Η παρούσα εργασία εξετάζει τον ρόλο της Τεχνητής Νοημοσύνης (AI) και της Μηχανικής
Μάθησης (ML) στη διαχείριση κινδύνων, τόσο από θεωρητική όσο και από εμπειρική
σκοπιά. Στόχος ήταν η συστηματική διερεύνηση του τρόπου με τον οποίο οι τεχνολογίες
αυτές μετασχηματίζουν τις διαδικασίες αναγνώρισης, αξιολόγησης και απόκρισης σε κρίσιμες μορφές χρηματοοικονομικού και λειτουργικού κινδύνου. Η προσέγγιση βασίστηκε αφενός σε ανασκόπηση της σύγχρονης βιβλιογραφίας, και αφετέρου σε εμπειρική μελέτη με χρήση δομημένου ερωτηματολογίου.
Η θεματική ανασκόπηση επικεντρώθηκε σε τέσσερις βασικές κατηγορίες κινδύνου:
πιστωτικό, απάτης, συστημικό και κυβερνο-κίνδυνο, αποτυπώνοντας τις τεχνολογικές και κανονιστικές προσεγγίσεις που υιοθετούνται σε κάθε τομέα. Οι τεχνικές εποπτευόμενης μάθησης επικρατούν στην πιστοληπτική αξιολόγηση λόγω της ανάγκης για ερμηνευσιμότητα και της επάρκειας δομημένων δεδομένων. Στην ανίχνευση απάτης και στην κυβερνοασφάλεια, η χρήση μη εποπτευόμενων και βαθιών αλγορίθμων ενδείκνυται για τον εντοπισμό ακραίων ή σπάνιων προτύπων, ενώ ο συστημικός κίνδυνος προσεγγίζεται μέσω δικτυακών μοντέλων και πολυπαραγοντικών προσομοιώσεων. Ιδιαίτερη έμφαση δόθηκε στην ανάγκη ενσωμάτωσης εργαλείων Explainable AI (XAI) και στη συμμόρφωση με κανονιστικά πλαίσια όπως ο GDPR, ως προϋπόθεση για την κοινωνική αποδοχή των συστημάτων αυτών. Συμπληρωματικά, πραγματοποιήθηκε εμπειρική έρευνα με στόχο την κατανόηση των παραγόντων που επηρεάζουν την αποδοχή της AI στη διαχείριση κινδύνου από επαγγελματίες του κλάδου. Βασισμένη στο εμπλουτισμένο μοντέλο TAM (Technology  Acceptance Model), η μελέτη περιλάμβανε μεταβλητές όπως η αντιληπτή χρησιμότητα, η ευκολία χρήσης, η εμπιστοσύνη και ο αντιληπτός κίνδυνος. Το ερωτηματολόγιο διανεμήθηκε σε δείγμα 75 επαγγελματιών από τους τομείς της χρηματοοικονομικής, τεχνολογίας και ρυθμιστικών υπηρεσιών. Η στατιστική ανάλυση περιέλαβε έλεγχο αξιοπιστίας κλιμάκων (Cronbach’s α), συσχετίσεις μεταβλητών (Pearson) και παλινδρομικά μοντέλα.
Τα ευρήματα έδειξαν ότι η αντιληπτή χρησιμότητα, η ευκολία χρήσης και η εμπιστοσύνη
συσχετίζονται θετικά και σημαντικά με την πρόθεση χρήσης συστημάτων AI, ενώ ο
αντιληπτός κίνδυνος έχει αποτρεπτική επίδραση. Η εμπειρική ανάλυση επιβεβαιώνει τη
σημασία θεσμικής και τεχνολογικής προσαρμογής για την ενίσχυση της αποδοχής των
συστημάτων, καθώς και την ανάγκη ενίσχυσης της επεξηγησιμότητας. Επιπλέον, διαφάνηκε ένα υψηλό επίπεδο αποδοχής των δυνατοτήτων της AI, παρά την αναγνώριση τεχνικών, οργανωσιακών και δεοντολογικών προκλήσεων. Συνολικά, η εργασία προσφέρει μία διπλή συμβολή: α) θεωρητικά, μέσω της αποτύπωσης του υφιστάμενου ερευνητικού πεδίου, και β) εμπειρικά, μέσα από την καταγραφή στάσεων, προθέσεων και περιορισμών στην εφαρμογή τεχνολογιών AI στον πραγματικό χώρο των οργανισμών. Η σύνθεση των δύο αυτών προσεγγίσεων επιτρέπει την εξαγωγή πλούσιων συμπερασμάτων με πρακτική αξία, προσφέροντας τη βάση για μελλοντική διεπιστημονική και εφαρμοσμένη έρευνα που θα γεφυρώνει την τεχνική και την κοινωνική διάσταση της καινοτομίας.

This thesis seeks to explore the application of Artificial Intelligence and Machine Learning in the risk management field with the aim of understanding the role of the  new technologies in the risk identification, assessment, and management process. The aim of this research is to explore the application of the new technologies in the four main risk management fields: credit risk management, fraud risk management, systemic risk management, and cyber risk management.
From the literature reviewed in the course of this research, it is evident that the approach to the application of the risk management process is dependent on the type of risk, the availability of data, and the level of maturity. In credit risk management, the application of the risk management process is dominated by the use of the supervised learning approach based on the availability of data and the need to have the ability to interpret the results. The application of the unsupervised and deep learning approach is also on the increase in the field of fraud risk management and cyber risk management; however, the results are not interpretable. The application of the complex approach is also on the increase in the field of systemic risk management through simulations based on the network and agent-based approach; however, the approach is not at the expected level of maturity due to the level of data confidentiality and the complexity of the approach applied. One of the most significant themes that can be gauged from the literature is the need to strike a balance between performance and explainability. Further, the EU’s GDPR guidelines have also led to the adoption of Explainable AI (XAI) technologies such as SHAP, LIME, and counterfactual reasoning. Ethical issues such as fairness and bias have also been considered an integral part of the system, which again brings us to the socio-technical perspective on the adoption and implementation of AI technology in the organization.
In addition to the literature review, a research study was conducted to understand the
behavioral factors that affect the adoption of AI technology in the organization for risk
management. A quantitative research design was used to conduct the research study with the help of the Technology Acceptance Model (TAM), incorporating trust and risk as variables in the study design. A questionnaire was used as the research tool to collect the required data from a sample size of 75 professionals in the finance and technology sectors.The results of the multiple linear regression test showed that perceived usefulness, perceived ease of use, and trust had positive significant effects on behavioral intention, while perceived risk had a negative significant effect on behavioral intention. In conclusion, it can be said that the thesis makes a two-fold contribution. First and foremost, it offers a structured literature review. This offers a comprehensive overview of the current research trends and the practical challenges involved in the application of AI technology in risk management. Second, it offers insights into the behavioral intention to apply AI technology in risk management and the factors involved in it.