H παρούσα διπλωματική εργασία διερευνά τον τρόπο με τον οποίο η τεχνητή νοημοσύνη
(ΑΙ) μπορεί να συμβάλλει στην καταπολέμηση της νομιμοποίησης εσόδων από παράνομες δραστηριότητες (AML), ενισχύοντας την αποτελεσματικότητα και την ακρίβεια τωνπαραδοσιακών μεθόδων. Παρουσιάζεται το ισχύον ρυθμιστικό πλαίσιο που διέπει τις πρακτικές καταπολέμησης της νομιμοποίησης εσόδων από παράνομες δραστηριότητες (AML) καθώς και οι σχετικές διαδικασίες που υποχρεούνται να ακολουθούνται από τα χρηματοπιστωτικά ιδρύματα. Η εργασία αναλύει τις κυριότερες μεθόδους μηχανικής μάθησης και τεχνητής νοημοσύνης που εφαρμόζονται στον τομέα του AML, με στόχο την κατανόηση των τεχνολογικών δυνατοτήτων και της επίδρασής τους στη διαμόρφωση αποτελεσματικότερων μηχανισμών συμμόρφωσης με τους ισχύοντες κανονισμούς. Η κεντρική ιδέα της εργασίας είναι ο μετασχηματιστικός αντίκτυπος της τεχνητής νοημοσύνης στη νομιμοποίηση εσόδων από εγκληματικές δραστηριότητες. Τα πρακτικά παραδείγματα εφαρμογής τεχνικών τεχνητής νοημοσύνης που παρουσιάζονται καταδεικνύουν την αποτελεσματικότητα της τεχνητής νοημοσύνης στον τομέα της νομιμοποίησης εσόδων από εγκληματικές δραστηριότητες. Ιδιαίτερη αναφορά γίνεται στην ενσωμάτωση της τεχνητής νοημοσύνης σε λύσεις RegTech (Regulatory Technology) και στον τρόπο με τους οποίους οι οργανισμοί μπορούν να διαχειρίζονται αποτελεσματικά τη συμμόρφωση, να μειώνουν τους κινδύνους βελτιώνοντας παράλληλα τη λειτουργική τους ανθεκτικότητα. Για την περεταίρω διερεύνηση του θέματος επιλέχθηκε η μέθοδος της ποσοτικής ανάλυσης με συλλογή απαντήσεων μέσω ερωτηματολογίου οι οποίες αναλύθηκαν με τη χρήση κατάλληλων στατιστικών εργαλείων για την εξαγωγή μετρήσιμων συμπερασμάτων αναφορικά με τις ευκαιρίες χρήσης της τεχνητής νοημοσύνης στην καταπολέμηση της νομιμοποίησης εσόδων από εγκληματικές δραστηριότητες. Ολοκληρώνοντας, αναφέρονται οι βασικές προκλήσεις και περιορισμοί που προκύπτουν κατά την υιοθέτηση της τεχνητής νοημοσύνης στις διαδικασίες καταπολέμησης της νομιμοποίησης εσόδων από εγκληματικές δραστηριότητες από τα χρηματοπιστωτικά ιδρύματα. 

This thesis examines how Artificial Intelligence can contribute to the fight against Money Laundering known as Anti Money Laundering (AML) by improving the precision and efficiency of traditional methods. It also presents the current European and national regulatory framework that financial institutions must follow. Machine Learning (ML) and AI techniques used in AML are also described, in order to explore their capabilities and how they can support compliance procedures. One of the main objectives of this research is to explore the impact of AI on improving and modernizing AML efforts using Applied AI solutions within this field. The study focuses on the way
that AI is included in RegTech solutions, helping financial organizations handle compliance better, lower risks, keep up with regulation updates, and strengthen their operations. For the research, a quantitative approach was used, collecting data through a structured questionnaire. All answers were analyzed with statistical methods to find out in what ways AI can help in the fight against money laundering. Finally, the studydiscusses the key issues financial institutions face when using AI for AML.