СВІДОЦТВО ПРО РЕЄСТРАЦІЮ

КВ №19905-9705 ПР від 02.04.2013 р.

 ЗАСНОВНИКИ

НАУКОВО-ДОСЛІДНИЙ ЦЕНТР ІНДУСТРІАЛЬНИХ ПРОБЛЕМ РОЗВИТКУ НАН УКРАЇНИ
(ХАРКІВ, УКРАЇНА)

Згідно з рішенням № 802 Національної ради України з питань телебачення і радіомовлення від 14.03.2024 р. зареєстрований суб’єктом у сфері друкованих медіа. Ідентифікатор R30-03156

 ВИДАВЕЦЬ

ФОП Лібуркіна Л. М.

 РОЗДІЛИ САЙТУ

Головна сторінка

Редакція журналу

Редакційна політика

Анотований каталог (2011)

Анотований каталог (2012)

Анотований каталог (2013)

Анотований каталог (2014)

Анотований каталог (2015)

Анотований каталог (2016)

Анотований каталог (2017)

Анотований каталог (2018)

Анотований каталог (2019)

Анотований каталог (2020)

Анотований каталог (2021)

Анотований каталог (2022)

Анотований каталог (2023)

Анотований каталог (2024)

Анотований каталог (2025)

Тематичні розділи журналу

Матеріали наукових конференцій

Вплив помилкових спрацювань у антишахрайських системах на основі машинного навчання: економічні та репутаційні наслідки
Капріан Юрій

Caprian, Iurie. (2025) “Impact of False Alarms in Machine Learning-Based Anti-Fraud Systems: The Economic and Reputational Consequences.” Business Inform 8:378–389.
https://doi.org/10.32983/2222-4459-2025-8-378-389

Розділ: Фінанси, грошовий обіг і кредит

УДК 004.8+005.8+336.71+330.46+658.8

Анотація:
Впровадження алгоритмів машинного навчання (ML) у фінансовому секторі стало ключовим напрямом інновацій, особливо в межах антишахрайських систем. Хоча такі системи суттєво покращили виявлення підозрілих транзакцій, вони також часто генерують помилкові позитивні спрацювання – випадки, коли легітимні дії клієнтів помилково визначаються як шахрайські. Такі помилки можуть призвести до операційних збоїв, фінансових втрат і значного зниження довіри клієнтів, що в результаті створює серйозні репутаційні ризики для фінансових установ. Це дослідження пропонує комплексний аналіз бізнесових наслідків і впливу на користувацький досвід, пов'язаних із помилковими позитивними спрацюваннями в моделях виявлення шахрайства на основі ML. Також розглядаються сучасні стратегії зменшення частоти та впливу таких помилок. Дослідження ґрунтується на ретельно відібраних відкритих джерелах та задокументованих кейсах із практики, що забезпечує прозорість, доступність і прикладну цінність викладених висновків.

Ключові слова: машинне навчання (ML), антишахрайські системи, помилкові позитивні спрацювання, виявлення фінансового шахрайства, моделі класифікації (XGBoost, Random Forest, Decision Tree), пояснювана штучна інтелігенція (XAI), гібридні моделі, оптимізація операційних витрат, репутаційний ризик, лояльність клієнтів, фінансові технології (фінтех), боротьба з відмиванням коштів (AML), автоматизація банківської діяльності.

Рис.: 3. Табл.: 2. Бібл.: 24.

Капріан Юрій – аспірант, Державний університет Молдови (вул. Олексія Матеєвича, 60, Кишинів, Молдова)
Email: [email protected]

Список використаних у статті джерел

Enhanced fraud detection backfires during 2023 phishing wave // Banca Transilvania. 2023. URL: https://www.bancatransilvania.ro/news/fraud-detection-2023
MAIB clients complain about blocked cards amid anti-fraud system updates // MAIB. 2023. URL: https://www.maib.md/news/anti-fraud-updates-complaints-2023
Cross-Border Transaction Impact Study // European Payments Council. 2022. URL: https://europeanfinancialreview.com
Otten J. The hidden cost of AML: How false positives hurt banks, fintechs, and customers. Retail Banker International. 2023. URL: https://retailbankerinternational.com
Analytical Review of Anti-Fraud Models and Their Impact on Business Efficiency // FintechOS Romania. 2023. URL: https://europeanfinancialreview.com
AI in Financial Services: From Hype to Reality // Accenture. 2023. URL: https://www.accenture.com
Banca Transilvania customers complain about blocked cards during holidays // Romanian Insider. 2023. URL: https://www.idevice.ro/en/2023/12/30/Banca-Transilvania-problems-new-year-2024-Romanian-customers-are-crying-difficulties-568808
BBC News. Revolut customers report sudden account freezes. 2023. URL: https://thepaypers.com/fraud-and-fincrime/news/over-100-customers-contact-bbc-over-revolut-scams
Aburbeian M., Ashqar H. I. Credit Card Fraud Detection Using Enhanced Random Forest Classifier for Imbalanced Data // arXiv. 2023. URL: https://arxiv.org/abs/XXXX
Velarde et al. Evaluating XGBoost for Balanced and Imbalanced Data: Application to Fraud Detection // arXiv. 2023. URL: https://arxiv.org/abs/XXXX
Zheng et al. Advanced Payment Security System: XGBoost, LightGBM and SMOTE Integrated // arXiv. 2024. URL: https://arxiv.org/abs/XXXX
Credit card fraud detection // ax-zar GitHub. 2023. URL: https://github.com/ax-zar/credit-card-fraud-detection
Wedge R. et al. Solving the 'false positives' problem in fraud prediction // arXiv. 2017. URL: https://arxiv.org/abs/1710.07709
Kadam P. et al. Enhancing Financial Fraud Detection with Human-in-the-Loop Feedback and Feedback Propagation // arXiv. 2024. URL: https://arxiv.org/abs/2411.05859
Vallarino D. et al. Detecting Financial Fraud with Hybrid Deep Learning: A Mix-of-Experts Approach // arXiv. 2025. URL: https://arxiv.org/abs/2504.03750
Infosys BPM. Reduce false positives with AI fraud detection. 2025. URL: https://www.infosysbpm.com/blogs/financial-services/reduce-false-positives-with-ai-fraud-detection.html
Integration of explainability tools with human-in-the-loop review // MDPI. 2025. URL: https://www.mdpi.com/0718-1876/20/2/121
Barredo Arrieta F. et al. Explainable Artificial Intelligence: Concepts, Taxonomies... // arXiv. 2019. URL: https://arxiv.org/abs/1910.10045
Secure Transparent Banking. Integration of Federated Learning and XAI increases accuracy to 99.95% while reducing false positives. MDPI. 2025. URL: https://www.mdpi.com/1911-8074/18/4/179
Danish Danske Bank increases payment fraud detection by 60% and reduces false positives by 50% with machine learning // BestPractice AI. 2025. URL: https://www.bestpractice.ai/ai-case-study-best-practice/danish_danske_bank_increases_payment_fraud_detection_by_60%25_and_reduces_false_positives_by_50%25_with_machine_learning
AI in Fraud Detection: How Banks Reduce False Positives by 40% // The Fintech Mag. 2025. URL: https://thefintechmag.com/ai-in-fraud-detection-how-banks-reduce-false-positives-by-40
BBVA teams up with MIT to improve card fraud detection // BBVA. 2025. URL: https://www.bbva.com/en/innovation/bbva-teams-up-with-mit-to-improve-card-fraud-detection
Caprian I. The Use of Machine Learning for the Purpose of Combating Bank Fraud. Business Inform. 2023. No. 7. Р. 140–145. DOI: https://doi.org/10.32983/2222-4459-2023-7-140-145
Caprian I., G?rlea M. Particularit??ile utiliz?rii machine learning ?n scopul detect?rii fraudei bancare. Studia Universitatis Moldaviae. Seria ?tiin?e Economice ?i ale Comunic?rii. 2024. No. 11 (3). Р. 37–42. DOI: https://doi.org/10.59295/sum11(3)2024_0

 ДЛЯ АВТОРІВ

Ліцензійний договір

Умови публікації

Вимоги до статей

Положення про рецензування

Договір публікації

Номер в роботі

Питання, які задаються найчастіше

 ІНФОРМАЦІЯ

План наукових конференцій

 НАШІ ПАРТНЕРИ

Журнал «Проблеми економіки»