Açıklanabilir yapay zekâyı denetimli topluluk öğrenme modellerini yorumlamak için uygulamak: sağlam kredi kartı dolandırıcılığı tespiti

Neden daha akıllı dolandırıcılık kontrolleri sizin için önemli

Kartınızı her dokunduğunuzda veya çevrimiçi alışveriş yaptığınızda, görünmez sistemler bir saniyenin kesirinde ödemenin güvenli olup olmadığına karar verir. Çok katı olurlarsa markette kartınız reddedilir. Çok gevşek olurlarsa bir suçlu hesabınızı boşaltabilir. Bu çalışma, yalnızca doğru değil aynı zamanda kararlarını açıklayabilen dolandırıcılık algılayıcıları nasıl kurabileceğimizi inceliyor; böylece bankalara hem etkili hem de güvenilir araçlar sunuluyor.

Basit kurallardan veriden öğrenmeye

Eski dolandırıcılık sistemleri ağırlıklı olarak belirli bir tutarın üzerindeki veya uzak bir ülkedeki işlemleri engellemek gibi sabit kurallara dayanıyordu. Suçlular bu sınırlamaların etrafından hızla dolaşmayı öğrendi. Yazarlar bunun yerine geçmişte gerçek veya dolandırıcılık olarak etiketlenmiş işlemler üzerinde eğitilen denetimli makine öğrenimini inceliyor. Basit doğrusal formüllerden, harcama davranışındaki ince desenleri yakalayabilen esnek ağaç tabanlı topluluk modellere kadar uzanan dört popüler yaklaşımı karşılaştırıyorlar.

Birçok kart kullanım türü üzerinde test

Bulgularının tek bir özel veri kümesine bağlı olmadığından emin olmak için araştırmacılar dört modeli üç çok farklı kart ödeme koleksiyonunda değerlendiriyor. Bunlardan biri yalnızca çok küçük bir dolandırıcılık payına sahip, iyi bilinen bir Avrupa veri kümesi. Diğerinde konum, satıcı bilgileri ve müşteri verileri gibi daha zengin ayrıntılar yer alıyor. Endüstriden gelen üçüncü, çok daha büyük sentetik set ise on milyonlarca işlem içeriyor. Tüm veri kümeleri genelinde Random Forest, XGBoost ve LightGBM gibi topluluk yöntemleri genellikle daha basit temel modelden çok daha iyi şüpheli davranışları tespit ediyor.

Model kararlarının kara kutusunu açmak

Yüksek doğruluk tek başına bankalar veya düzenleyiciler için yeterli değildir; bunlar bir işlemin neden engellendiğini bilmek istiyor. Bu nedenle çalışma, SHAP adlı bir yöntem kullanarak tahmin kalitesini açıklıkla ilişkilendiriyor; bu yöntem her giriş özelliğine nihai karara yaptığı katkıyı atar. Veri kümeleri için bu açıklamalar, belirli satıcı kategorileri, alışverişlerin olağandışı zamanlaması veya küçük test ücretlerini takiben daha büyük ücretlerin örüntüleri gibi dolandırıcılığı işaret eden ipuçlarını ortaya koyuyor. Tekil ödemeler için ise hangi ayrıntıların modeli “dolandırıcılık” veya “meşru” yönüne ittiğini göstererek inceleme yapan analistlere net bir başlangıç noktası sağlıyor.

Kaçan dolandırıcılık ile yanlış alarmları dengelemek

Dolandırıcılık satın almaları çok nadir olduğu için bir modelin neredeyse her şeyi güvenli ilan ederek doğru görünüyor olması kolaydır. Yazarlar bu dengesizliği, özellikle dolandırıcılık sınıfına odaklanarak precision, recall ve ilgili skorları inceleyerek derinlemesine ele alıyor. Lojistik regresyon gibi bazı modellerin birçok dolandırıcılığı yakalayabileceğini ancak bunun büyük sayıda yanlış alarm pahasına olabileceğini, öte yandan XGBoost gibi diğer modellerin kötü işlemleri yakalama ile gerçek müşterilere müdahale etmeme arasında daha iyi bir uzlaşma sunduğunu buluyorlar. Ayrıca karar eşiklerinin kaydırılmasının bankaların bu takası kendi risk iştahına ve hataların finansal maliyetine göre ayarlamasına olanak verdiğini gösteriyorlar.

Açıklanabilir dolandırıcılık araçlarını gerçeğe taşımak

Son olarak makale bu tür sistemlerin pratikte nasıl konuşlandırılabileceğini özetliyor. Yazarlar, hızlı ve recall odaklı bir modelin önce şüpheli ödemeleri işaretlediği ve ardından yerleşik açıklamalarla daha kesin bir modelin bu uyarıları sıralayıp insan soruşturmacılar için gerekçelendirdiği iki aşamalı bir düzenek öneriyor. Düşük yanıt süreleri, ölçeklenebilir bulut hizmetleri ve değişen dolandırıcılık taktikleri için izleme gibi teknik ihtiyaçları ile otomatik sistemlerin bireyleri etkilediğinde müşterilerin anlaşılabilir nedenler alması gerektiği gibi yasal gereksinimleri tartışıyorlar.

Günlük kart kullanıcıları için bunun anlamı

Basitçe söylemek gerekirse, çalışma modern makine öğreniminin dolandırıcılık kontrollerini hem daha keskin hem de daha şeffaf hale getirebileceğini gösteriyor. Ağaç tabanlı topluluk modelleri, özellikle XGBoost ve LightGBM, birkaç gerçekçi veri kümesi arasında tespit gücü ile anlaşılabilir mantık arasında en iyi karışımı verme eğiliminde. Bu modelleri açıklama araçları ve hata maliyetlerinin dikkatli ayarıyla eşleştirerek bankalar, paranızı daha iyi koruyan; sinir bozucu yanlış reddetmeleri azaltan ve sıkı düzenleyici standartlara uyan dolandırıcılık sistemleri tasarlayabilir.

Atıf: Awad, S.S., Hamza, A.A., Sobh, M.A. et al. Applying explainable artificial intelligence to interpret supervised ensemble learning models for robust credit card fraud detection. Sci Rep 16, 15220 (2026). https://doi.org/10.1038/s41598-026-49939-5

Anahtar kelimeler: kredi kartı dolandırıcılığı, açıklanabilir yapay zekâ, makine öğrenimi, topluluk modelleri, finansal güvenlik