Nâng cao phát hiện gian lận tín dụng bằng học máy và Explainable AI

Abstract

Sự bùng nổ của công nghệ số đã mở ra nhiều cơ hội cho việc ứng dụng trí tuệ nhân tạo (AI) trong lĩnh vực tài chính, nhưng đồng thời cũng làm gia tăng đáng kể các hoạt động gian lận giao dịch tín dụng, đặt ra những thách thức lớn về tính minh bạch và trách nhiệm giải trình đối với các mô hình AI phức tạp. Trí tuệ nhân tạo giải thích được (Explainable AI - XAI) đã nổi lên như một giải pháp tiềm năng, tập trung vào việc làm sáng tỏ các quyết định của các mô hình học máy (Machine Learning - ML), từ đó nâng cao niềm tin và hiệu quả triển khai trong các lĩnh vực nhạy cảm như tài chính. Nghiên cứu này đề xuất một phương pháp cải tiến nhằm phát hiện gian lận giao dịch tín dụng, kết hợp giữa các mô hình học máy tiên tiến và XAI, với mục tiêu đạt được sự cân bằng giữa hiệu suất dự đoán và khả năng diễn giải. Phương pháp được triển khai thông qua việc áp dụng bốn mô hình học máy, bao gồm Logistic Regression, Random Forest, Decision Tree và XGBoost. Mô hình tối ưu được lựa chọn là XGBoost với Accuracy (0.999878), AU-PRC (0.998907), Recall (0.976798), Precision (0.99763) và F1-Score (0.987104). Sau đó được tích hợp với các kỹ thuật XAI, cụ thể là SHAP (SHapley Additive exPlanations) và LIME (Local Interpretable Model-agnostic Explanations), nhằm đảm bảo tính minh bạch trong quá trình ra quyết định. Kết quả nghiên cứu cho thấy phương pháp đề xuất không chỉ vượt qua được hạn chế của các mô hình "hộp đen" mà còn cung cấp các giải thích rõ ràng, dễ hiểu về cách thức đưa ra quyết định, đáp ứng nhu cầu minh bạch từ các bên liên quan, bao gồm cơ quan quản lý, chuyên gia tài chính và người dùng cuối.