Data on global financial statistics demonstrate that total losses from fraudulent transactions around the world are constantly growing. The issue of payment fraud will be exacerbated by the digitalization of economic relations, in particular the introduction by banks of the concept of "Bank-as-a-Service", which will increase the burden on payment services. The aim of this study is to synthesize effective models for detecting fraud in digital payment systems using automated machine learning and Big Data analysis algorithms. Approaches to expanding the information base to detect fraudulent transactions have been proposed and systematized. The choice of performance metrics for building and comparing models has been substantiated. The use of automatic machine learning algorithms has been proposed to resolve the issue, which makes it possible in a short time to go through a large number of variants of models, their ensembles, and input data sets. As a result, our experiments allowed us to obtain the quality of classification based on the AUC metric at the level of 0,977 - 0,982. This exceeds the effectiveness of the classifiers developed by traditional methods, even as the time spent on the synthesis of the models is much less and measured in hours. The models' ensemble has made it possible to detect up to 85,7 % of fraudulent transactions in the sample. The accuracy of fraud detection is also high (79 - 85 %). The results of our study confirm the effectiveness of using automatic machine learning algorithms to synthesize fraud detection models in digital payment systems. In this case, efficiency is manifested not only by the resulting classifiers' quality but also by the reduction in the cost of their development, as well as by the high potential of interpretability. Implementing the study results could enable financial institutions to reduce the financial and temporal costs of developing and updating active systems against payment fraud, as well as improve the effectiveness of monitoring financial transactions.

With the daily increase in document flow, as well as the transition to paperless document management around the world, the demand for electronic document management systems is increasing. This significantly requires optimization of these systems in terms of quality document information retrieval and document management. However, research based on statistical methods cannot effectively handle large amounts of data extracted from electronic documents. In this regard, machine learning methods can effectively solve this problem. This paper presents an approach to building a model of an intelligent document management system using machine learning techniques to ensure efficient employee performance in organizations. The authors have solved a number of problems to optimize each of the document management subsystems, resulting in the development of an intelligent document management system model, which can be effectively applied to enterprises, government and corporate institutions. The feasibility and effectiveness of the proposed model of intelligent document management system based on machine learning and multi-agent modeling of information retrieval processes provides maximum reliability and reduced time of work on documents. The obtained results show that with the help of the presented model it is possible to further develop an intelligent document management system that will allow an electronic document to qualitatively go through the whole life cycle of a document, starting from the moment of document registration and finishing with its closing, i.e. execution, which will greatly facilitate the daily work of users with large volumes of documents. At the same time, the paper considers the application of topic modeling methods and algorithms of text analysis based on a multi-agent approach, which can be used to build an intelligent document management system.

Машинне навчання - це специфічна галузь штучного інтелекту, яка дозволяє інформаційній системі самостійно навчатися та вдосконалюватися за допомогою нейронних мереж і глибинного навчання, без необхідності спеціального програмування, шляхом обробки великих обсягів даних. З активізацією банківської діяльності на глобальному рівні в кіберпросторі суттєво загострилися проблеми, що прийнято класифікувати як види банківського шахрайства. Боротьба з ними вимагає вивчення гігантського обсягу інформації, що може бути досягнуто тільки за допомогою рішень на базі штучного інтелекту, в тому числі з використанням технологій автоматичного навчання. Системи на основі автоматичного навчання здатні не тільки аналізувати наявну інформацію, а й робити певні прогнози та самонавчальні висновки, що дозволяє не тільки виявляти існуючі форми банківського шахрайства, але й певною мірою запобігати йому, виявляючи аномалії в поведінці клієнтів. На даний момент світова інформаційна індустрія розробила різні форми автоматичного навчання, які можуть бути адаптовані до виявлення шахрайства в різних формах банківської діяльності. Розробка, впровадження та подальший розвиток банківських інформаційних систем на основі автоматичного навчання вимагає проходження певних етапів та дотримання обов'язкових правил.

Наведено попит поширення платіжних систем. Таке поширення пов'язане з розвитком технологій. Виокремлено відкрите питання застосування платіжних систем - шахрайство. Встановлено, що не існує ефективного алгоритму, який би був стандартом для всіх фінансових установ при виявленні, запобіганні шахрайства. Це пов'язано з тим, що підходи до шахрайства є динамічними та вимагають постійної переробки прогнозів. Визначено перспективи розвитку науково-практичних підходів попередження шахрайських операцій при здійсненні транзакцій. Установлено, що машинне навчання є доречним у вирішенні задач виявлення шахрайства у платіжних системах. Але виявлення шахрайства в платіжних системах полягає не тільки в побудові самого алгоритмічного ядра, але й у побудові надійної автоматизованої системи, яка в режимі реального часу, за умови високого навантаження, здатна керувати потоками даних та ефективно оперувати алгоритмічним ядром системи. Описано архітектуру, принципи та моделі функціонування, інфраструктуру автоматизованої системи виявлення шахрайства в платіжних системах. Визначено доцільність застосування хмарного веб-сервісу. Обгрунтовано розгортання моделі у вигляді автоматизованої технології базі платформи Amazon Web Services. Основою автоматизованої системи виявлення онлайн-шахрайства є Amazon Fraud Detector і налаштування робочих процесів перевірки шахрайства в платіжних системах за допомогою настроюваного типу завдання Amazon A2I для перевірки та підтвердження прогнозів із високим ризиком. Наведено приклад створення системи виявлення аномалій на потоках Amazon DynamoDB за допомогою Amazon SageMaker, AWS Glue та AWS Lambd. Автоматизована система враховує динамічність набору даних, оскільки функція AWS Lambda також працює з багатьма іншими потоковими службами AWS. Виокремлено основні 3 завдання, які вирішує програмний продукт: запобігання та виявлення шахрайства в платіжних системах, виявлення шахрайства за лічені хвилини, інтеграція програмного продукту у бізнес, де використовуються платіжні системи та сервіси (наприклад, сервіси інтеграції платежів у фінансових установах, інтернет-магазинах, логістичних компаніях, страхових полісах, торгових майданчиках, тощо). Визначено, що впровадження автоматизованої системи доречно розглядати як проєкт. Запропоновано принципи впровадження проєкту. Встановлено, що для раціонального впровадження проєкту потрібно розробити конкретизовану методологію впровадження програмного продукту виявлення шахрайства у платіжних системах бізнесових установ.