Περιεχόμενα
Εισαγωγή — Τι είναι το AutoML και γιατί έχει ενδιαφέρον για το Fintech. 2
Η προηγούμενη κατάσταση — Πριν το AutoML. 2
Παραδοσιακή ανάπτυξη μοντέλων ML. 2
Πρώτες μορφές αυτοματοποίησης. 2
Η υφιστάμενη κατάσταση — Το AutoML στον χώρο του Fintech σήμερα. 3
Παραδείγματα εφαρμογής (use cases) 3
Προκλήσεις και μειονεκτήματα στην πράξη. 4
Εμπόδια υιοθέτησης και περιορισμοί 5
Η μελλοντική πορεία — Τι μπορούμε να αναμένουμε. 5
Προβλεπόμενη υιοθέτηση και δομή αγοράς. 6
Σύνοψη: Πλεονεκτήματα, Μειονεκτήματα, Ευκαιρίες, Κίνδυνοι. 7
Εισαγωγή — Τι είναι το AutoML και γιατί έχει ενδιαφέρον για το Fintech
Στο βιβλιο τους «Automated Machine Learning, οι (Hutter, Kotthoff, & Vanschoren, 2019), περιγράφουν το AutoML ως την μέθοδό που περιλαμβάνει τεχνικές και εργαλεία που αυτοματοποιούν μεγάλο μέρος του κύκλου ζωής ενός μοντέλου μηχανικής μάθησης. Κατά την κατασκευή ενός γενικού μοντέλου, οι data scientists, οδηγούνται από προκαθορισμένα σειριακά βήματα. Πιο συγκεκριμένα οι αναλυτές προβαίνουν σταδιακά και με την σειρά σε data prepossessing (προ επεξεργασία δεδομένων), επιλογή χαρακτηριστικών (feature engineering), model selection (επιλογή αλγορίθμων), ρύθμιση υπερπαραμέτρων (hyperparameter tuning), ensemble μεθόδους και metrics – αξιολόγηση. σύμφωνα με τους (Hutter, Kotthoff, & Vanschoren, 2019), το AutoML μπορεί να καταστήσει τις μεθόδους μηχανικής μάθησης και ευρύτερα ΑΙ, πιο προσβάσιμες, γρηγορότερες, και με την ελάχιστη δυνατή παρέμβαση από ειδικούς.
Στο χώρο του Fintech, και των χρηματοοικονομικών υπηρεσιών (π.χ. δανεισμός, πληρωμές, επενδύσεις, τραπεζικές εφαρμογές, ασφαλιστικά προϊόντα, διαχείριση κινδύνου), η δυνατότητα αυτοματοποίησης και επιτάχυνσης της ανάπτυξης μοντέλων ML είναι ιδιαίτερα κρίσιμη. Ο χρηματοπιστωτικός τομέας παράγει τεράστιες ποσότητες δεδομένων, έχει αυστηρές απαιτήσεις για απόδοση, ερμηνευσιμότητα και συμμόρφωση με κανονισμούς, και οι εφαρμογές του απαιτούν υψηλή αξιοπιστία και ασφάλεια.
Ας εξετάσουμε πρώτα πού βρισκόταν η κατάσταση πριν την ευρεία χρήση AutoML, πώς έχει διαμορφωθεί σήμερα, τι δυνατότητες ανοίγονται για το μέλλον και ποια τα σημαντικά εμπόδια.
Η προηγούμενη κατάσταση — Πριν το AutoML
Παραδοσιακή ανάπτυξη μοντέλων ML
Πριν την δημιουργία και εξάπλωση των AutoMLs, η διαδικασία ανάπτυξης μοντέλων μηχανικής μάθησης στον χρηματοπιστωτικό τομέα ήταν συχνά ως εξής:
- Μηχανικοί / data scientists συγκέντρωναν και «καθάριζαν» τα δεδομένα.
- Έλεγχαν και μετασχημάτιζαν χαρακτηριστικά (features) βάσει υφιστάμενης εμπειρικής γνώσης (π.χ. οικονομικά στοιχεία, ιστορικά συναλλαγών).
- Δοκίμαζαν έναν αριθμό αλγορίθμων (π.χ. Decision Trees, SVM, Random Forest, GBDT) και τέσταραν τις υπερπαραμέτρους τους.
- Έκαναν cross-validation, ensemble συνδυασμούς, επιλογή μοντέλων, και επικύρωση στο περιβάλλον παραγωγής.
- Ήταν συχνά μια επαναληπτική διαδικασία που απαιτούσε εμπειρία, χρόνο και υπολογιστικούς πόρους.
Αυτή η προσέγγιση συχνά εισήγαγε δύο βασικά προβλήματα:
- Χρονοβόρα διαδικασία: κάθε νέο μοντέλο ή βελτίωση απαιτούσε πολλούς πειραματισμούς.
- Εξάρτηση από ειδικούς: η ποιότητα του μοντέλου εξαρτιόταν σε μεγάλο βαθμό από την εμπειρία και τη δεξιότητα των data scientists.
- Περιορισμένη δυνατότητα κλιμάκωσης: όταν πολλές εφαρμογές απαιτούν μοντέλα (π.χ. πολλαπλά προϊόντα, τμήματα πιστωτικής ανάλυσης, ανίχνευση απάτης), ο φόρτος εργασίας πολλαπλασιαζόταν.
Πρώτες μορφές αυτοματοποίησης
Πριν το AutoML ως ολοκληρωμένη μέθοδο, είχαν υπάρξει μερικές προσπάθειες αυτοματοποίησης επιμέρους σταδίων — π.χ. αυτόματη ρύθμιση υπερπαραμέτρων (hyperparameter tuning), pipeline[i] frameworks (scikit-learn pipelines, H2O AutoML κα). Μεταξύ αυτών, ένα γνωστό σύστημα είναι το Auto-WEKA. Οι (Thornton, Frank, Holger , & Leyton-Brown, 2013) εισήγαγαν το αλγόριθμο CASH (Combined Algorithm Selection and Hyperparameter optimization), δίνοντας τη δυνατότητα να επιλέξεις ταυτόχρονα τον αλγόριθμο και τις υπερπαραμέτρους του.
Αλλά αυτά τα πρώτα εργαλεία είτε ήταν περιορισμένα σε τύπους προβλημάτων, είτε δυσκολεύονταν να ενσωματωθούν σε παραγωγικά περιβάλλοντα (π.χ. απαιτούσαν χειροκίνητη ρύθμιση, δεν προσέφεραν επεκτασιμότητα, ή δεν υποστήριζαν pipeline με πολλαπλά στάδια).
Η υφιστάμενη κατάσταση — Το AutoML στον χώρο του Fintech σήμερα
Σήμερα, το AutoML θεωρείται ως ένα σημαντικό εργαλείο στην εργαλειοθήκη πολλών χρηματοοικονομικών οργανισμών, ιδιαίτερα εκείνων με ισχυρή τεχνολογική κουλτούρα.
Παραδείγματα εφαρμογής (use cases)
- LightAutoML — χρηματοοικονομικό περιβάλλον
Ένα χαρακτηριστικό παράδειγμα που αναφερεται στην μελέτη των (Anton, και συν., 2021) είναι το σύστημα LightAutoML, που αναπτύχθηκε για ένα μεγάλο ευρωπαϊκό χρηματοπιστωτικό σύστημα. Το LightAutoML κατάφερε να παράγει μοντέλα συγκρίσιμης απόδοσης με έμπειρους data scientists, αλλά πολύ πιο γρήγορα. - Ανίχνευση απάτης / «fraud detection»
Ο χρηματοπιστωτικός τομέας έχει μεγάλη ανάγκη για συστήματα που εντοπίζουν ύποπτες συναλλαγές σε πραγματικό χρόνο. Η έρευνα του (Saiyed, 2025), αναφέρει ότι τα AutoML, επιτρέπουν τη γρήγορη δοκιμή και βελτιστοποίηση μοντέλων ανίχνευσης απάτης, συχνά χρησιμοποιώντας pipelines με feature engineering, ανίχνευση ανωμαλιών και ensemble μεθόδους. - Πιστωτική αξιολόγηση / underwriting / credit scoring
Ο (Lam, 2025), σημειώνει ότι εταιρίες Fintech και Τραπεζικά Ιδρύματα αξιοποιούν AutoML τεχνικές, για να δημιουργήσουν μοντέλα που εκτιμούν τον πιστωτικό κίνδυνο μιας αίτησης δανείου, λαμβάνοντας υπόψη δεδομένα επιχειρησιακής και μη οικονομικής φύσης (π.χ. συμπεριφορά συναλλαγών, κοινωνικά στοιχεία κ.α.). - Ρομπο – σύμβουλοι (Robo-advisors) και επενδυτικές στρατηγικές
Η έρευνα της Accenture και του (Stewart, 2016) για τον χώρο των επενδύσεων αυτοματοποιημένων πλατφορμών – Robo-advisors, δηλώνει οτι AutoML μπορεί να βοηθήσει στη διαμόρφωση μοντέλων που προβλέπουν αποδόσεις, βελτιστοποιούν χαρτοφυλάκια και προσαρμόζονται δυναμικά σε μεταβολές της αγοράς. - Διαχείριση κινδύνου (risk management), stress testing, πρόβλεψη χρεοκοπίας
To report του ινστιτούτου Alan Turing (Turing Institute), με θέμα «The AI Revolution: Opportunities and Challenges for the Finance Sector», αναφέρει ότι τα εργαλεία AutoML μπορούν να υποστηρίζουν γρήγορες προσομοιώσεις σεναρίων και ανάλυση κινδύνων (π.χ. κρίσεις ρευστότητας) με την χρήση μεταβλητών μοντέλων που ανανεώνονται αυτόματα, συχνά και ανάλογα τις ανάγκες . - Συμμόρφωση / Αντικανονικοί έλεγχοι (RegTech / SupTech)
Στο εγχειρίδιο τους με τίτλο: «Adopting SupTech for Anti-Money Laundering: A Diagnostic Toolkit» οι (Momberg & de Koker, 2020), σημειώνουν πως η χρήση ML στην εποπτεία και στα ρυθμιστικά περιβάλλοντα (π.χ. εντοπισμός ξεπλύματος χρήματος, αξιολόγηση κινδύνων συμμόρφωσης) μπορεί να ενισχυθεί με μεθόδους AutoML ώστε να αυτοματοποιηθεί η δημιουργία ανίχνευσης παρατυπιών και μηχανισμών παρακολούθησης.
Οφέλη και πλεονεκτήματα
Το AutoML προσφέρει αρκετά σημαντικά πλεονεκτήματα στον χρηματοπιστωτικό τομέα:
- Ταχύτητα ανάπτυξης μοντέλων: Επειδή αυτοματοποιούνται πολλά στάδια, η δημιουργία και η δοκιμή εναλλακτικών μοντέλων γίνεται πολύ πιο γρήγορα.
- Πρόσβαση σε μη ειδικούς: Μέσω της αυτοματοποίησης, μηχανικοί λογισμικού (software engineers) ή αναλυτές μπορούν να δημιουργήσουν μοντέλα χωρίς να απαιτείται πλήρης εξειδίκευση σε ML.
- Κλιμάκωση: Ενώ παραδοσιακά η ανάπτυξη πολλαπλών μοντέλων για διάφορες εφαρμογές (π.χ. για κάθε προϊόν δανεισμού ή πελάτη) είναι απαιτητική, το AutoML διευκολύνει το generalization. Για παράδειγμα μπορεί να επιλέξει το κατάλληλο μοντέλο (model selection) ανάλογα το δείγμα – δεδομένα – εφαρμογή.
- Βελτιστοποίηση πόρων: Η χρήση υπολογιστικών πόρων (π.χ. tuning, cross-validation) γίνεται πιο αποδοτική.
- Συνεχής ανανέωση (update) μοντέλων: Σε δυναμικά περιβάλλοντα, τα μοντέλα μπορούν να ανανεώνονται και να επαναεκπαιδεύονται αυτόματα από τα νέα δεδομένα, ανά διαστήματα, χωρίς να απαιτείται πλήρης επανασχεδίαση από τους data scientists.
- Ανταγωνιστικό πλεονέκτημα: Οι χρηματοπιστωτικοί οργανισμοί που υιοθετούν AutoML μπορούν ταχύτερα να καινοτομούν στα προϊόντα, να παρέχουν προσωποποιημένες υπηρεσίες και να ανταποκρίνονται γρήγορα σε αλλαγές αγοράς.
Προκλήσεις και μειονεκτήματα στην πράξη
Παρά τα οφέλη, η εφαρμογή των μεθόδων AutoML στον χώρο του Fintech αντιμετωπίζει σημαντικά μειονεκτήματα και περιορισμούς:
- Ερμηνευσιμότητα (Interpretability) / «black box»
Πολλά AutoML εργαλεία επιλέγουν σύνθετα μοντέλα – ensembles, τα οποία είναι δύσκολο να εξηγηθούν και έτσι καταλήγουν να αντιμετωπίζονται ως black boxes, στα οποία η πλήρης γνώση και κατά συνεπεία έλεγχος της λειτουργίας τους είναι αδύνατος. Αυτό είναι ένα σημαντικό πρόβλημα σε χρηματοπιστωτικές εφαρμογές όπου απαιτείται διαφάνεια (π.χ. σε απόρριψη δανείου) (Saiyed, 2025). - Μεροληψία (bias) και αθέμιτες αποφάσεις
Τα μοντέλα μπορεί να αναπαράγουν ιστορικές ανισότητες (π.χ. να υποεκτιμούν την πιστοληπτική ικανότητα ορισμένων ομάδων, για παράδειγμα financial illiterate, ή racial deferent). Η ανίχνευση και διόρθωση οποιασδήποτε μεροληψίας απαιτεί επιπλέον προσοχή και έλεγχο (Lam, 2025). - Ποιότητα δεδομένων και θόρυβος
Τα χρηματοπιστωτικά δεδομένα είναι συχνά ανομοιογενή, με ελλείψεις, ασυνέπειες και θόρυβο. Κακή ποιότητα δεδομένων μπορεί να οδηγήσει σε λανθασμένα μοντέλα (Lam, 2025). - Κυβερνό-επιθέσεις και ασφάλεια (adversarial attacks)
Τα μοντέλα ML μπορούν να δεχθούν επιθέσεις που εισάγουν κακόβουλα σήματα (feed – inputs) για να παραπλανήσουν το σύστημα. Αυτό είναι ιδιαίτερα κρίσιμο στον χρηματοπιστωτικό χώρο, όπου η αξιοπιστία είναι απαραίτητη. (Mengi, Singh, Sudhakar, Deepak, & Sharma, 2021) - Υψηλό κόστος υποδομών και επενδύσεων
Αν και το AutoML αυτοματοποιεί διαδικασίες, η υλοποίηση υποδομών (υπολογιστικοί πόροι, cloud, MLOps[ii] pipelines) απαιτεί επένδυση. - Κανονιστικά / νομοθετικά ζητήματα
Σύμφωνα με το εταιρικό blog της γνωστής σε όλους και μεγαλύτερης εταιρίας Fintech στον κόσμο Visa (Visa Corporate), «Four challenges facing Fintech businesses around the world», στον χρηματοπιστωτικό τομέα, υπάρχουν αυστηροί κανονισμοί (π.χ. GDPR στην Ευρώπη, κανονισμοί τραπεζικού απορρήτου, ρυθμίσεις για χορήγηση δανείων). Η χρήση αυτόματων μοντέλων πρέπει να συμμορφώνεται με αυτούς τους κανονισμούς, κάτι που μερικές φορές περιορίζει την αυτοματοποίηση. - Αντίσταση οργανισμών / πολιτισμικά εμπόδια
Οι παραδοσιακές τράπεζες ή οργανισμοί μπορεί να είναι αργοί στην αλλαγή. Η υιοθέτηση νέων τεχνολογιών αντιμετωπίζει αντίσταση από τις καθιερωμένες και παραδοσιακές τραπεζικές πρακτικές. - Συνδυασμός με legacy συστήματα
Πολλές χρηματοπιστωτικές υπηρεσίες λειτουργούν με παλαιές υποδομές (legacy systems). Η ενσωμάτωση νέων AutoML με αυτά τα συστήματα είναι δύσκολη και συχνά απαιτεί πλήρη ανασχεδιασμό για κάποιο νέο implementation.
Εμπόδια υιοθέτησης και περιορισμοί
Υπάρχουν μερικά επιπλέον εμπόδια πέρα από τα τεχνικά που συχνά παραβλέπονται:
- Έλλειψη τεχνογνωσίας: Ακόμα και αν το AutoML απλοποιεί διαδικασίες, απαιτείται γνώση για σωστό χειρισμό, παρακολούθηση και ερμηνεία των αποτελεσμάτων.
- Πιστοποίηση / έλεγχος ποιότητας: Τα μοντέλα πρέπει να εγκρίνονται, να ελέγχονται και να τεκμηριώνονται, ειδικά σε εργασιακό περιβάλλον.
- Απόσπαση ευθύνης: Ποιος είναι υπεύθυνος για λάθη του μοντέλου; Σε περιπτώσεις «αυτόματων αποφάσεων», πρέπει να υπάρχει ανθρώπινος έλεγχος.
- Κόστος μετάβασης: Η μετάβαση από παλιά μοντέλα σε AutoML μπορεί να έχει κόστος (επανακατασκευή pipelines, εκπαίδευση προσωπικού, διαλειτουργικότητα).
- Ψυχολογικοί / εμπιστοσύνη: Οι αποφάσεις ενός «αυτόματου» συστήματος μπορεί να εγείρουν επιφυλάξεις σε πελάτες ή ρυθμιστικές αρχές αν δεν είναι διαφανείς.
Παρά αυτά τα εμπόδια, τα χρηματοπιστωτικά ιδρύματα και οι fintech εταιρείες δείχνουν αυξανόμενο ενδιαφέρον για AutoML, ιδίως όπου η ταχύτητα και η δυναμική αναπροσαρμογή είναι κρίσιμες.
Η μελλοντική πορεία — Τι μπορούμε να αναμένουμε
Τάσεις και εξελίξεις
- Υβριδικά συστήματα — άνθρωπος + AutoML
Είναι πιθανή η ανάπτυξη υβριδικών πλαισίων όπου το AutoML υλοποιεί την πρώτη φάση των μοντέλων και οι ειδικοί πραγματοποιούν fine-tuning και έλεγχο. - Αυτόματη εξήγηση μοντέλων (Auto-XAI)
Για να ξεπεραστεί το πρόβλημα της ερμηνευσιμότητας, θα πρέπει ενσωματωθούν αυτόματα εργαλεία εξήγησης XAI[iii] στα AutoML συστήματα. - Αυτόματη αντιμετώπιση μεροληψίας (bias mitigation)
Η ενσωμάτωση βημάτων ελέγχου bias και τεχνικών αντιρρύθμισης στα pipelines (π.χ. reweighting, adversarial debiasing) θα γίνει πιο διαδεδομένη. - Streaming / online learning AutoML
Σε περιβάλλοντα όπου τα δεδομένα λαμβάνονται συνεχώς (Streaming), όπως σε συναλλαγές σε πραγματικό χρόνο, θα αναπτυχθούν AutoML συστήματα που εκπαιδεύονται online, on the spot και να αναπροσαρμόζονται σε real time. - AutoML για πολύπλοκα/μικτά δεδομένα
Οι χρηματοπιστωτικές εφαρμογές χρησιμοποιούν συχνά μικτά δεδομένα (π.χ. πίνακες, κείμενα, εικόνες). Η ενσωμάτωση pipelines αυτόματης αναγνώρισης για τέτοια δεδομένα θα πρέπει να ενισχυθεί. - Συνεργασία AutoML + μεγάλων γλωσσικών μοντέλων (LLMs) / Γεννητικά μοντέλα
Τα Generative AI συστήματα μπορούν να συνδυαστούν με AutoML για δημιουργία χαρακτηριστικών (feature generation), ανάλυση κειμένου (π.χ. εσωτερικές εκθέσεις, επικοινωνίες). - Ρύθμιση (Regulation) και εποπτικός πειραματισμός (regulatory sandboxing)
Οι ρυθμιστικές αρχές θα δημιουργήσουν πλαίσια πειραματισμού (sandboxes) για αξιολόγηση αυτόματων μοντέλων, ώστε να διασφαλιστεί η ασφάλεια και η διαφάνεια. (Turing Institute) - Ανάπτυξη specialized AutoML applications για fintech
Αντί για γενικές λύσεις, οι δυνατότητες αυξημένης παραμετροποίησης των AutoMLs, μπορούν να βοηθήσουν στη δημιουργία εξειδικευμένων εργαλείων για FinTech εφαρμογές, με ενσωματωμένες απαραίτητες για τον χρηματοοικονομικό κλάδο λειτουργίες όπως: συμμόρφωσης, αξιολόγησης ρίσκου κ.α. - Διεπιστημονική συνεργασία
Οι ομάδες FinTech, LegalTech, Cybersecurity και ML θα συνεργάζονται στενότερα για να ενσωματώσουν την κανονιστική συμμόρφωση, την ασφάλεια και τη διαφάνεια στον σχεδιασμό νέων συστημάτων.
Προβλεπόμενη υιοθέτηση και δομή αγοράς
Η (Gomes, 2025) γράφει CTO Magazine:
- H αγορά τεχνολογιών A.I. στο χρηματοπιστωτικό τομέα προβλέπεται να αυξηθεί σημαντικά, εκτιμάται να φτάσει σε δεκάδες δισεκατομμύρια δολάρια τα επόμενα χρόνια.
- Οι μεγάλες τράπεζες και οργανισμοί θα αρχίσουν να ενσωματώνουν AutoML σε εσωτερικές πλατφόρμες MLops.
- Οι Fintech Startups θα χρησιμοποιούν AutoML για ταχύτερη κυκλοφορία προϊόντων, ενώ οι ανταγωνιστές που δεν το υιοθετούν κινδυνεύουν να μείνουν πίσω.
- Η συνεργασία μεταξύ Fintech Startups / Τράπεζών και AutoML Hubs (είτε open-source είτε εμπορικές λύσεις) θα ενταθεί.
Σύνοψη: Πλεονεκτήματα, Μειονεκτήματα, Ευκαιρίες, Κίνδυνοι.
Table 1. AutoML, SWOT Analysis
| Κατηγορία | Πλεονεκτήματα / Ευκαιρίες | Μειονεκτήματα / Κίνδυνοι |
| Ταχύτητα και παραγωγικότητα | Δημιουργία μοντέλων ταχύτερα, γρηγορότερη ανταπόκριση σε αλλαγές αγοράς. | Κίνδυνος υπεραπλοποίησης ή λανθασμένων μοντέλων αν δεν υπάρχει έλεγχος. |
| Πρόσβαση / δημοκρατικοποίηση | Μη ειδικοί μπορούν να αναπτύξουν μοντέλα. | Απαιτείται τεχνική γνώση για debugging και παρακολούθηση. |
| Κλιμάκωση | Πολλαπλά προϊόντα / εφαρμογές με λιγότερη επιβάρυνση. | Force-fit μοντέλο σε χαμηλής έντασης προβλήματα. |
| Συνεχής ανανέωση | Προσαρμογή σε δυναμικά περιβάλλοντα. | Κίνδυνος «drift» ή υπερπροσαρμογής αν δεν υπάρχει έλεγχος. |
| Ερμηνευσιμότητα & εμπιστοσύνη | Ενδεχομένως με Auto-XAI να μειώνονται οι αντιρρήσεις. | Μοντέλα black-box μπορεί να απορριφθούν από εποπτικές – ρυθμιστικές αρχές και από πελάτες. |
| Κανονιστική συμμόρφωση | Μελλοντικά ειδικές λύσεις θα ενσωματώσουν κανόνες | Η έλλειψη τυποποιημένων κατευθυντήριων οδηγών αποτελεί εμπόδιο |
| Κόστος υποδομών | Αρχικά υψηλό, αλλά μακροπρόθεσμα αποδοτικό | Υψηλά κόστη GPU, διαχείριση pipelines, υποστήριξη MLOps |
| Ασφάλεια / επιθέσεις | Αυξημένη ανάγκη για αξιοπιστία | Ευπάθειες adversarial cybersecurity attacks, κακόβουλες εισροές |
Συμπεράσματα και προτάσεις
Το AutoML έχει ήδη αρχίσει να επηρεάζει σημαντικά τον χώρο του Fintech, προσφέροντας ταχεία ανάπτυξη μοντέλων, δυνατότητα κλιμάκωσης και αυξημένη παραγωγικότητα. Ωστόσο, η υιοθέτηση του δεν είναι χωρίς προκλήσεις: προβλήματα ερμηνευσιμότητας, μεροληψίας, ενσωμάτωσης σε legacy συστήματα, κόστους υποδομών και κανονιστικών περιορισμών συνεχίζουν να είναι σημαντικά εμπόδια.
Για να αξιοποιηθεί πλήρως η δυναμική του AutoML στον χρηματοπιστωτικό τομέα, απαιτείται προσεκτικός σχεδιασμός, συνδυασμός τεχνικών και νομικών γνώσεων και συνεργασία μεταξύ τεχνολογικών, επιχειρηματικών και ρυθμιστικών φορέων. Η πορεία που φαίνεται πιθανότερη είναι αυτή της σταδιακής υιοθέτησης υβριδικών συστημάτων που συνδυάζουν αυτοματισμό και ανθρώπινη επίβλεψη, καθώς και της δημιουργίας εξειδικευμένων AutoML εργαλείων για χρηματοπιστωτικές εφαρμογές.
Το μέλλον είναι λαμπρό για αυτούς που μπορούν να το οραματιστούν.
“In the realm of ideas everything depends on enthusiasm… in the real world all rests on perseverance.”
Johann Wolfgang von Goethe (1749-1832)
Αναφορές
Anton, V., Alexander, R., Maxim, S., Dmitry, S., Rinchin, D., & Alexander, T. (2021). LightAutoML: AutoML Solution for a Large Financial Services Ecosystem. arxiv.org.
Gomes, G. (2025, July 10). Fintech Trends to Watch Out For in 2025 and Beyond. Ανάκτηση από ctomagazine: https://ctomagazine.com/fintech-trends-to-watch-out-for-2025-beyond/?utm_source=chatgpt.com
Hutter, F., Kotthoff, L., & Vanschoren, J. (2019). Automated Machine Learning. Methods, Systems, Challenges. Springer.
Lam, A. Y. (2025). Artificial Intelligence Applications in Financial Technology. Journal of Theoretical and Applied Electronic Commerce Research, 20(1).
Mengi, G., Singh, S., Sudhakar, K., Deepak, M., & Sharma, A. (2021). Automated machine learning (AutoML): The future of computational intelligence. International conference on cyber security, privacy and networking (σσ. 309-317). Springer International Publishing.
Momberg, R., & de Koker, L. (2020). Adopting SupTech for Anti-Money Laundering: A Diagnostic Toolkit. academia.edu.
Saiyed, A. (2025). ΑΙ-Driven Innovations in Fintech: Applications,. International Journal of Electrical and Computer Engineering Research, 8-15.
Stewart, C. (2016). The Rise of Robo-Advice. . Accenture Wealth Management Inquiry.
Thornton, C., Frank, H., Holger , H. H., & Leyton-Brown, K. (2013). Auto-WEKA: Combined selection and hyperparameter optimization of classification algorithms. In Proceedings of the 19th ACM SIGKDD international conference on Knowledge discovery and data mining, (σσ. pp. 847-855.).
[i] Pipeline: Μια αλυσίδα αυτοματοποιημένων διεργασιών που συνδέονται μεταξύ τους, έτσι ώστε η έξοδος του ενός βήματος να γίνεται είσοδος για το επόμενο.
[ii] Machine Learning Operations
[iii] Explainable Artificial Intelligence
Ο κ. Αθανάσιος Σιαμέτης είναι Διδάκτωρ (υ) ΕΚΠΑ, έμπειρος Χρηματοοικονομικός Αναλυτής, με ισχυρές αναλυτικές δεξιότητες και εξειδίκευση στους τομείς της τραπεζικής, της πιστωτικής ανάλυσης, της εμπορικής τραπεζικής και της διαχείρισης πιστωτικού κινδύνου, και C.O.O. στην Inforex AE.
