УДК 336.717:004.89
DOI: 10.36871/ek.up.p.r.2026.01.05.018

Авторы

Владимир Юрьевич Ильичев,
Валерий Анатольевич Федоров,
Московский государственный технический университет имени Н. Э. Баумана, Москва, Россия
Владимир Евгеньевич Драч,
Сочинский государственный университет, Сочи, Россия

Аннотация

В условиях непрекращающейся «гонки вооружений» между финансовыми институтами и мошенниками, искусственный интеллект представляется как панацея, способная обеспечить безопасность транзакций. Однако является ли технологическое совершенство само по себе гарантией успеха? Настоящая статья исследует критический, часто упускаемый из виду, разрыв между передовыми алгоритмами и их реальной экономической ценностью и управленческой применимостью. Авторы утверждают, что ключевые барьеры для создания эффективных систем борьбы с мошенничеством кроются не в математике моделей, а в сложных компромиссах между скоростью и точностью, прозрачностью и прогностической силой, а также в необходимости адаптации к уникальной логике различных финансовых секторов. Предлагается взглянуть на проблему обнаружения мошенничества не как на сугубо техническую, а как на комплексную управленческую задачу, где стратегические решения играют решающую роль. Статья предлагает новый, холистический взгляд на построение систем, которые не просто точны, но и экономически жизнеспособны, операционно устойчивы и соответствуют требованиям меняющегося регуляторного ландшафта.

Ключевые слова

цифровизация финансовой инфраструктуры, большие данные, экономическое мошенничество, кибербезопасность

Список литературы

  1. Shuchita Sheokand, Sunita Beniwal. Credit Card Fraud Detection Using Machine Learning and Deep Learning Techniques: A Review // Pertanika J. Sci. & Technol. 33 (6): 2641–2663 (2025).
  2. Giriharan V., Dilip Raj K., Karthiga R. NextGen Fraud Detection: Machine Learning and Encryption for Credit Card Security // In Proceedings of the 1st International Conference on Research and Development in Information, Communication, and Computing Technologies (ICRDICCT‘252025) — Volume 4. Pp. 138–145. DOI: 10.5220/0013909300004919.
  3. Mani, Ashok Kumar S., Dhaneswara V., Dinesh R. Financial Fraud Detection in Transactions Using AI // In Proceedings of the 1st International Conference on Research and Development in Information, Communication, and Computing Technologies (ICRDICCT‘252025) — Volume 1. Pp. 515–521. DOI: 10.5220/0013868500004919.
  4. Tahani Albalawi, Samia Dardouri. Enhancing credit card fraud detection using traditional and deep learning models with class imbalance mitigation // Frontiers in Artificial Intelligence. 2025. V. 8. P. 1–10. DOI 10.3389/ frai.2025.1643292.
  5. Yisong Chen, Chuqing Zhao, Yixin Xu, Chuanhao Nie, Yixin Zhang. Deep Learning in Financial Fraud Detection: Innovations, Challenges, and Applications // Data Science and Management. 2025. ISSN 2666-7649. https://doi.org/10.1016/j. dsm.2025.08.002.
  6. K. Sudharson, Varsha S., Rajalakshmi S., Rajalakshmi D., Santhiya R. Financial Transactional Fraud Detection Using a Hybrid BiLSTM With Attention-Based Autoencoder // International Research Journal of Multidisciplinary Technovation. 2025. V. 7. (2). Pp. 135–47. https://doi.org/10.54392/irjmt25211.
  7. Jin J., Zhang Y. The analysis of fraud detection in financial market under machine learning // Sci Rep 15, 29959 (2025). https://doi.org/10.1038/ s41598–025–15783–2.
  8. Pedro María Preciado Martínez, Ricardo Francisco Reier Forradellas, Luis Miguel Garay Gallastegui, Sergio Luis Náñez Alonso. Comparative analysis of machine learning models for the detection of fraudulent banking transactions // Cogent Business & Management. 2025. Volume 12, Issue 1. https://doi.org/10.108 0/23311975.2025.2474209.
  9. Ильичев В.Ю., Драч В. Е., Забусова П. А., Капитонова М. С. Использование искусственного интеллекта для выявления и предотвращения мошенничества при закупках // Системный администратор. 2024. № 4 (257). С. 92–96.
  10. N.V. Chawla, K. W. Bowyer, L. O. Hall, W. P. Kegelmeyer. SMOTE: Synthetic Minority Over-sampling Technique // Journal of Artificial Intelligence Research (JAIR). 2002. V. 16. P. 321– 357. DOI:10.1613/jair.953.
  11. Drach V.E., Torkunova Ju. V. Generative AI and the Transformation of Academic Norms in Higher Education // Sociology of Science and Technology. — 2025. — Vol. 16, No. 4. — P. 127–137. — DOI 10.24412/2079–0910–2025–4–127–137.