Kart dolandırıcılığı tespitini makine ve derin öğrenmeyi harmanlayan bir yaklaşımla geliştirmek

Cüzdanınızı neden ilgilendirir

Her kartınızı dokundurduğunuzda ya da çevrimiçi alışveriş yaptığınızda sessiz bir yarış başlar: bankanızın bilgisayarları, paranız kaybolmadan önce bir hırsızı fark edebilir mi? Dijital ödemeler dünya çapında patlama yaparken, suçlular sürekli yeni numaralar uyduruyor ve "gece 5.000 doların üzerindeki tüm işlemleri engelle" gibi basit kural tabanlı güvenlik artık yeterli değil. Bu çalışma, çeşitli yapay zeka türlerini tek bir "uzmanlar takımı" içinde birleştirmenin, yaygın kullanılan gerçek bir veri kümesinde neredeyse her sahte kredi kartı işlemini yakalayabildiğini ve sistemin her kararı neden verdiğini açıklayabildiğini gösteriyor.

Dijital hilelerin yükselen dalgası

Kredi kartı dolandırıcılığı büyük bir iş. Küresel kayıplar zaten her yıl on milyarlarca dolara ulaşıyor ve e‑ticaret, internet bankacılığı ve nakitsiz ödemeler büyüdükçe artmaya devam etmesi bekleniyor. İşlemlerin çoğu tamamen meşru, ancak çok küçük bir kesimi dolandırıcılık—bazen binde ikiden az. Bu dengesizlik sorunu zorlaştırıyor: bir sistem neredeyse her şeyi "normal" diye etiketleyerek çok doğru görünebilir, fakat yine de dolandırıcılığın çoğunu kaçırabilir. Yazarlar bu dengesizliğe ve dolandırıcılık taktiklerinin sürekli değişmesine odaklanıyor; bu durum katı elle yazılmış kurallar yerine esnek, veriye dayalı araçlar gerektiriyor.

Nadir dolandırıcılığı öğrenilebilir bir sinyale dönüştürmek

Araştırmacılar iki günlük süre içinde toplanmış gerçek bir Avrupa kredi kartı işlemleri kümesiyle başlıyor: yaklaşık 285.000 ödeme ve bunların yalnızca 492'si dolandırıcılık. Modelin normal vakalar arasında boğulmamasını sağlamak için nadir sınıfa gerçekçi ek örnekler üreten bir teknik kullanıyorlar, böylece veri daha dengeli hale geliyor. Ana yöntem olan SMOTE, gerçek dolandırıcılık vakalarının arasına sentetik, dolandırıcılığa benzer noktalar yaratıyor. Ayrıca azınlık örneklerini ekleyen ve aynı zamanda gürültülü çoğunluk örneklerini kaldıran daha karmaşık bir hibrid yöntemi de test ediyorlar. İşlem tutarlarını ve zamanları dikkatle ölçeklendirip hassas detayları matematiksel dönüşümlerin arkasında gizleyerek, bilgisayarın öğrenebileceği temiz ve gizliliği koruyan bir veri kümesi hazırlıyorlar.

Dijital dolandırıcılık avcılarından bir takım kurmak

Tek bir algoritmaya bahis yapmak yerine yazarlar klasik makine öğrenimi, modern güçlendirilmiş karar ağaçları ve derin sinir ağlarından seçilen 37 farklı modeli eğitiyor. Ardından uzmanları son bir hakemin görüşlerini birleştirdiği bir uzmanlar panosuna benzeten iki özel "stacking ansambl" tasarlıyorlar. İlk ansamblde hızlı bir ağaç tabanlı model, desen tanıyan görüntü tarzı bir ağ ve sıralamaya duyarlı bir ağ aynı işlemleri inceliyor. Bu modellerin çıktıları daha sonra hangi uzmana ne kadar güvenileceğini öğrenen güçlü bir booster modele besleniyor. İkinci ansambl benzer katmanlı düzenlemede çeşitli ağaç tabanlı booster'lar ve ormanları bir araya getiriyor. Her iki ansambl önce orijinal dengesiz veri üzerinde, sonra da SMOTE ve hibrit yöntemle üretilen dengeli versiyon üzerinde eğitiliyor.

Neredeyse kusursuz tespit ve maliyeti

SMOTE ile oluşturulan dengeli veride, önerilen her iki ansambl de başarıyı ölçen tüm standart metriklerde çarpıcı derecede yüksek skorlar elde ediyor: bu veri kümesinde neredeyse hiç dolandırıcılık işlemini kaçırmıyor ve gerçek bir işlemi neredeyse hiç yanlış alarm olarak işaretlemiyor. Yazarlar birçok tekil modelle ve aynı veriyi kullanan daha önce yayımlanmış yöntemlerle karşılaştırdıklarında, stacklenmiş sistemleri tutarlı şekilde en üstte yer alıyor. Ayrıca pratik açıları da ölçüyorlar: eğitimin ne kadar sürdüğü ve ne kadar bellek gerektiği. Derin sinir ağlarına çok dayanma eğilimindeki ansambl hesaplama açısından daha maliyetliyken, ağaç odaklı ansambl benzer doğruluğu belirgin şekilde daha düşük zaman ve bellek gereksinimiyle sunuyor; bu da onu gerçek zamanlı banka sistemleri için daha çekici kılıyor.

Karar kutusunun içini görmek

Gelişmiş yapay zekâ ile ilgili yaygın bir endişe, bunun karanlık bir kutu gibi davranması: tasarımcıları bile satın alma işleminizi neden şüpheli olarak işaretlediğini bilemeyebilir. Bunu ele almak için çalışma, bir karar için ve sistem genelinde hangi gizli özelliklerin önemli olduğunu gösteren iki açıklama aracını kullanıyor. Görsel analizler, dolandırıcılık tahminlerini tekrar tekrar sürükleyen dönüştürülmüş küçük bir değişken setini ortaya koyuyor; birçok diğer değişken ise yalnızca destekleyici bir rol oynuyor. Yazarlar ayrıca modellerin hâlâ nerede hata yaptığını, hata yaptıklarında ne kadar emin olduklarını ve daha fazla veri kullanıldıkça sonuçların ne kadar dayanıklı kaldığını inceliyor. Bu kontroller modellerin yalnızca eğitim verilerini ezberlemek yerine gerçekten istikrarlı desenler öğrendiğini gösteriyor gibi görünüyor.

Günlük kart kullanıcıları için anlamı

Uzman olmayanlar için başlık güven verici: veriyi akıllıca dengeleyip birkaç yapay zeka yaklaşımını birlikte çalıştırarak bankalar, kıyas veri kümlerinde hem son derece doğru hem de çalıştırması makul derecede verimli dolandırıcılık tespit sistemleri kurabilir. Aynı derecede önemli, sistem kararlarını açıklayabiliyor; bu da kurumların ona güvenmesini ve düzeltmesini kolaylaştırıyor ve düzenleyicilerin davranışını anlamasına yardımcı oluyor. Gerçek dünyada devreye alma hâlâ zorluklarla karşılaşıyor—örneğin sürekli evrilen suç taktikleri ve hızlı, kesintisiz güncellemeye duyulan ihtiyaç—ancak bu hibrit yaklaşım, sahte alarmlarla sizi boğmadan kartınızı güvende tutmak için güçlü bir yol haritası sunuyor.

Atıf: Gamal, N., Younis, E.M.G. & Makram, W.M. Enhancing credit card fraud detection with a hybrid approach using machine and deep learning. Sci Rep 16, 10944 (2026). https://doi.org/10.1038/s41598-026-42891-4

Anahtar kelimeler: kredi kartı dolandırıcılığı tespiti, makine öğrenimi, derin öğrenme, ansambl modeller, dengesiz veri