هوش مصنوعی و امنیت مالی: راهکارهای نوین برای پیش بینی تخلفات بانکی

سال انتشار: 1402
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 47

فایل این مقاله در 6 صفحه با فرمت PDF قابل دریافت می باشد

این مقاله در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

CSCG05_047

تاریخ نمایه سازی: 9 اردیبهشت 1403

چکیده مقاله:

در دنیای امروزه که تکنولوژی هوش مصنوعی به سرعت در حال تکامل است، بانکداری به عنوان یکی از حوزه های حیاتی اقتصاد جهان، نیازمند راهکارهای نوین برای مقابله با تهدیدات امنیتی و پیش بینی تخلفات مالی است. بررسی نقش برجسته هوش مصنوعی در امنیت مالی و ارائه راهکارهایی نوین برای پیش بینی تخلفات بانکی دارای اهمیت است. این تحقیق به بررسی کاربردهای چندوجهی هوش مصنوعی در شناسایی، پیشگیری و مدیریت فعالیت های متقلبانه در بخش بانکی می پردازد. سیستم های تشخیص تقلب سنتی که عمدتا مبتنی بر قوانین هستند، اغلب در قابلیت های تشخیص بلادرنگ کوتاهی می کنند. در مقابل، هوش مصنوعی می تواند به سرعت اطلاعات تراکنش های گسترده را تجزیه وتحلیل کند، ناهنجاری ها و فعالیت های بالقوه تقلبی را در زمان وقوع پیدا کند. یکی از روش های برجسته، استفاده از یادگیری عمیق، به ویژه شبکه های عصبی است که وقتی بر روی داده های تقلبی موجود آموزش داده می شوند، می توانند الگوهای پیچیده را تشخیص دهند و تراکنش های جعلی را بادقت قابل توجهی پیش بینی کنند. علاوه بر این، بهبود فرایندهای شناخت مشتری از طریق پردازش زبان طبیعی قابل دستیابی است، چون هوش مصنوعی داده های متنی را از منابع مختلف بررسی می کند و صحت مشتری را تایید می کند. تجزیه وتحلیل نمودار با بررسی روابط تراکنش، چشم انداز منحصربه فردی را ارائه می دهد که به طور بالقوه فعالیت های مشکوکی مانند انتقال سریع وجوه که نشان دهنده پول شویی است را برجسته می کند. تجزیه وتحلیل پیش بینی کننده، فراتر از روش های سنتی امتیازدهی اعتبار، مجموعه داده های متنوعی را در برمی گیرد و بینش جامع تری در مورد اعتبار مشتری ارائه می دهد. این تحقیق همچنین بر اهمیت رابط های کاربرپسند مانند چت ربات های مجهز به هوش مصنوعی برای گزارش فوری فعالیت های مشکوک و ادغام تاییدیه های بیومتریک پیشرفته از جمله تشخیص چهره و صدا تاکید می کند. تجزیه وتحلیل جغرافیایی و بیومتریک رفتاری به ترتیب با تجزیه وتحلیل مکان های تراکنش و الگوهای تعامل کاربر، امنیت را تقویت می کنند. سیستم های خودآموز هوش مصنوعی تضمین می کنند که با تکامل تاکتیک های تقلبی، مکانیسم های هوش مصنوعی به روز می مانند و کارایی خود را حفظ می کنند. این سازگاری به تشخیص فیشینگ، ادغام اینترنت اشیا و تجزیه و تحلیل بین کانالی گسترش می یابد و دفاعی جامع در برابر تلاش های متقلبانه چندوجهی ارائه می دهد.

کلیدواژه ها:

بانکداری نوین ، ، شبکه عصبی کانولوشن عمیق ، ، یادگیری عمیق ، ، هوش مصنوعی.

نویسندگان

زهره درانی

گروه مهندسی برق- دانشگاه پیام نور- تهران- ایران.

محمود آذین مهر

گروه حسابداری- بانک سپه- تهران - ایران.