Caprian, IurieКапріан, Юрій2025-12-192025-12-192025Caprian, Iurie. (2025) “A Hybrid Modular Architecture for Fraud Detection Using Offline and Online Machine Learning Models.” The Problems of Economy 3:312–320. https://doi.org/10.32983/2222-0712-2025-3-312-320https://www.problecon.com/article/?year=2025&abstract=2025_3_0_312_320https://dr.csbc.edu.ua/handle/123456789/761This article proposes a hybrid and modular architecture for fraud detection that integrates both offline and online machine learning models to address challenges in dynamic financial transaction environments. The framework combines high-performance offline models, including XGBoost, LightGBM, and deep neural networks, with lightweight and adaptive online learners, such as Hoeffding Trees and Adaptive Random Forests, enabling accurate detection in both historical datasets and real-time streaming transactions. A key methodological contribution lies in balancing predictive performance, responsiveness, and interpretability, achieved through a weighted risk scoring mechanism and a unified cost-sensitive evaluation framework that aligns technical metrics with tangible financial impacts. The architecture emphasizes modularity and scalability, facilitating continuous adaptation via concept drift detection and feedback-driven retraining. Its implementation in a containerized, open-source environment ensures reproducibility, robustness, and seamless deployment in production-grade financial ecosystems, even under high-volume transactional loads. The proposed system effectively bridges the gap between advanced machine learning research and operational requirements, providing a flexible, interpretable, and operationally viable solution for modern fraud detection. Furthermore, this study consolidates previous work by the author on intelligent fraud detection systems, extending prior contributions in model selection, AI interpretability, and economic evaluation of false positives in banking contexts. Future research directions include integrating graph-based relational features for network fraud detection, applying reinforcement learning for adaptive decision optimization, and employing federated learning techniques to enhance data privacy across institutions. Overall, the proposed framework represents a scalable, transparent, and adaptive approach that evolves alongside emerging fraud strategies, delivering a deployable system with practical and financial relevance.У цій статті пропонується гібридна та модульна архітектура для виявлення шахрайства, яка інтегрує як офлайн-, так і онлайн-моделі машинного навчання для розв'язання проблем у динамічних середовищах фінансових транзакцій. Фреймворк поєднує високопродуктивні офлайн-моделі, включаючи XGBoost, LightGBM та глибокі нейронні мережі, з легкими та адаптивними навчальними моделями онлайн (наприклад, дерево Хоффдінга, адаптивний метод випадкових лісів), що дозволяє точно виявляти шахрайство як в історичних наборах даних, так і у потокових транзакціях у реальному часі. Ключовий методологічний внесок полягає у балансуванні прогнозної продуктивності, чутливості та інтерпретації, що досягається за допомогою механізму зваженої оцінки ризиків та єдиної економічно чутливої системи оцінювання, яка узгоджує технічні показники з відчутними фінансовими наслідками. Архітектура підкреслює модульність і масштабованість, сприяючи постійній адаптації за допомогою виявлення дрейфу концепцій і перенавчання на основі зворотного зв'язку. Її реалізація у контейнерному середовищі з відкритим кодом забезпечує відтворюваність, надійність і безперебійне розгортання у фінансових екосистемах виробничого рівня, навіть за великих обсягів транзакційних навантажень. Запропонована система ефективно усуває розрив між передовими дослідженнями машинного навчання та операційними вимогами, забезпечуючи гнучке, інтерпретоване та операційно життєздатне рішення для сучасного виявлення шахрайства. Крім цього, це дослідження консолідує попередню роботу автора з інтелектуальних систем виявлення шахрайства, розширюючи попередній внесок у вибір моделей, інтерпретацію штучного інтелекту та економічну оцінку хибно позитивних результатів у банківських контекстах. Майбутні напрямки досліджень включають інтеграцію реляційних ознак на основі графів для виявлення мережевого шахрайства, застосування навчання з підкріпленням для адаптивної оптимізації рішень і використання методів федеративного навчання для підвищення конфіденційності даних в установах. Загалом запропонована структура являє собою масштабований, прозорий та адаптивний підхід, який розвивається разом із новими стратегіями боротьби з шахрайством, забезпечуючи розгортання системи з практичною та фінансовою значущістю.SOCIAL SCIENCES::Business and economics::EconomicsFORESTRY, AGRICULTURAL SCIENCES and LANDSCAPE PLANNING::Area economicsLAW/JURISPRUDENCE::Financial lawSOCIAL SCIENCES::Statistics, computer and systems science::Informatics, computer and systems science::InformaticsSOCIAL SCIENCES::Statistics, computer and systems science::Informatics, computer and systems science::Information processingSOCIAL SCIENCES::Statistics, computer and systems science::Informatics, computer and systems scienceArticle