AI ile Dolandırıcılık Tespiti
AI dolandırıcılık tespiti; işlemleri onlarca özellikle skorlayan anomaly detection, denetimli sınıflandırma ve graph analiziyle gerçek zamanlı olarak fraudu 100 ms altında yakalayan makine öğrenmesi katmanıdır.
AI dolandırıcılık tespiti nedir?
AI fraud detection, finansal işlem, hesap ve kimlik verilerini gerçek zamanlı analiz ederek şüpheli davranışı makine öğrenmesiyle tespit eden bir güvenlik katmanıdır. Klasik kural tabanlı sistemlerin aksine, sabit eşiklere değil; tutar, saat, konum, cihaz parmak izi ve işlem hızı gibi onlarca sinyalin öğrenilmiş örüntüsüne dayanır. Bu sayede daha önce görülmemiş dolandırıcılık desenlerini de yakalayabilir.
Doğru kurulmuş bir sistem, aynı yakalama oranında kural tabanlı sisteme göre belirgin biçimde daha az yanlış alarm üretir ve finansal kayıpları azaltır. Aşağıdaki oranlar sektöre ve veri kalitesine göre değişen örnek/yaklaşık aralıklardır, garanti değildir.
Dolandırıcılık türleri
| Kategori | Örnek saldırılar | Ana sinyaller |
|---|---|---|
| Ödeme (payment) fraud | Çalıntı kart, card-not-present, chargeback manipülasyonu | Tutar, ülke uyumu, kart yaşı, velocity |
| Hesap (account) fraud | Account takeover (ATO), sahte hesap, promo istismarı | Cihaz değişimi, IP itibarı, giriş örüntüsü |
| İşlem (transaction) fraud | Kara para aklama, iade fraudu, friendly fraud | Ağ ilişkileri, tutar dağılımı, tekrar örüntüsü |
Yöntem karşılaştırması
Üç ana teknik ailesi ve tipik kullanım eşikleri:
| Yaklaşım | Örnek algoritma | Etiket gerekir mi? | Güçlü olduğu durum |
|---|---|---|---|
| Denetimsiz anomali | Isolation Forest, autoencoder, LOF | Hayır | Etiket yok, yeni/bilinmeyen desen |
| Denetimli sınıflandırma | XGBoost, LightGBM, random forest | Evet | Geçmiş fraud etiketi bol |
| Graph / ağ analizi | NetworkX, community detection, GNN | Kısmen | Organize fraud halkaları (ring) |
Denetimsiz anomali tespiti
Isolation Forest gibi yöntemler, veriyi rastgele bölerek "az adımda izole edilen" noktaları anomali olarak işaretler. Etiket gerektirmediği için henüz fraud etiketi olmayan sistemlerde ilk savunma hattıdır. Gece 03:00'te, kartın kayıtlı ülkesinden farklı bir konumda, son 1 saatte 8 işlem yapılan yüksek tutarlı bir hareket, normal dağılımın dışına düştüğü için negatif anomali skoru alır.
Denetimli sınıflandırma
Geçmiş etiketli veri varsa XGBoost/LightGBM gibi gradient boosting modelleri en yüksek isabeti verir. Kritik nokta veri dengesizliğidir: fraud oranı genellikle %1 altındadır. Bu yüzden azınlık sınıfını çoğaltan SMOTE, model içinde class weight ve metrik olarak accuracy yerine precision-recall/F1 ve PR-AUC kullanılır. Modelin kararı SHAP değerleriyle açıklanarak "neden şüpheli" sorusu yanıtlanır — bu hem operasyon hem denetim (audit) için gereklidir.
Graph analizi
Bireysel işlem normal görünse de, aynı merchant'a kısa sürede birden çok kullanıcıdan gelen yüksek tutarlı işlemler bir fraud ring (organize halka) işareti olabilir. İşlemler bir graf olarak modellenir; community detection ile birbirine bağlı şüpheli kümeler ortaya çıkarılır. Modern sistemlerde bu katman Graph Neural Network'lere doğru evriliyor.
Gerçek zamanlı karar akışı
Üretimde risk skoru bir eşik hiyerarşisine bağlanır. Örnek karar tablosu:
| Risk olasılığı | Karar | Aksiyon |
|---|---|---|
| > 0.80 | BLOCK | İşlem durdurulur, fraud ekibine bildirim |
| 0.50 – 0.80 | REVIEW | Manuel inceleme kuyruğuna alınır |
| 0.20 – 0.50 | CHALLENGE | 3D Secure / 2FA ek doğrulama istenir |
| < 0.20 | APPROVE | İşlem onaylanır |
Bu akış tipik olarak 100 ms altında tamamlanmalıdır. Velocity sayaçları (kullanıcının son 1 saatteki işlem sayısı) Redis gibi bellek-içi bir katmanda tutulur; ağır özellikler önceden hesaplanır; ML çıkarımı hafif bir modelle yapılır.
ROI matematiği (örnek senaryo)
Aşağıdaki hesap tamamen hipotetik olup yöntemi göstermek içindir:
- Aylık işlem hacmi 50M TL, mevcut fraud oranı %1,2 → ~600K TL/ay kayıp.
- Varsayımsal olarak kaybın %60'ı önlenirse → ~240K TL/ay tasarruf, yıllık ~2,9M TL.
- ROI = (yıllık tasarruf − yıllık sistem maliyeti) / yıllık sistem maliyeti.
%60, gerçek bir müşteri sonucu değil, illüstratif bir varsayımdır; gerçek etki pilot dönemde ölçülmelidir.
Uyum ve 2026 eğilimleri
- KVKK 6698 ve GDPR: işlem verisi kişisel veridir; skorlama ve saklama süreçleri veri minimizasyonu ve açıklanabilirlik ilkelerine uymalıdır.
- Açıklanabilir AI (XAI): SHAP tabanlı gerekçe artık düzenleyici beklenti; "kara kutu" red kararları itiraza açık.
- Graph + GNN: organize fraud tespitinde graf sinir ağları yükseliyor.
- Gerçek zamanlı feature store: düşük gecikmeli özellik sunumu standartlaşıyor.
Fraud tespiti, daha geniş siber güvenlikte yapay zeka ve fintech AI stratejisinin bir parçasıdır; kurumsal çözümlerimizi katalogda bulabilirsiniz.
Merak edilenler
AI dolandırıcılık tespiti nasıl çalışır?
AI fraud detection, her işlemi tutar, saat, konum, cihaz, hız (velocity) gibi onlarca özellikle vektöre çevirir ve makine öğrenmesi modeliyle risk skoru üretir. Denetimsiz yöntemler (Isolation Forest, autoencoder) etiket olmadan anomali arar; denetimli yöntemler (XGBoost, random forest) geçmiş fraud etiketlerinden öğrenir. Skor bir eşiği aşınca işlem bloklanır, incelemeye alınır veya ek doğrulama (3D Secure/2FA) istenir.
Kural tabanlı sistem ile makine öğrenmesi arasındaki fark nedir?
Kural tabanlı sistemler ("tutar > X ve ülke ≠ Y ise blokla") şeffaftır ama sabittir ve dolandırıcılar kuralları hızla aşar; yüksek yanlış alarm üretir. Makine öğrenmesi yüzlerce özelliğin doğrusal olmayan kombinasyonunu öğrenir, yeni örüntülere uyum sağlar ve aynı yakalama oranında daha az yanlış pozitif verir. Üretimde ikisi birlikte kullanılır: kritik kurallar sabit, gri alan ML skoruyla yönetilir.
Dengesiz (imbalanced) fraud verisi nasıl ele alınır?
Gerçek veride fraud oranı genellikle %1 altındadır, bu yüzden doğruluk (accuracy) yanıltıcıdır. Çözümler: azınlık sınıfını çoğaltan SMOTE, model içinde scale_pos_weight/class weight, ve metrik olarak accuracy yerine precision-recall, F1, PR-AUC kullanmak. Amaç, yanlış alarmı (false positive) düşük tutarken gerçek fraudu (recall) yakalamaktır.
Gerçek zamanlı fraud tespiti için gecikme ne olmalı?
Ödeme akışında karar tipik olarak 100 ms altında verilmelidir; aksi halde kullanıcı deneyimi bozulur. Bunun için model çıkarımı hafif tutulur (gradient boosting/lojistik), velocity sayaçları Redis gibi bellek-içi bir katmanda tutulur ve ağır özellikler önceden hesaplanır. Karar sonrası şüpheli işlemler asenkron olarak insan incelemesine yönlendirilir.
Kurumunuza özel çözümü konuşalım.
İhtiyacınızı yazın; yapay zeka, veri analitiği ve siber güvenlik çözümlerini değerlendirip 1 iş günü içinde dönelim. Aradığınız yoksa talep üzerine geliştiririz.
Talep Oluştur