Yapay zeka risk yönetiminde neyi değiştirir
Yapay zeka risk yönetiminde sabit kuralların göremediği yeni örüntüleri yakalar. Klasik sistem "tek işlemde 50.000 TL üstü ise uyar" gibi eşiklerle çalışır. Dolandırıcı bu eşiği öğrenince işlemi küçük parçalara böler ve kural sessiz kalır.
Makine öğrenmesi modeli tek bir eşiğe bakmaz. Hesabın geçmiş davranışını, cihaz bilgisini, saatini ve karşı tarafla ilişkisini birlikte değerlendirir. Sonuç bir risk puanıdır. Puan yükseldiğinde uyarı, gerekçesiyle birlikte analistin ekranına düşer.
Kural tabanlı sistemi çöpe atmayı önermiyoruz. Mevzuattan gelen kesin kurallar kural olarak kalır. Model, kuralların arasından kaçan vakayı yakalayan ikinci katmandır. Risk modelleri, yapay zeka veri analizi hizmetleri içinde karar destek tarafında yer alır.
Hangi risk türlerinde kullanılır
Yapay zeka destekli risk modelleri en çok dört alanda kullanılır. Her alanın verisi ve başarı ölçütü farklıdır:
| Risk alanı | Tipik veri | Model ne yapar |
|---|---|---|
| Ödeme ve hesap dolandırıcılığı | İşlem kaydı, cihaz, IP, oturum davranışı | İşlem anında risk puanı üretir, şüpheli işlemi bekletir |
| Kredi ve tahsilat riski | Ödeme geçmişi, cari hesap, sektör verisi | Temerrüt olasılığını tahmin eder, gerekçeyi listeler |
| Tedarik zinciri riski | Tedarikçi teslim performansı, haber akışı, finansal tablolar | Gecikme ve tedarikçi sorunu ihtimalini erken bildirir |
| Operasyonel anomali | Sensör, sistem logu, stok hareketi | Olağan dışı sapmayı işaretler |
İşlem anında karar gereken senaryolarda model, akış verisini işleyen bir altyapıya bağlanır. Bu kısmı gerçek zamanlı veri analizi ve anlık uyarı altyapısı sayfasında ayrıca anlatıyoruz.
Dolandırıcılık tespiti nasıl çalışır
Dolandırıcılık tespiti iki tür modelin birlikte çalışmasıyla yürür. Denetimli model, geçmişte etiketlenmiş dolandırıcılık vakalarından öğrenir. Gradyan artırmalı karar ağaçları (XGBoost, LightGBM) bu iş için yaygın ve hızlıdır.
Denetimsiz model ise etiket beklemez. Isolation Forest ya da otomatik kodlayıcı gibi yöntemler normal davranışın dışına çıkan kaydı bulur. Henüz kimsenin görmediği yeni bir dolandırıcılık türü bu katmanda yakalanır.
Organize dolandırıcılıkta tek hesap masum görünür. Hesaplar arasındaki ilişkiyi çizen graf analizi aynı cihazı, aynı adresi ya da aynı IBAN'ı paylaşan hesap kümelerini ortaya çıkarır. Neo4j gibi graf veritabanları bu analizde kullanılır.
Modelin dürüst bir sınırı var. Her şüpheli işlem dolandırıcılık değildir ve her dolandırıcılık yakalanmaz. Eşiği düşürmek yakalanan vakayı artırır ama yanlış alarmı da artırır. Bu dengeyi risk ekibinizin kabul edebileceği yanlış alarm yüküne göre birlikte ayarlarız.
Başarı neyle ölçülür
Dolandırıcılık modelinde doğruluk oranı yanıltıcı bir ölçüttür. İşlemlerin çok küçük bir kısmı dolandırıcılık olduğunda "hepsi temiz" diyen model bile yüksek doğruluk gösterir. Bu yüzden iki ölçüte bakarız. Duyarlılık (recall) gerçek vakaların ne kadarının yakalandığını gösterir. Kesinlik (precision) ise uyarıların ne kadarının gerçekten vaka çıktığını söyler.
Ölçütleri tutar bazında da hesaplarız. Küçük tutarlı on vakayı yakalayıp büyük tutarlı tek vakayı kaçıran model kağıt üstünde iyi görünür ama zarar yine oluşur. Analistin günde kaç uyarı inceleyebildiği de ölçütün parçasıdır.
Model kararı neden açıklanabilir olmalı
Risk modelinin kararı açıklanabilir olmalıdır, çünkü analist, denetçi ve müşteri "neden" sorusunu sorar. "Model böyle dedi" cevabı bir kredi reddinde de bir hesap dondurmada da kabul görmez.
Her risk puanının yanına en çok etki eden etkenleri koyarız. SHAP değerleri bunun için kullanılan yaygın bir yöntemdir. Analist ekranda "yeni cihaz, gece 03.00, son 10 dakikada 6 deneme" gibi okunur bir gerekçe görür.
Hukuki boyut da var. AB Yapay Zeka Yasası (Tüzük 2024/1689) gerçek kişilerin kredi değerliliğini ölçen sistemleri yüksek riskli sayar. Mali dolandırıcılığı tespit amaçlı sistemleri bu maddenin dışında tutar. AB'deki müşterilere hizmet veriyorsanız kapsamı AB Yapay Zeka Yasası ve KVKK uyum danışmanlığı ile hukuk danışmanınızla birlikte netleştirmenizi öneririz.
KVKK ve veri güvenliği nasıl sağlanır
Risk modelleri kişisel veriyle çalıştığı için KVKK (Kişisel Verilerin Korunması Kanunu) çerçevesi baştan kurulur. Modele yalnız amaca gereken alanları veririz. Ad ve kimlik numarası gibi doğrudan tanımlayıcılar eğitim verisinde takma adla değiştirilir.
- Model ve veri sizin altyapınızda ya da Türkiye'deki bir bulut bölgesinde çalışabilir.
- Yurt dışına aktarım gerekiyorsa 6698 sayılı Kanun'un 9. maddesindeki güvenceler hukuk ekibinizle birlikte değerlendirilir.
- Kimin hangi uyarıyı ne zaman gördüğü ve nasıl karar verdiği kayıt altına alınır.
- Otomatik karar yerine insan onayı esas alınır. Kişi aleyhine sonuç doğuran kararlar analist onayından geçer.
Risk yönetimini kendi yapay zeka sistemlerinize de uygulamak istiyorsanız NIST AI RMF ve ISO/IEC 42001 iyi bir başlangıç çerçevesidir. Dil modeli tabanlı sistemlerinizin saldırıya dayanıklılığını ölçmek için yapay zeka güvenlik testi yaparız.
Maliyeti neye bağlı
Yapay zeka risk yönetimi projesinin maliyeti en çok veri durumuna ve gerçek zaman ihtiyacına bağlıdır. Sabit paket fiyatı vermiyoruz. Teklif şu etkenlere göre hazırlanır:
- Verinin kaç sistemde dağınık durduğu ve temizlik ihtiyacı. Veri hazırlığı için veri toplama ve veri kalitesi çalışması ayrı bir iş kalemi olabilir.
- Geçmişte etiketlenmiş vaka olup olmadığı.
- Kararın işlem anında mı, günlük toplu mu verileceği.
- Bağlanacak sistem sayısı (çekirdek bankacılık, kurumsal kaynak planlama yani ERP, ödeme altyapısı).
- Analist ekranı, raporlama ve denetim kaydı kapsamı.
- Canlıya geçtikten sonra izleme ve yeniden eğitim sıklığı.
Ücretsiz ilk görüşmede örnek bir veri şeması ve geçmiş vaka sayısını isteriz. Kapsamı konuşmak için risk modeli projesi için bizimle iletişime geçin.
Sektörlere göre kullanım alanları
- kullanım alanı 01
E-ticarette sahte sipariş
Örneğin bir e-ticaret şirketi, çalıntı kartla verilen siparişleri kargoya çıkmadan önce bekletmek ister. Model sipariş anında risk puanı üretir, yüksek puanlı sipariş manuel kontrole düşer.
- kullanım alanı 02
Bayi ve cari kredi limiti
Örneğin bir distribütör bayilerinin ödeme geçmişine bakarak limit önerisi alır. Model gecikme riskini gerekçesiyle gösterir, limit kararını finans ekibi verir.
- kullanım alanı 03
Sigorta hasar dosyası
Örneğin bir sigorta şirketinin hasar dosyalarında benzer fotoğraf, aynı servis ve aynı tanık tekrarları graf analiziyle işaretlenir. İnceleme ekibi şüpheli dosyaya öncelik verir.
- kullanım alanı 04
Tedarikçi erken uyarısı
Teslim gecikmesi artan ya da finansal tablosu bozulan tedarikçi listenin üstüne çıkar. Satın alma ekibi alternatif kaynağı zamanında arar.
- kullanım alanı 05
İç kontrol ve gider anomalisi
Masraf beyanlarında olağan dışı tutar, tekrar eden fatura ya da hafta sonu kaydı gibi sapmalar iç denetime bildirilir.