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.

Sık Sorulan Sorular

Kural tabanlı sistemler ile makine öğrenmesi (ML) arasındaki temel fark nedir?

Kurallar şeffaftır ve belirli eşikler üzerinden anında devreye girer ancak katıdır. ML ise her hesap için normal davranış örüntülerini öğrenerek sapmalar üzerinden skor üretir ve gri bölgeleri sıralar.

Yapay zeka dolandırıcılık tespit sürecinde nasıl bir rol oynar?

ML katmanı anomalileri tespit ederken, dil modelleri (LLM) bu tespitleri insan diline tercüme ederek kanıtları derler. Sistem insanı ikame etmek yerine, incelemeye değer işlemleri seçip karar verme sürecini hızlandırır.

Sistemlerde neden son karar yapay zekaya değil de insana bırakılır?

Hata maliyetinin yüksek olması, otonom sistemlerin saldırganlarca haritalanabilme riski ve denetim süreçlerindeki hesap verebilirlik gerekliliği nedeniyle otorite insanda kalır.

Yanlış alarmları önlemek için nasıl bir tasarım yaklaşımı izlenmelidir?

Hedef her şeyi yakalamak değil, incelemeye değer kısa bir liste sunmaktır. Bunun için skorun yanına gerekçelerin eklenmesi ve tek tıkla doğru/yanlış geri bildirimi alınabilmesi gerekir.