Bankacılıkta Fraud Tespiti: Kural Tabanlı Sistemden Makine Öğrenmesine

Sahtekârlık (fraud), finans sektörünün en eski ve en kalıcı problemlerinden biri. Ancak sahtekârın araç seti değiştikçe, onu yakalayan sistemin de değişmesi gerekiyor. Yıllarca "eğer işlem tutarı şu eşiği aşarsa ve saat gece yarısını geçmişse alarm ver" mantığıyla kurulan kural tabanlı sistemler bankaları uzun süre korudu. Bugün ise dijital ödeme hacminin patladığı, saldırı desenlerinin haftalar içinde evrildiği bir ortamda bu yaklaşım tek başına yetersiz kalıyor.

Bu yazıda fraud tespiti makine öğrenmesi dönüşümünü teknik bir gözle ele alacağız: kural tabanlı sistemlerin nerede tıkandığını, makine öğrenmesinin (ML) hangi kapıları açtığını, ikisini birleştiren hibrit yaklaşımı ve kurumsal uygulamada gözden kaçmaması gereken noktaları. Amacımız modayı değil, işe yarayanı konuşmak.

Kural Tabanlı Sistemler: Sağlam Ama Kırılgan

Kural tabanlı (rule-based) sistemler, uzman bilgisini eğer-ise mantığına döken, deterministik motorlardır. "Aynı karttan 5 dakika içinde 3 farklı ülkede işlem varsa blokla" gibi kurallar, deneyimli fraud ekiplerinin sezgisini kodlar. Bunun bir değeri var: şeffaftır, denetlenebilir ve neden bir işlemin durdurulduğu net biçimde açıklanabilir.

Sorun, dünyanın statik olmaması. Kural tabanlı yaklaşımın kurumsal ölçekte karşılaştığı temel sınırlar şunlar:

• Statik doğa: Kurallar, yazıldıkları günün tehdit manzarasını yansıtır. Sahtekâr davranışını değiştirdiğinde kural geride kalır.
• Yüksek yanlış pozitif (false positive): Kuralları sıkılaştırdıkça meşru müşteriler de takılır. Kartı boşuna bloke edilen müşteri hem memnuniyetsiz olur hem de çağrı merkezi maliyeti artar.
• Yeni desenleri kaçırma: Daha önce görülmemiş bir saldırı vektörü, hiçbir kurala uymadığı için sistemin altından sessizce geçer.
• Bakım yükü: Zamanla yüzlerce, binlerce kural birikir. Hangisinin hâlâ geçerli olduğunu, hangisinin çeliştiğini takip etmek başlı başına bir iş yüküne dönüşür.

Sektör deneyimimizde, olgunlaşmış bir kural motorunun bir noktadan sonra "her yeni tehdide bir kural daha ekle" döngüsüne girdiğini görüyoruz. Bu döngü ekstra koruma sağlamaktan çok teknik borç biriktiriyor.

Makine Öğrenmesi Ne Getiriyor?

Makine öğrenmesinin farkı, kuralları elle yazmak yerine modelin geçmiş verideki örüntülerden öğrenmesidir. İşlem geçmişi, cihaz bilgisi, konum, davranışsal sinyaller ve daha yüzlerce değişken üzerinden model, "normal"in nasıl göründüğünü öğrenir ve sapmaları işaretler. Öne çıkan yaklaşımlar:

Denetimli Öğrenme (Supervised Learning)

Etiketli veriyle — yani geçmişte "fraud" ya da "temiz" olarak işaretlenmiş işlemlerle — eğitilen modeller, yeni bir işlemin sahtekârlık olma olasılığını skorlar. Gradient boosting ve benzeri algoritmalar, kuralların yakalayamadığı karmaşık, doğrusal olmayan ilişkileri öğrenebilir. Güçlü yanı isabet; koşulu ise yeterli ve doğru etiketlenmiş veriye sahip olmak.

Denetimsiz Öğrenme ve Anomali Tespiti

Her fraud türünün geçmiş etiketi yoktur; özellikle yeni saldırılar tanım gereği "daha önce görülmemiş"tir. Denetimsiz (unsupervised) yöntemler ve anomali tespiti, normalden belirgin biçimde sapan davranışları etiket olmadan yakalar. Bu, sıfırıncı gün saldırılarına karşı kural tabanlı sistemin kör kaldığı noktada değer üretir.

Gerçek Zamanlı Skorlama

Ödemenin milisaniyeler içinde onaylanması gereken bir dünyada, model çevrimdışı rapor üretmekle kalmaz; işlem anında bir risk skoru döndürür. Bu skor, işlemi onaylama, ek doğrulama isteme (ör. 3D Secure) veya durdurma kararını besler.

Özellik Mühendisliği (Feature Engineering)

ML'in başarısının büyük kısmı algoritmadan değil, doğru özelliklerden gelir. "Son 24 saatteki işlem sayısı", "olağan harcama coğrafyasından sapma", "cihaz-kart eşleşme geçmişi" gibi türetilmiş sinyaller, modele bağlamı kazandırır. Fatma'nın deyimiyle: model değil, veri kalitesi kazandırır.

Geri Besleme Döngüsü (Feedback Loop)

Fraud manzarası canlı bir hedef. Onaylanan/reddedilen vakalar, müşteri itirazları ve ekip incelemeleri modele geri beslendikçe sistem kendini güncel tutar. Bu döngü olmadan en iyi model bile birkaç ay içinde körelir.

Hibrit Yaklaşım: Ya/Ya Da Değil, Birlikte

Pratikte en dayanıklı mimari, "kuralları at, ML'e geç" değil; ikisini birlikte çalıştırmaktır. Neden?

Kurallar, kesinliği yüksek ve regülasyonla zorunlu senaryolar için idealdir: yaptırım listesindeki bir hesaba transfer, belirli bir limitin üzerindeki nakit çekim gibi durumlar tartışmasız engellenmeli ve bunun gerekçesi net biçimde belgelenmelidir. ML ise grinin tonlarında, yani "şüpheli ama emin değil" bölgesinde parlar.

Tipik bir hibrit kurgu şöyle işler: Sert kurallar ilk kapıyı tutar ve açık ihlalleri anında durdurur. Kalan trafik ML skorlamasından geçer; yüksek skorlu işlemler ek doğrulamaya veya insan incelemesine yönlendirilir. Böylece kuralların şeffaflığı ile ML'in uyum yeteneği birleşir. Bu katmanlı yapı, hem denetçiye "neden durdurduk" sorusunun cevabını verir hem de yeni tehditlere karşı esnek kalır.

Kurumsal Uygulamada Dikkat Edilmesi Gerekenler

Bir modelin laboratuvarda iyi çalışması ile üretimde bir bankayı koruması arasında ciddi bir mesafe var. Bu mesafeyi kapatırken kritik başlıklar:

Veri kalitesi. Model, beslendiği veri kadar iyidir. Tutarsız etiketleme, eksik alanlar veya farklı sistemlerden gelen uyumsuz kayıtlar, en gelişmiş algoritmayı bile yanıltır. Projelerin çoğunda emeğin büyük kısmı model seçiminde değil, veriyi güvenilir hale getirmede harcanır.

Açıklanabilirlik ve regülasyon. Finansal düzenleyiciler, bir müşterinin neden reddedildiğinin açıklanabilmesini bekler. "Model öyle dedi" yeterli bir cevap değil. Bu yüzden model seçimi ve açıklanabilirlik araçları (skoru hangi faktörlerin sürüklediğini gösteren yöntemler) baştan tasarıma dahil edilmeli.

Yanlış pozitif / yanlış negatif dengesi. Her eşik bir ödünleşmedir. Eşiği aşırı sıkarsanız meşru müşteriyi kaçırır, gevşetirseniz sahtekârı. Doğru denge, teknik bir ayar değil; kurumun risk iştahı, müşteri deneyimi hedefleri ve operasyonel kapasitesiyle birlikte belirlenen bir iş kararıdır.

Canlıya alma (production). Milisaniye seviyesinde skorlama, sürüm güncellemelerinde kesinti yaşamama, model performansının zaman içinde bozulmasını (model drift) izleme ve geri alma planları — bunların hepsi mimarinin parçası olmalı. Model dosyasını sunucuya koymak, işin başlangıcıdır; sürdürülebilir işletim asıl meseledir.

KVKK ve veri gizliliği. Fraud modelleri doğası gereği yoğun kişisel ve işlem verisiyle çalışır. Verinin toplanması, saklanması, erişim yetkileri ve gerektiğinde anonimleştirilmesi KVKK çerçevesinde tasarlanmalı. Veri gizliliği sonradan eklenen bir katman değil, mimarinin ilk günden içinde olmalı.

Kerberos Yaklaşımı: Kutu Ürün Değil, Kuruma Özel Model

Fraud tespitinde hazır, "kutudan çıkan" çözümlerin çekiciliği anlaşılır. Ancak her bankanın müşteri profili, ürün seti, işlem coğrafyası ve risk iştahı farklıdır. Bir kurumun normali, bir diğerinin anomalisi olabilir. Bu yüzden Kerberos olarak keşif-önce yaklaşımını benimsiyoruz.

2002'den bu yana tailor-made yazılım geliştiren bir ekip olarak sürecimiz standart: önce Keşif ile kurumun veri gerçekliğini, mevcut kural setini ve operasyonel akışını anlıyoruz; ardından Mimari ile açıklanabilirlik, gerçek zamanlı skorlama ve KVKK uyumunu baştan tasarıma gömüyoruz; Geliştirme aşamasında hibrit yapıyı kuruma özel kuruyor; Sürekli Destek ile geri besleme döngüsünü ve model sağlığını canlı tutuyoruz. Felsefemiz basit: sadece kod değil, ölçülebilir değer.

Bu, hazır bir modeli devreye almaktan daha titiz bir yol. Ama sektör deneyimimizde, fraud gibi kuruma sıkı bağlı bir problemde kalıcı sonucu getiren yaklaşım bu oluyor.

Sonuç

Kural tabanlı sistemler ölmedi; olgunlaştı ve yerini net biçimde buldu. Makine öğrenmesi ise onların kör kaldığı yerde — yeni desenler, gri bölgeler, karmaşık ilişkiler — devreye giriyor. Doğru soru "kural mı ML mi" değil, "bu kurumun gerçekliğine hangi katmanlı yapı uyar" sorusu. Ve bu sorunun cevabı, her banka için biraz farklı.

Fraud tespitini kurumunuza özel, açıklanabilir ve KVKK uyumlu bir yapıya taşımayı konuşmak isterseniz, kısa bir teknik sohbetle başlayalım.

20 dakikalık ücretsiz teknik değerlendirme için bize ulaşın →

Mevcut fraud altyapınızı birlikte gözden geçirir, kural tabanlıdan ML'e geçişte kurumunuza uygun yol haritasını çıkarırız — bağlayıcılık yok, sadece net bir teknik bakış.