Η υιοθέτηση τεχνικών τεχνητής νοημοσύνης και μηχανικής μάθησης στα χρηματοπιστωτικά ιδρύματα έχει μεταμορφώσει τις παραδοσιακές τους λειτουργίες, φέρνοντας επανάσταση στην αξιολόγηση του πιστωτικού κινδύνου αλλά και στις εσωτερικές διαδικασίες των οργανισμών.
Η παρούσα εργασία πραγματοποιεί μια συγκριτική ανάλυση των τεχνικών μηχανικής μάθησης που χρησιμοποιούνται στην παγκόσμια ψηφιακή τραπεζική αγορά, εστιάζοντας στις προγνωστικές τους δυνατότητες και στις ηθικές τους εκτιμήσεις. Εξετάζοντας τους αλγορίθμους λογιστικής παλινδρόμησης, δέντρων αποφάσεων και τυχαίου δάσους, αξιολογείται η αποτελεσματικότητά τους στην πρόβλεψη αποφάσεων χορήγησης χρηματοπιστωτικών προϊόντων, ενώ παράλληλα διερευνώνται οι πιθανές προκαταλήψεις που ενυπάρχουν στα μοντέλα.
Αξιοποιώντας ένα σύνολο δεδομένων από τον χρηματοπιστωτικό τομέα, αναλύεται τον αντίκτυπο δημογραφικών μεταβλητών, όπως το φύλο και η οικογενειακή κατάσταση στα αποτελέσματα της έγκρισης δανείων. Τα ευρήματά αποκαλύπτουν διαφορετικά επίπεδα σημασίας των χαρακτηριστικών στους διάφορους αλγορίθμους, υπογραμμίζοντας τη σημασία της προκατάληψης και της δικαιοσύνης στα μοντέλα μηχανικής μάθησης. Μέσω αυτής της ανάλυσης, επισημαίνονται οι ηθικές επιπτώσεις της αλγοριθμικής λήψης αποφάσεων στις χρηματοπιστωτικές υπηρεσίες υποστηρίζοντας διαφανείς και υπεύθυνες πρακτικές για τον μετριασμό των προκαταλήψεων και την ευημερία του τραπεζικού κλάδου.
(EL)
The adoption of artificial intelligence and machine learning techniques in financial institutions has transformed their traditional operations, revolutionizing both credit risk assessment and the internal processes of the institutions.
This paper performs a comparative analysis of machine learning techniques used in the global digital banking market, focusing on their predictive capabilities and ethical considerations. By examining logistic regression, decision tree and random forest algorithms, we evaluate their effectiveness in predicting financial product approval decisions, while exploring the potential biases inherent in the models.
Using a dataset from the financial sector, the impact of demographic variables, such as gender and marital status, on loan approval outcomes is analyzed. The findings reveal different levels of importance of attributes in different algorithms, highlighting the importance of interpretability and fairness in machine learning models. Through this analysis, the ethical implications of algorithmic decision making in financial services are highlighted, supporting transparent and accountable practices to mitigate bias and promote financial inclusion.
(EN)
/aggregator-openarchives/portal/institutions/uoa
