Χρήση της Τεχνητής Νοημοσύνης για την Ανίχνευση “Red Flags” σε Οργανισμούς
ENGLISH ABSTRACT This master’s thesis examines the role of Artificial Intelligence (AI) in the detection of red flags and the management of fraud-related risks, focusing on technological, auditing, and regulatory dimensions. Initially, the evolution of AI and its contemporary applications in internal auditing are presented, followed by an analysis of machine learning models, natural language processing systems, and anomaly detection algorithms used to identify suspicious patterns in accounting and operational data. Subsequently, the study explores the criteria for selecting and evaluating algorithms, performance metrics, and issues related to interpretability, transparency, and compliance with the regulatory framework, including the GDPR and the AI Act. A key finding of the thesis is that, despite the significant contribution of AI to improving the efficiency and accuracy of audit processes, human oversight remains indispensable. The study concludes that AI does not replace internal auditing but enhances it, provided that it is implemented within a framework characterized by clear mechanisms of supervision, transparency, and accountability. Successful integration requires careful model selection, adequate training of the professionals involved, and continuous monitoring of system performance. Within this context, human–machine collaboration emerges as a critical factor for the sustainable and secure use of AI in red flag detection and in safeguarding organizational integrity.
Thesis
Η παρούσα διπλωματική εργασία εξετάζει τον ρόλο της Τεχνητής Νοημοσύνης (ΤΝ) στην ανίχνευση red flags και στη διαχείριση κινδύνων απάτης, εστιάζοντας στις τεχνολογικές, ελεγκτικές και κανονιστικές διαστάσεις. Αρχικά παρουσιάζεται η εξέλιξη της ΤΝ και οι σύγχρονες εφαρμογές της στον εσωτερικό έλεγχο, ενώ αναλύονται διεξοδικά τα μοντέλα μηχανικής μάθησης, τα συστήματα επεξεργασίας φυσικής γλώσσας και οι αλγόριθμοι ανίχνευσης ανωμαλιών που χρησιμοποιούνται για την αναγνώριση ύποπτων μοτίβων σε λογιστικά και λειτουργικά δεδομένα. Στη συνέχεια εξετάζονται τα κριτήρια επιλογής και αξιολόγησης των αλγορίθμων, οι δείκτες απόδοσης, καθώς και τα ζητήματα ερμηνευσιμότητας, διαφάνειας και συμμόρφωσης με το κανονιστικό πλαίσιο, συμπεριλαμβανομένων του GDPR και του AI Act. Κεντρικό συμπέρασμα της εργασίας είναι ότι, παρά τη σημαντική συμβολή της ΤΝ στην αύξηση της αποτελεσματικότητας και της ακρίβειας των διαδικασιών ελέγχου, η ανθρώπινη εποπτεία παραμένει αναντικατάστατη. Η μελέτη καταλήγει ότι η ΤΝ δεν αντικαθιστά τον εσωτερικό έλεγχο αλλά τον ενισχύει, υπό την προϋπόθεση ότι εφαρμόζεται σε περιβάλλον με σαφείς μηχανισμούς εποπτείας, διαφάνειας και λογοδοσίας. Η επιτυχής ενσωμάτωσή της προϋποθέτει στοχευμένη επιλογή μοντέλων, επαρκή εκπαίδευση των ανθρώπων που τα χρησιμοποιούν και συνεχή παρακολούθηση της λειτουργίας τους. Σε αυτό το πλαίσιο, η συνεργασία ανθρώπου και μηχανής αναδεικνύεται ως κρίσιμος παράγοντας για τη βιώσιμη και ασφαλή αξιοποίηση της ΤΝ στην ανίχνευση των red flags και στη διασφάλιση της ακεραιότητας των οργανισμών.