Dergiler / Advances in Artificial Intelligence Research / 2025 / Cilt: 5 Sayı: 2

Yapay Zeka Kullanarak Kara Para Aklamayla Mücadele

Combating Money Laundering using Artificial Intelligence

Ufuoma Ogude(University of Lagos)0009-0002-0324-1419
Michael Asefon(National Open University of Nigeria)0009-0006-1671-8182
Chizoma Chikere(Federal Polytechnic Nekede)0009-0004-2421-7092
Azizat Adekoya(Virginia Commonwealth University)0009-0001-5025-0142
Samuel Okorie(Federal University of Technology Owerri)0009-0000-3268-4986
Sayfa
66–80
Yayın Tarihi
2025-12-23
🏛️Bu makalenin bibliyografik verileri ve tam metin bağlantısı DergiPark üzerinden sağlanmıştır.
DergiPark Kaydı ↗
✨

Yapay Zeka Hızlı Bakış & Çıkarımlar

AI Insight
⚡ TL;DR(1 Cümlede Hızlı Çıkarım)

Makalenin hedefleri, dolandırıcılık tespiti için üretken bir derin öğrenme modeli oluşturmak ve değerlendirmek, finansal suçların risklerini analiz etmek ve önerilen yöntemi geleneksel yaklaşımlarla karşılaştırmaktır.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Bu araştırma, kara para aklamanın, döngüsünün ve Nijerya'da ve küresel olarak tespit edilmesindeki zorlukların kapsamlı bir taslağını sunmaktadır.
📊
Temel Bulgular & Veri:Finansal suçları tespit etmek için kullanılan geleneksel, kural tabanlı modellerin, yüksek yanlış pozitif oranları ve statik yapıları nedeniyle etkisiz olduğunu savunmaktadır.
💡
Sonuç & Katkı:Makalenin hedefleri, dolandırıcılık tespiti için üretken bir derin öğrenme modeli oluşturmak ve değerlendirmek, finansal suçların risklerini analiz etmek ve önerilen yöntemi geleneksel yaklaşımlarla karşılaştırmaktır.
🔬Tür:Modelleme & Sayısal Simülasyon
📍Kapsam:Genişletilmiş Akademik Örneklem
⚙️Değişkenler:Kümeleme · Derin Öğrenme · Makine Öğrenimi

Özet

Bu araştırma, kara para aklamanın, döngüsünün ve Nijerya'da ve küresel olarak tespit edilmesindeki zorlukların kapsamlı bir taslağını sunmaktadır. Finansal suçları tespit etmek için kullanılan geleneksel, kural tabanlı modellerin, yüksek yanlış pozitif oranları ve statik yapıları nedeniyle etkisiz olduğunu savunmaktadır. Araştırma, özellikle kümeleme modeli kullanan gözetimsiz bir yaklaşım olmak üzere, modern makine öğrenimi ve derin öğrenmeden yararlanan bir çözüm önermektedir. Bu metodoloji, anormallikleri ve gelişen kalıpları tespit ederek kara para aklamanın "yerleştirme" aşamasında şüpheli işlemleri tespit etmeyi amaçlamaktadır. Dolandırıcılık tespiti için üretken bir derin öğrenme modeli geliştirmek ve değerlendirmek, finansal suçların olasılığını değerlendirmek ve önerilen metodolojiyi geleneksel yöntemlerle karşılaştırmak bu araştırmanın hedefleridir. Makalenin hedefleri, dolandırıcılık tespiti için üretken bir derin öğrenme modeli oluşturmak ve değerlendirmek, finansal suçların risklerini analiz etmek ve önerilen yöntemi geleneksel yaklaşımlarla karşılaştırmaktır.

Abstract

This research provides a comprehensive outline of money laundering, its cycle, and the challenges of detecting it, in Nigeria and globally. It argues that traditional, rule-based models for identifying financial crimes are inefficient as a result of their high false-positive rates and static nature. The research proposes a solution leveraging modern machine learning and deep learning, specifically an unsupervised approach using a clustering model. This methodology aims to identify suspicious transactions during the “placement” stage of money laundering by detecting anomalies and evolving patterns. Developing and assessing a generative deep learning model for fraud detection, assessing the likelihood of financial crimes, and contrasting the suggested methodology with conventional methods are the goals of this research. The paper’s objectives are to create and evaluate a generative deep learning model for fraud detection, analyse the risks of financial crimes, and compare the proposed method against traditional approaches

🔖

Bu Makaleye Atıf Yap

Ogude, U., Oloko, B., Isijola, A., Asefon, M., Chikere, C., Adekoya, A., Okorie, S. (2025). Yapay Zeka Kullanarak Kara Para Aklamayla Mücadele. Advances in Artificial Intelligence Research, Cilt: 5 Sayı: 2, 66–80. https://doi.org/10.54569/aair.1829876

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (26)

  1. Central Bank of Nigeria. (2013). Anti-Money Laundering and Combating the Financing of Terrorism in Banks and Other Financial Institutions in Nigeria Regulations. Lagos: Federal Republic of Nigeria Official Gazette. https://www.cbn.gov.ng/out/2014/fprd/aml%20act%202013.pdf
  2. Lessambo, F. I. (2023). Anti-Money Laundering, Counter Financing Terrorism, and Cybersecurity in the banking industry: A Comparative Study within the G-20. Edited by Philip Molyneux, Springer Nature Switzerland AG. https://www.scribd.com/document/640072311
  3. Gerlings, J. & Constantiou, I. (2023). Machine Learning in Transaction Monitoring: The Prospect of xAI. In Proceedings of the 56th Hawaii International Conference on System Sciences, Copenhagen. https://doi.org/10.48550/arXiv.2210.07648
  4. Sjögren, S. (2023). Anomaly detection with machine learning methods at Forsmark. https://urn.kb.se/resolve?urn=urn:nbn:se:uu:diva-503356
  5. Jensen, R. I., Ferwerda, J., Jørgensen, K. S., Jensen, E. R., Borg, M., Krogh, M. P., Jensen, J. B., & Iosifidis, A. (2023). A Synthetic Data Set to Benchmark Anti-money Laundering Methods. Scientific Data, 10(1), 1-10. https://doi.org/10.1038/s41597-023-02569-2
  6. Nigerian Financial Intelligence Unit (NFIU). (2019). Annual Report. https://www.nfiu.gov.ng/AnnualReport
  7. EFCC, 2022 Narrative of Conviction. (2023). https://www.efcc.gov.ng/efcc/images/pdfs/3785_Convictions_recorded_in_2022.pdf
  8. EFCC, 2021 Conviction List. (2022). https://www.efcc.gov.ng/efcc/images/2220_Convictions_recorded_in_2021.pdf
  9. EFCC, 2020 Convictions. (2021). https://www.efcc.gov.ng/efcc/images/2020_Convictions__Final_Compilations.pdf
  10. Nigeria Sanctions Committee. (2024). Designation of Individuals and Entity by The Nigeria Sanctions Committee. https://nigsac.gov.ng/downloads/Designations%20and%20Narrative%20Summary%20for%2018th%20March%202024.pdf
  11. Brownlee, J. (2020). D⁠a⁠t⁠a⁠ ⁠P⁠r⁠e⁠p⁠a⁠r⁠a⁠t⁠i⁠on⁠ ⁠f⁠o⁠r⁠ ⁠⁠M⁠a⁠c⁠h⁠i⁠n⁠e Learning: Data Cleaning, Feature Selection, and Data Transforms in Python (Version 1.1). Machine Learning Mastery. http://103.203.175.90:81/fdScript/RootOfEBooks/E%20Book%20collection%20-%202024%20-%20B/CSE%20%20IT%20AIDS%20ML/Data%20Preparation%20for%20Machine%20Learning.pdf
  12. Emam, K. E., Mosquera, L., & Hoptroff, R. (2020). Practical Synthetic Data Generation: Balancing Privacy and the Broad Availability of Data. O’Reilly Media, Inc. https://www.oreilly.com/library/view/practical-synthetic-data/9781492072737/
  13. Gursakal, N., Celik, S., & Birisci, E. (2022). Synthetic Data for Deep Learning: Generate Synthetic Data for Decision Making and Applications with Python and R. Apress. http://dx.doi.org/10.1007/978-1-4842-8587-9
  14. Federal Financial Institutions Examination Council (FFIEC). (2021). Politically Exposed Persons. https://www.ffiec.gov/press/PDF/Politically-Exposed-Persons.pdf
  15. Verdhan, V. (2023). Mastering Unlabeled Data (Version 6 ed.). Manning Publications Co. https://dokumen.pub/mastering-unlabeled-data-meap-v06.html
  16. Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep Learning: MIT Press. http://dx.doi.org/10.1007/s10710-017-9314-z
  17. Adari, S. K. & Alla, S. (2024). Beginning Anomaly Detection Using Python-Based Deep Learning: Implement Anomaly Detection Applications with Keras and PyTorch (Second Edition). Apress. https://doi.org/10.1007/979-8-8688-0008-5
  18. Saporta, G. & Maraney, S. (2022). Practical Fraud Prevention: Fraud and AML Analytics for Fintech and eCommerce, using SQL and Python. O’Reilly Media, Inc. https://www.oreilly.com/library/view/practical-fraud-prevention/9781492093312/
  19. Xing, E. P. 10701 Machine Learning: Clustering. Lecture slides, School of Computer Science, Carnegie Mellon University, Pittsburgh, PA, USA. https://www.cs.cmu.edu/~epxing/Class/10701/slides/clustering.pdf
  20. Nigerian Financial Intelligence Unit (NFIU). (2024). Advisory & Guidance. https://www.nfiu.gov.ng/AdvisoryAndGuidance
  21. Jullum, M., Loland, A., Huseby, R. B., Anonsen, G., & Lorentzen, J. (2020). Detecting money laundering transactions with machine learning. Journal of Money Laundering Control, 23(1), 173-186. http://dx.doi.org/10.1108/JMLC-07-2019-0055
  22. Special Control Unit Against Money Laundering (SCUML). (2024). Guidelines and Circulars. https://scuml.org/?page_id=109
  23. International Finance Corporation (IFC). (2019). Anti-Money Laundering (AML) & Countering Financing of Terrorism (CFT): Risk Management in Emerging Market Banks - Good Practice Note. Washington, D.C.: (IFC). https://www.ifc.org/content/dam/ifc/doc/mgrt/45464-ifc-aml-report.pdf
  24. Emam, K. E., Mosquera, L., & Hoptroff, R. (2020). Practical Synthetic Data Generation: Balancing Privacy and the Broad Availability of Data. O’Reilly Media, Inc. https://www.oreilly.com/library/view/practical-synthetic-data/9781492072737/
  25. Verdhan, V. (2023). Mastering Unlabeled Data (Version 6 ed.). Manning Publications Co. https://dokumen.pub/mastering-unlabeled-data-meap-v06.html
  26. Saporta, G. & Maraney, S. (2022). Practical Fraud Prevention: Fraud and AML Analytics for Fintech and eCommerce, using SQL and Python. O’Reilly Media, Inc. https://www.oreilly.com/library/view/practical-fraud-prevention/9781492093312/