα της τεχνικής υλοποίησης και αποτελεί ζήτημα στρατηγικής σημασίας. Οι τεχνολογίες αυτές απαιτούν συνδυαστική χρήση διαφορετικών μεθόδων, συνεχή αξιολόγηση και προσαρμογή στις εξελισσόμενες απειλές, διασφαλίζοντας παράλληλα τη συμμόρφωση με κανονισμούς και τη διαφάνεια.

This paper explores the issue of bank fraud detection, with a focus on the application of machine learning technologies. In the theoretical part, traditional and modern approaches are analyzed, emphasizing the strategies, technologies, and challenges identified in the literature. Traditional methods are examined as the foundation upon which modern technologies are built, while artificial intelligence and machine learning mechanisms are highlighted as innovative solutions that meet the demands of the modern banking system.
The methodology of the study focuses on the comparative evaluation of four machine learning algorithms: logistic regression, decision trees, random forests, and artificial neural networks. The analysis reveals that simpler techniques provide transparency and are easier to implement but struggle to detect complex patterns in data. On the other hand, more advanced algorithms offer higher accuracy and better performance in complex cases but require greater computational resources and lack interpretability.
The study demonstrates that the adoption of machine learning technologies in banking processes goes beyond technical implementation and constitutes a matter of strategic importance. These technologies require a combined use of different methods, continuous evaluation, and adaptation to evolving threats while ensuring compliance with regulations and maintaining transparency.