Yapay Zeka ile Anomali ve Dolandırıcılık Tespiti: Tespitten Karara

Bu yazıyı ML ve AI mühendislerimiz birlikte yazdı. Tasarım formülünü baştan verelim: ML tespit eder → LLM anlatır ve kanıtlar → asistan hazırlar → insan karar verir → sistem loglar. Amaç insanı ikame etmek değil; insanın bakacağı 10 işlemi doğru seçmektir.

Kural mı, makine öğrenmesi mi? İkisi birden

Kurallar ("tek seferde X TL üstü", "yeni IBAN'a ilk transfer", "mesai dışı toplu ödeme") şeffaftır, anında devreye girer, denetçiye anlatılır. Zaafı katılıktır: dolandırıcı eşiğin 1 TL altında kalır, dürüst kullanıcı sezon yoğunluğunda takılır.

ML ise her hesap için "normal"i öğrenir — tutar dağılımı, saat örüntüsü, karşı taraf çeşitliliği — ve sapmaya skor üretir. Üretimdeki doğru mimari ikisinin katmanı: kurallar net ihlalleri keser, ML gri bölgeyi sıralar; analistin yakaladığı yeni desen önce kurala çevrilir, model sonraki eğitimde öğrenir.

Banka hareketlerinde tipik anomaliler

• Mükerrer ödeme: aynı karşı taraf + yakın tutar + kısa aralık (çift fatura, ERP hatası) — en sık ve en kolay geri kazanılan kayıp
• Bileşik sapma: gece 03.00'te, ilk kez görülen IBAN'a, tarihsel maksimumun üstünde transfer — üç sinyalin bileşimi tekinden çok güçlüdür
• İçeriden suistimal sinyalleri: tutarların onay limitinin hemen altına bölünmesi, oluşturan ile onaylayanın aynı kişi olması, pasif tedarikçi kaydının aniden canlanması
• Olmayan işlem: beklenen tahsilatın gelmemesi de anomalidir — sadece olan değil, olmayan da sinyaldir

Yanlış alarm problemi: sistemleri öldüren şey

Dolandırıcılık nadirdir; %99 "doğru" çalışan model bile günde yüzlerce yanlış alarm üretebilir — üçüncü yanlış alarmda kullanıcı bildirimi kapatır ve sistem fiilen ölür. Tasarım hedefi "her şeyi yakala" değil, incelemeye değer kısa bir liste: skor + gerekçe ("bu işlem şu 3 nedenle işaretlendi") + tek tıkla doğru/yanlış geri bildirimi.

Anomali bulunduktan sonra: yapay zekanın asıl marifeti

"İşlem #4812, skor 0.93" finans ekibi için anlamsızdır. Dil modelinin görevi tespit değil tercümedir:

1. İnsan diline çevirme: "Bu tedarikçiye normalde ayda bir, 40-60 bin TL ödenir; bu ay üçüncü ödeme, tutar 180 bin TL ve IBAN geçen haftaki kayıttan farklı."
2. Kanıt toplama: 12 aylık karşı taraf geçmişi, ilgili faturalar, IBAN değişiklik tarihi tek vaka dosyasında
3. Onay sorusu: "Ödemeyi beklet, tedarikçiyi telefonla doğrula" önerisi tek tuşla insana gider

Kritik ilke: LLM kanıtı üretmez, derler — her cümle gerçek bir işlem kaydına referans vermelidir. Kazanç net: insanın 20 dakikalık kanıt toplama işi 20 saniyeye iner; karar kalitesi insan seviyesinde kalır.

Son karar neden insanda?

• Geri alınamazlık: giden EFT geri çağrılamaz; hata maliyeti asimetrikse otorite insanda kalır
• Düşmanca ortam: otonom sistemin karar sınırları saldırganca haritalanır; insan onayı öngörülemez bir katmandır
• Hesap verebilirlik: "Ödemeyi kim bekletti?" sorusunun denetimdeki cevabı "model" olamaz

Modeller de bakım ister: dolandırıcılık düşman dinamiktir, statik model aylar içinde körleşir — düzenli yeniden eğitim ve sürüm karşılaştırması şarttır. Anomalinin yakalanması kadar verinin tazeliği de kritik: veri altyapısı yazımıza bakın; mutabakat tarafı için otomatik mutabakat rehberi tamamlayıcıdır.

Kobaküs Finansal Yapay Zeka çok yakında: nakit akışı tahmini, anomali uyarısı ve mutabakat asistanı tek panelde. Ana sayfadan erken erişim listesine katılın — lansman önceliği ilk kaydolanlarda.