An Adaptive AI Model for Intelligent Fraud Detection and Customer Engagement in Digital Banking
Notice bibliographique
Résumé
Digital banking has transformed financial accessibility while concurrently heightening clients' exposure to fraud threats and reducing personal user experiences. Conventional fraud detection techniques frequently struggle to adjust to changing attack vectors, while consumer interaction strategies lack in personalisation and real-time reactivity. This research introduces an adaptable AI system that integrates a Long Short-Term Memory (LSTM) network with Gradient Boosted Decision Trees (GBDT) for fraud detection, with a reinforcement learning module for enhanced customer engagement. This dual-module system utilises real-world transaction datasets from Kaggle, employing advanced feature engineering, concept drift adaptability, and sentiment-aware personalisation. The suggested approach markedly outperformed baseline models, including Logistic Regression, Random Forest, and XGBoost, in fraud detection, attaining a precision of 0.98, recall of 0.96, F1-score of 0.97, and AUC-ROC of 0.99. These measures confirm the strength and dependability of the system in complex financial contexts. The engagement module enhanced response and conversion rates by dynamically customising interactions according to user behaviour and sentiment analysis. This integrated and flexible model strengthens security and improves the digital banking experience compared to previous alternatives. The findings indicate significant improvements over traditional methods, offering a thorough answer to current digital banking issues.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,003 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 tête enseignante, 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 ».