Projecten

AI4FinTech voert toonaangevend onderzoek uit op het snijvlak van kunstmatige intelligentie en financiële technologie. Onze projecten richten zich op uitdagingen zoals fraudedetectie, regelgeving, risicobeheer en financiële stabiliteit. We ontwikkelen AI-methodologieën zoals machine learning, natuurlijke taalverwerking (NLP) en verklarende AI (XAI) om complexe financiële processen te analyseren en te verbeteren.

AI4FinTech werkt samen met academische instellingen, banken, fintechbedrijven en regelgevende instanties om AI-oplossingen te ontwikkelen die direct toepasbaar zijn in de financiële sector. Onze samenwerkingen zorgen ervoor dat ons onderzoek aansluit bij de behoeften van de sector en bijdragen aan een veiligere en transparantere financiële wereld. Hieronder volgt een overzicht van onze lopende projecten en strategische partnerschappen.

AIDA: Artificial Intelligence for Due-Diligence Analysis

Dit project ontwikkelt AI-gestuurde informatieopslag- en NLP-technologieën voor e-discovery en due diligence-analyse van financiële en juridische documenten. Het doel is juridische professionals te ondersteunen bij het vinden van essentiële informatie in grote datasets.

PHD Student: Madhukar Dwivedi
Begeleiders: Marc Francke (ABS), Jaap Kamps (ILLC)
Externe Partners: Imprima, Zuva AI

ESG Regulation Impact on Financial Stability

In dit project analyseren we de drijvende krachten achter ESG-ratings met behulp van ML- en XAI-technieken, wat zal leiden tot een beter begrip van hoe bedrijven geraakt worden door ESG-regelgeving. De inzichten uit deze analyse stellen ons in staat om in een simulatiestudie – gebaseerd op agent-based modellen en realistische scenario’s uit empirische data – de effecten op financiële stabiliteit te onderzoeken.

PhD Student: Matteo Valle
Begeleiders: Simon Trimborn (ASE), Debraj Roy (IvI)
Externe Partner: ING

HyperMining: Explainable Anti-Money Laundering

In dit project streven we naar de ontwikkeling van een vernieuwende methode voor het opsporen van witwaspraktijken, gebaseerd op geavanceerde AI-technieken met hypergraafrepresentaties en process mining. Deze aanpak biedt een samenhangend beeld van de betrokken transacties, kan de complexiteit van de data aan en blijft tegelijk begrijpelijk voor experts, zodat zij hun analyses en beslissingen goed kunnen onderbouwen.

PhD Student: Fatemeh Gholamzadeh Nasrabadi
Begeleiders: Marcel Worring (IvI), Michael Werner (ABS)
Externe Partner: Transaction Monitoring Netherlands

Knowledge-Driven Learning for XAI in Fraud Detection

In dit project ontwikkelen we een innovatieve aanpak voor het bestrijden van witwaspraktijken, gebaseerd op geavanceerde AI-methoden met hypergraafrepresentaties en process mining. Deze combinatie biedt een integraal overzicht van de betrokken transacties, kan omgaan met de complexe aard van de data en blijft tegelijk begrijpelijk voor experts die de data analyseren, zodat zij hun beslissingen goed kunnen onderbouwen.

PhD Student: Adia Lumadjeng
Begeleiders: Erman Acar (IvI/ILLC), Ilker Birbil (ABS)
Externe Partners: ABN AMRO

Robuuste fraudedetectie met causale ML

Betaalplatforms zoals Adyen zetten technologie in om fraude effectief op te sporen. Dat is geen eenvoudige opgave, omdat zowel legitiem als frauduleus klantgedrag voortdurend verandert, en ook per markt verschilt. Machine learning speelt hierin een sleutelrol, maar bestaande methoden zijn gevoelig voor het aanleren van misleidende verbanden. Dit project heeft als doel om machine learning-technieken te ontwikkelen die geïnspireerd zijn op causaliteit, om zo de robuustheid van fraudedetectie te verbeteren bij veranderingen in de data.

PhD Student: Jakub Reha
Begeleiders: Sara Magliacane (IvI), Ana Mickovic (ABS)
Externe Partner: Adyen

Systemen voor AI-datakwaliteit in de financiële sector

De impact van fouten in data op de output van AI-modellen is lastig te voorspellen en te meten, terwijl zulke fouten wel degelijk risico’s opleveren voor compliance met regelgeving. Dit project richt zich daarom op het ondersteunen van niet-technische gebruikers bij het valideren en verbeteren van de kwaliteit van hun data. Zij moeten datakwaliteitsregels kunnen formuleren in natuurlijke taal. We ontwikkelen een data-gedreven aanpak die zulke regels inzet om domeinexperts te helpen bij het verfijnen van datakwaliteitsregels en het uitvoeren van “stresstests” op AI-modellen verderop in de keten. Dit project is bij uitstek geschikt voor iemand met een sterke data engineering-achtergrond en interesse in samenwerking met domeinexperts.

PhD Student: Yichun Wang
Begeleiders: Sebastian Schelter (IvI), Kristina Irion (IViR)
Externe Partner: ABN-AMRO

Data-gedreven wiskundige modellering en computationele methoden voor het prijzen en hedgen van hernieuwbare energiecontracten

De groeiende rol van hernieuwbare energiebronnen zorgt voor een fundamentele verschuiving in energiemarkten richting een duurzamer en groener systeem. Deze transitie brengt echter ook nieuwe typen risico’s met zich mee, zoals volume-, net- en klimaatgebaseerde risico’s. Dit project richt zich op het prijzen en hedgen van hernieuwbare energiecontracten die onder invloed staan van deze risicofactoren, met speciale aandacht voor computationele methodologieën. Door geavanceerde wiskundige modellen te combineren met data-gedreven technieken, beoogt het onderzoek robuuste strategieën te ontwikkelen voor het effectief beheersen van deze opkomende risico’s.

PhD Student: Konstantinos Chatziandreou
Supervisors: Sven Karbach (KDVI/IVI), Drona Kandhai (KDVI/IvI)
External partner: -

Reinforcement learning voor geïntegreerde authenticatie en autorisatie van transacties

Bij het authenticeren en autoriseren van transacties moeten verschillende beslissingen worden genomen, die momenteel vaak worden ondersteund door afzonderlijke modellen in een pipeline. Een meer geïntegreerde aanpak kan leiden tot beter onderbouwde beslissingen, maar vraagt om complexe optimalisatie in een hoog-dimensionale ruimte. In dit project zetten we reinforcement learning in om dit optimalisatieprobleem aan te pakken. Daarbij richten we ons op uitdagingen zoals een hoog-dimensionale actieruimte, off-line leren en evaluatie, en het balanceren van meerdere doelstellingen.

Student:Adi Watzman
Supervisor: Herke van Hoof (IvI)
External Partner: Adyen

Causale drijfveren van gebruikersgedrag in transactieprocessen achterhalen via hergebruik van data en gerichte A/B-tests

Veel stappen in het goedkeuringsproces van transacties zijn gericht op het modelleren van causale factoren achter gebruikersgedrag — bijvoorbeeld welke vorm van authenticatie of autorisatie leidt tot minder frictie bij betalingen voor specifieke gebruikersgroepen. Het inschatten van zulke causale effecten gebeurt vaak via A/B-tests, die kostbaar zijn en slechts een beperkte groep gebruikers omvatten. De resultaten van deze tests worden zelden hergebruikt of gecombineerd met eerdere experimenten of observaties. Dit project richt zich op het hergebruiken van data uit eerdere A/B-tests en het ontwerpen van gerichtere, efficiëntere en goedkopere experimenten. Zo willen we causale inzichten in gebruikersgedrag op een betrouwbare en robuuste manier verwerven.

Student: Roel Huisman
Begeleider: Sara Magliacane (IvI)
External Partner: Adyen

Mechanistische interpreteerbaarheid voor time-series transformers

Het succes van transformers bij het verwerken van sequentiële data voor taal- en visuele taken (zoals ChatGPT, DALL-E) heeft geleid tot grote belangstelling voor het toepassen van deze modellen op voorspellingsvraagstukken. Hierdoor zijn er talloze onderzoeksvoorstellen ontstaan die veel aandacht trekken en tegelijkertijd discussie en scepsis oproepen over de werkelijke capaciteiten van deze van nature black-box modellen. Dit project wil deze zorgen aanpakken door een mechanistische interpreteerbaarheidsaanpak te hanteren—een benadering die waardevol is gebleken bij het begrijpen van taal- en visuele modellen. Op deze manier streven we ernaar om meer inzicht te bieden in de interne werking van time-series transformers.

PhD student: Angela van Sprang
Begeleiders: Erman Acar (IvI/ILLC), Jelle Zuidema (ILLC)