Dolandırıcılık, finans kurumları için hem doğrudan kayıp hem de müşteri güveni açısından en büyük risklerden biri. Uzun yıllar boyunca dolandırıcılıkla mücadelenin temel aracı kural tabanlı sistemler oldu: "Gece yarısından sonra yurt dışından yapılan ve belirli tutarı aşan işlemleri incele" gibi. Bu kurallar hâlâ değerli, ama tek başlarına giderek yetersiz kalıyor.
Kural tabanlı sistemlerin sınırları
- Yeni yöntemleri yakalayamaz: Dolandırıcılar kuralları öğrenip etrafından dolaşır. Her yeni yöntem için yeni kural yazmak gerekir.
- Yüksek yanlış alarm: Geniş kurallar çok sayıda meşru işlemi şüpheli olarak işaretler; inceleme ekiplerinin yükü artar, müşteri deneyimi bozulur.
- Karmaşık örüntüleri görmez: Tek başına masum görünen ama birlikte şüpheli olan davranışları kurallarla ifade etmek zordur.
- Bakımı zorlaşır: Yüzlerce kuraldan oluşan bir sistem zamanla yönetilemez hale gelir.
Makine öğrenmesi ne katar?
Makine öğrenmesi modelleri, geçmiş işlem ve davranış verisinden dolandırıcılık örüntülerini öğrenerek her işleme bir risk skoru üretir. Kullanılan başlıca yaklaşımlar:
| Yaklaşım | Nasıl çalışır? | Ne zaman uygun? |
|---|---|---|
| Denetimli öğrenme | Geçmişte etiketlenmiş dolandırıcılık vakalarından öğrenir | Yeterli etiketli vaka varsa |
| Denetimsiz öğrenme / anomali tespiti | Normal davranıştan sapmaları bulur | Yeni ve bilinmeyen yöntemleri yakalamak için |
| Graf (ağ) analizi | Hesaplar, cihazlar ve kişiler arasındaki ilişkileri inceler | Organize dolandırıcılık ve kara para ağları için |
| Davranış profilleme | Her müşterinin kendi normalini öğrenir | Hesap ele geçirme ve kart dolandırıcılığı için |
Dikkat edilmesi gereken teknik konular
Dengesiz veri
Dolandırıcılık vakaları tüm işlemlerin çok küçük bir kısmını oluşturur. Bu durumda "hiçbir işlem dolandırıcılık değil" diyen bir model bile yüzde 99'un üzerinde doğruluk gösterebilir. Bu nedenle doğruluk (accuracy) yanıltıcı bir metriktir; örnekleme teknikleri ve doğru metrikler gerekir.
Doğru metrikler
- Precision (kesinlik): Şüpheli işaretlenen işlemlerin ne kadarı gerçekten dolandırıcılık?
- Recall (duyarlılık): Gerçek dolandırıcılıkların ne kadarı yakalandı?
- Maliyet bazlı değerlendirme: Kaçırılan bir dolandırıcılığın maliyeti ile bir yanlış alarmın (inceleme maliyeti ve müşteri memnuniyetsizliği) maliyeti farklıdır. Eşik değerler bu maliyet dengesine göre belirlenmelidir.
Gerçek zamanlı karar
Ödeme ve kart işlemlerinde karar milisaniyeler içinde verilmelidir. Modelin ve kullandığı değişkenlerin bu hızda hesaplanabilmesi, mimari tasarımın önemli bir parçasıdır.
Geri bildirim döngüsü
İnceleme ekiplerinin kararları (gerçek dolandırıcılık mı, yanlış alarm mı) modele geri beslenmelidir. Bu döngü olmadan model hızla eskir.
Kayma ve uyum
Dolandırıcılar davranışlarını sürekli değiştirir. Model performansı yakından izlenmeli ve düzenli olarak yeniden eğitilmelidir.
Açıklanabilirlik: İnceleme ekibinin ihtiyacı
Model bir işlemi şüpheli işaretlediğinde, inceleme uzmanının nedenini görmesi gerekir: "Bu cihaz ilk kez kullanılıyor, işlem tutarı müşterinin olağan seviyesinin 8 katı ve alıcı hesap 2 gün önce açılmış" gibi. Açıklama, hem inceleme süresini kısaltır hem de modele duyulan güveni artırır.
En iyi yaklaşım: Hibrit sistem
Pratikte en başarılı sistemler kuralları ve modelleri birlikte kullanır:
- Kurallar: Regülasyon gereklilikleri, kesin yasaklar ve bilinen basit senaryolar
- Modeller: Risk skorlama, karmaşık örüntüler ve yeni yöntemler
- İnsan: Yüksek riskli ve belirsiz vakaların incelenmesi
Regülasyon notu
AB Yapay Zekâ Tüzüğü, kredi değerlendirmesi ve kredi skorlamasını yüksek riskli sistemler arasında sayarken, finansal dolandırıcılık tespiti amacıyla kullanılan sistemleri bu kapsamın dışında tutuyor. Bu, dolandırıcılık modellerinin yönetişimsiz kalabileceği anlamına gelmiyor; kişisel veri kullanımı, açıklanabilirlik ve model riski yönetimi bu sistemler için de geçerli.
Sonuç
Makine öğrenmesi, dolandırıcılık tespitinde hem yakalama oranını artırma hem de yanlış alarmları azaltma potansiyeline sahip. Başarının anahtarı doğru veri, doğru metrikler, güçlü bir geri bildirim döngüsü ve kurallarla modelleri birleştiren bir mimari.
Bankacılık ve finans sektöründe dolandırıcılık ve kötüye kullanım tespiti deneyimimizle Makine Öğrenmesi Modelleri geliştiriyor, mevcut modelleriniz için Model Riski ve Model Doğrulama hizmeti sunuyoruz.
Kaynaklar