Luận văn Thạc sĩ: Nghiên cứu phát hiện gian lận trong giao dịch thẻ tín dụng dựa vào học sâu

Sự phát triển nhanh chóng của ngân hàng số và các giao dịch điện tử, đặc biệt là thẻ tín dụng, đã mang lại tiện ích chưa từng có nhưng cũng kéo theo sự gia tăng đáng kể các vụ gian lận tài chính. Mối đe dọa ngày càng leo thang này đòi hỏi các cơ chế phát hiện gian lận mạnh mẽ và tinh vi. Các phương pháp truyền thống thường gặp khó khăn trong việc bắt kịp với bản chất liên tục thay đổi của các hoạt động gian lận và khối lượng giao dịch khổng lồ. Nghiên cứu này giải quyết thách thức quan trọng này bằng cách khám phá ứng dụng của Học sâu, một nhánh nâng cao của Trí tuệ nhân tạo, nhằm nâng cao độ chính xác và hiệu quả trong việc xác định các giao dịch thẻ tín dụng bất thường, qua đó góp phần vào an ninh của hệ sinh thái tài chính số.

Các nhà nghiên cứu và kỹ sư trong lĩnh vực trí tuệ nhân tạo, học máy, an ninh mạng tài chính, cũng như các chuyên gia trong ngành ngân hàng và fintech quan tâm đến phát hiện gian lận.

Sự phổ biến của giao dịch điện tử và việc sử dụng thẻ tín dụng trên toàn cầu đã dẫn đến sự gia tăng đáng kể gian lận tài chính, gây ra tổn thất kinh tế lớn và thách thức an ninh cho ngành ngân hàng. Để giải quyết vấn đề này, nghiên cứu đi sâu vào các kỹ thuật tiên tiến để phát hiện gian lận thẻ tín dụng, vượt ra ngoài các hệ thống dựa trên quy tắc thông thường vốn thường cứng nhắc và không thể thích ứng với các mô hình gian lận mới, tinh vi. Trọng tâm của nghiên cứu này là điều tra ứng dụng của Học sâu, một tập con mạnh mẽ của Trí tuệ nhân tạo, để chống lại những mối đe dọa đang phát triển này. Cụ thể, luận văn tập trung vào việc tận dụng các mô hình Autoencoder, vốn nổi bật trong việc xác định các bất thường bằng cách học và tái tạo các mẫu giao dịch bình thường. Các hoạt động gian lận, với bản chất bất thường, sẽ cho thấy độ lệch đáng kể, giúp Autoencoder dễ dàng phát hiện. Luận văn trình bày các cơ sở lý thuyết của nhiều mô hình học máy và học sâu khác nhau cho phát hiện bất thường, bao gồm các phương pháp học có giám sát, bán giám sát và không giám sát. Sau đó, nó áp dụng thực nghiệm mô hình Autoencoder cho một tập dữ liệu giao dịch thẻ tín dụng thực tế, mất cân bằng, đánh giá hiệu suất của nó trong việc xác định chính xác các giao dịch gian lận. Nghiên cứu này nhằm cung cấp một giải pháp mạnh mẽ, dựa trên dữ liệu, giúp tăng cường khả năng phát hiện theo thời gian thực của các tổ chức tài chính, từ đó giảm thiểu rủi ro tài chính và xây dựng niềm tin lớn hơn vào các hệ thống thanh toán số.