AI-Driven Fraud Detection in Digital Banking: Ml Approach for Secure and Transparent Financial Transactions
Notice bibliographique
Résumé
The convenience of digital banking services has transformed the global financial industry and is now available to consumers all over the world. As with any advancement, there’s an increase in associated risk. In this case, we have an upsurge in fraudulent activity, the mobility of cybercriminals, and their more advanced technologies to breach vulnerabilities within digital infrastructures. Indeed, financial crimes are constantly evolving like the rest of technology and society. Those who monitor and manually analyse systems are no match for the speed at which criminals can devise new rule-of-thumb schemes. This article examines how artificial intelligence and machine learning can reform the detection of fraud within digital banking systems. The research analyses different techniques of AI and ML, supervised learning, unsupervised learning, ensemble, and deep learning approaches, while also observing their uses in practical fraud detection systems. The paper also analyses the ethical and legal concerns involving the use of AI within banking, considering data issues, algorithmic discrimination, and other contentious aspects of legal compliance, including quasi-legal frameworks like GDPR and PCI-DSS. It also explores some of the newer directions in AI, like quantum computing, explainable AI (XAI), and federated learning, and their potential implications to improving fraud detection systems performance. Finally, the focus of this paper has been on a continuing effort and partnership across sectors in building resilient, secure, transparent financial systems. AI, ML, and blockchain technologies enhance the capability to prevent fraud in digital banking, while ensuring and maintaining customer trust and security in financial transactions.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,003 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».