Kredi Kartı Dolandırıcılığında Makine Öğrenmesi

Makine öğrenmesi ile kredi kartı dolandırıcılığı tespiti, finansal işlem verileri üzerinde gerçekleştirilen analizler aracılığıyla sahte işlemlerin belirlenmesini amaçlayan veri odaklı bir yaklaşımdır. Kredi kartı kullanımının yaygınlaşması ve işlem hacminin artması, dolandırıcılık faaliyetlerinin de paralel biçimde çoğalmasına yol açmış; bu durum geleneksel güvenlik yöntemlerinin yetersiz kalabildiği bir ortam oluşturmuştur. Bu kapsamda makine öğrenmesi teknikleri, işlem verilerindeki örüntüleri ve anormallikleri analiz ederek dolandırıcılık davranışlarının tespit edilmesini sağlamaktadır.

Kredi kartı dolandırıcılığı, kart sahibine ait bilgilerin yetkisiz kişiler tarafından elde edilmesi ve bu bilgilerin kullanılarak finansal işlemler gerçekleştirilmesi şeklinde tanımlanmaktadır. Bu süreçte dolandırıcılar, kart bilgilerini çeşitli yöntemlerle ele geçirerek kart sahibinin bilgisi dışında harcama yapabilmektedir. Kredi kartlarının fiziksel kullanımının yanı sıra internet üzerinden gerçekleştirilen işlemlerin artması, dolandırıcılık faaliyetlerinin farklı ortamlarda ve farklı tekniklerle gerçekleştirilmesine olanak tanımıştır.^【1】

Kredi kartı kullanımının yaygınlaşması, dolandırıcılık faaliyetlerinin de artmasına neden olmuştur. Teknolojik gelişmeler ve dijital ödeme sistemlerinin genişlemesi, hem işlem hacmini artırmış hem de dolandırıcılar için yeni fırsatlar oluşturmuştur. Bu durum, finansal sistemlerde güvenlik açıklarının daha fazla önem kazanmasına yol açmıştır. Dolandırıcılar, kart kopyalama, kimlik bilgisi ele geçirme ve uzaktan erişim gibi yöntemlerle kullanıcı bilgilerine ulaşabilmektedir.^【2】

Kredi kartı dolandırıcılığının önemli özelliklerinden biri, sahte işlemler ile gerçek işlemler arasındaki benzerliktir. Dolandırıcılık işlemleri çoğu zaman normal kullanıcı davranışlarını taklit edecek şekilde gerçekleştirildiğinden, bu işlemleri ayırt etmek zorlaşmaktadır. Özellikle işlem tutarı, işlem zamanı ve işlem türü gibi değişkenlerin normal davranış aralıklarında olması, dolandırıcılığın tespitini güçleştiren bir unsurdur.

Bir diğer önemli özellik, işlem verilerinin dinamik ve değişken yapısıdır. Kullanıcıların harcama alışkanlıkları zaman içerisinde değişebildiği gibi, dolandırıcılık yöntemleri de sürekli olarak gelişmektedir. Bu nedenle sabit kurallara dayalı sistemler çoğu durumda yetersiz kalabilmekte ve daha esnek, veri odaklı yaklaşımlara ihtiyaç duyulmaktadır.

Kredi kartı dolandırıcılığı aynı zamanda çok boyutlu bir problem olarak değerlendirilmektedir. İşlem verileri farklı kaynaklardan elde edilmekte, farklı özellikler içermekte ve büyük hacimli veri kümeleri oluşturulmaktadır.^【3】 Bu durum, dolandırıcılık tespitinde veri analizi ve modelleme süreçlerinin önemini artırmaktadır. Ayrıca dolandırıcılık işlemlerinin oranının genellikle düşük olması, veri setlerinde dengesiz sınıf dağılımına neden olmakta ve tespit sürecini daha da zorlaştırmaktadır.

Makine öğrenmesi, kredi kartı dolandırıcılığı tespitinde veri temelli karar verme süreçlerini mümkün kılan bir yöntemler bütünüdür. Bu yaklaşımda, geçmiş işlem verileri kullanılarak modeller eğitilmekte ve elde edilen modeller yeni işlemler üzerinde tahmin üretmektedir. Bu süreçte temel amaç, işlemin normal mi yoksa dolandırıcılık içerip içermediğini belirlemektir.^【4】

Makine öğrenmesi yaklaşımları genellikle denetimli öğrenme çerçevesinde ele alınmaktadır. Denetimli öğrenmede, veri seti “gerçek işlem” ve “dolandırıcılık işlemi” olarak etiketlenmiş örneklerden oluşmaktadır. Model, bu etiketli veriler üzerinden öğrenme gerçekleştirerek yeni gelen işlemleri sınıflandırmaktadır.Bu süreçte sınıflandırma algoritmaları yaygın olarak kullanılmaktadır.

Kredi kartı dolandırıcılığı tespitinde kullanılan başlıca algoritmalar arasında yapay sinir ağları, Naive Bayes, destek vektör makineleri, karar ağaçları, rastgele orman, k-en yakın komşu ve lojistik regresyon bulunmaktadır.^【5】 Yapay sinir ağları, karmaşık veri örüntülerini öğrenme kapasitesi sayesinde yüksek doğruluk oranlarına ulaşabilmektedir. Naive Bayes algoritması olasılıksal bir yaklaşım sunarken, destek vektör makineleri veri noktaları arasındaki sınırları belirleyerek sınıflandırma yapmaktadır. Karar ağaçları ve rastgele orman algoritmaları ise veri üzerinde kural tabanlı ayrımlar oluşturarak tahmin üretmektedir.

Bu algoritmalar, işlem tutarı, işlem zamanı, işlem sıklığı ve kullanıcı davranışları gibi çok sayıda değişkeni birlikte değerlendirerek normal davranış kalıplarını öğrenmektedir. Öğrenilen bu kalıplar sayesinde, alışılmışın dışında gerçekleşen işlemler “anomali” olarak değerlendirilmekte ve dolandırıcılık şüphesi taşıyan işlemler belirlenmektedir.

Makine öğrenmesi yaklaşımlarında veri ön işleme ve özellik seçimi önemli bir yer tutmaktadır. Veri setinde yer alan özniteliklerin doğru şekilde seçilmesi, model performansını doğrudan etkilemektedir. Özellikle gereksiz veya gürültülü verilerin temizlenmesi ve anlamlı özelliklerin çıkarılması, daha doğru sonuçlar elde edilmesini sağlamaktadır. Bu süreçte değişken seçimi algoritmaları ve veri dönüşüm teknikleri kullanılmaktadır.^【6】

Dolandırıcılık tespitinde tek bir algoritmanın kullanılması yerine birden fazla algoritmanın birlikte kullanıldığı yöntemler de geliştirilmiştir. Bu yaklaşımlarda farklı modellerin çıktıları birleştirilerek daha güvenilir sonuçlar elde edilmektedir. Örneğin çoğunluk oyu gibi yöntemlerle birden fazla sınıflandırıcının kararları bir araya getirilerek nihai karar verilmektedir. Bu tür yöntemler, farklı algoritmaların güçlü yönlerinden yararlanmayı amaçlamaktadır.

Bunun yanında, veri madenciliği ve çizge madenciliği teknikleri ile makine öğrenmesinin birlikte kullanıldığı çalışmalar da bulunmaktadır. Çizge madenciliği, işlemler arasındaki ilişkileri analiz ederek dolandırıcılık ağlarını ortaya çıkarmaya yardımcı olmaktadır.^【7】 Bu sayede yalnızca tekil işlemler değil, işlemler arasındaki bağlantılar da değerlendirilerek daha kapsamlı bir analiz gerçekleştirilmektedir.

Makine öğrenmesi tabanlı sistemlerin bir diğer özelliği, büyük veri ile çalışabilme kapasitesidir. Kredi kartı işlemleri yüksek hacimli veri oluşturduğundan, bu verilerin analiz edilmesi için ölçeklenebilir sistemlere ihtiyaç duyulmaktadır.^【8】 Bu nedenle bazı çalışmalarda model dağıtımı ve işlem süreçlerinde modern yazılım teknolojilerinden yararlanılmaktadır.

Makine öğrenmesi tabanlı kredi kartı dolandırıcılığı tespitinde veri setleri, modelin başarısını doğrudan etkileyen temel bileşenlerden biridir. Bu veri setleri genellikle işlem tutarı, işlem zamanı, işlem sıklığı, lokasyon bilgileri ve kullanıcı davranışlarına ilişkin çeşitli finansal göstergelerden oluşmaktadır.^【9】 Finansal işlem verilerinin büyük hacimli ve çok boyutlu yapısı, dolandırıcılık tespitinde kapsamlı analiz süreçlerini gerekli kılmaktadır.

Modelleme süreci, veri ön işleme aşaması ile başlamaktadır. Bu aşamada eksik verilerin giderilmesi, hatalı veya tutarsız kayıtların temizlenmesi ve verinin analiz edilebilir hale getirilmesi amaçlanmaktadır. Ayrıca veri setinde bulunan değişkenlerin ölçeklenmesi ve normalize edilmesi gibi işlemler de bu süreçte gerçekleştirilmektedir. Veri ön işleme, modelin doğru öğrenme yapabilmesi için kritik bir adımdır.

Veri ön işleme sürecinin ardından özellik seçimi ve özellik çıkarımı aşamaları gelmektedir. Özellik seçimi, modelin öğrenme sürecinde kullanılacak en anlamlı değişkenlerin belirlenmesini ifade etmektedir. Gereksiz veya model performansını olumsuz etkileyen değişkenlerin çıkarılması, modelin hem doğruluğunu artırmakta hem de işlem maliyetini azaltmaktadır. Bunun yanında, bazı çalışmalarda mevcut verilerden yeni özellikler türetilerek modelin daha iyi öğrenme gerçekleştirmesi sağlanmaktadır.^【10】

Model eğitimi aşamasında, seçilen makine öğrenmesi algoritmaları veri seti üzerinde eğitilmektedir. Bu süreçte veri genellikle eğitim ve test kümeleri olarak ikiye ayrılmaktadır. Eğitim verisi modelin öğrenmesini sağlarken, test verisi modelin daha önce görmediği veriler üzerindeki performansını değerlendirmek amacıyla kullanılmaktadır. Bu ayrım, modelin genelleme yeteneğini ölçmek açısından önem taşımaktadır.

Dolandırıcılık tespitinde karşılaşılan önemli problemlerden biri veri dengesizliğidir. Veri setlerinde dolandırıcılık işlemleri genellikle çok düşük bir orana sahiptir. Bu durum, modelin çoğunluk sınıfa yönelmesine neden olabilmektedir. Bu nedenle modelleme sürecinde sınıf dengesini sağlamak amacıyla çeşitli teknikler kullanılmaktadır. Bu teknikler arasında örnekleme yöntemleri ve ağırlıklandırma yaklaşımları yer almaktadır.

Model performansının değerlendirilmesi aşamasında çeşitli ölçütler kullanılmaktadır. Doğruluk oranı, modelin genel başarısını ifade ederken; kesinlik (precision), duyarlılık (recall) ve F1 skoru gibi ölçütler modelin dolandırıcılık işlemlerini ne ölçüde doğru tespit ettiğini daha ayrıntılı şekilde değerlendirmektedir. ROC-AUC metriği ise modelin sınıflandırma performansını farklı eşik değerleri üzerinden analiz etmeye olanak tanımaktadır.^【11】

Bazı çalışmalarda model performansının daha güvenilir şekilde ölçülmesi için çapraz doğrulama yöntemleri kullanılmaktadır. Bu yöntem, veri setinin farklı alt kümelere bölünerek modelin birden fazla kez test edilmesini sağlamaktadır. Böylece modelin farklı veri dağılımlarına karşı gösterdiği performans daha kapsamlı bir şekilde analiz edilmektedir.

Son olarak, modelleme sürecinde elde edilen sonuçlar doğrultusunda model iyileştirme çalışmaları yapılmaktadır. Bu aşamada algoritma parametrelerinin ayarlanması, farklı model kombinasyonlarının denenmesi ve yeni özelliklerin eklenmesi gibi işlemler gerçekleştirilerek model performansı artırılmaya çalışılmaktadır.^【12】

Makine öğrenmesi tabanlı kredi kartı dolandırıcılığı tespitinde performans değerlendirme süreci, modelin doğruluk düzeyinin ve genelleme yeteneğinin ölçülmesini amaçlamaktadır. Bu değerlendirme, kullanılan veri setinin özelliklerine, veri dağılımına ve seçilen algoritmaya bağlı olarak farklı sonuçlar ortaya koyabilmektedir.^【13】 Özellikle dolandırıcılık verilerinin dengesiz yapıda olması, performans ölçümünü daha karmaşık hale getiren temel unsurlardan biridir.

Model performansının değerlendirilmesinde en yaygın kullanılan ölçütlerden biri doğruluk oranıdır. Doğruluk, modelin tüm işlemler içerisinden doğru sınıflandırdığı işlemlerin oranını ifade etmektedir. Bununla birlikte, dolandırıcılık tespitinde yalnızca doğruluk oranı yeterli bir değerlendirme ölçütü olarak kabul edilmemektedir. Bunun nedeni, dolandırıcılık işlemlerinin veri setinde genellikle çok düşük bir orana sahip olmasıdır. Bu durum, modelin çoğunluk sınıfa yönelerek yüksek doğruluk elde etmesine rağmen dolandırıcılık işlemlerini kaçırmasına neden olabilmektedir.

Bu nedenle performans değerlendirmesinde kesinlik (precision) ve duyarlılık (recall) gibi ölçütler de kullanılmaktadır. Kesinlik, modelin dolandırıcılık olarak sınıflandırdığı işlemlerin ne kadarının gerçekten dolandırıcılık olduğunu gösterirken; duyarlılık, gerçek dolandırıcılık işlemlerinin ne kadarının doğru şekilde tespit edildiğini ifade etmektedir.^{【14】【15】} Duyarlılık değeri, özellikle dolandırıcılık tespitinde kritik öneme sahiptir; çünkü dolandırıcılık işlemlerinin gözden kaçırılması finansal kayıplara yol açabilmektedir.

F1 skoru, kesinlik ve duyarlılık değerlerinin birlikte değerlendirilmesini sağlayan bir ölçüt olarak kullanılmaktadır.[3] Bu metrik, özellikle veri dengesizliğinin bulunduğu durumlarda model performansını daha dengeli bir şekilde ölçmeye imkân tanımaktadır. Bunun yanında ROC-AUC metriği, modelin farklı eşik değerleri altında gösterdiği performansı analiz etmekte ve sınıflandırma başarısını genel bir perspektiften değerlendirmektedir.

Farklı makine öğrenmesi algoritmalarının performansları karşılaştırıldığında, bazı yöntemlerin belirli veri setlerinde daha yüksek doğruluk oranlarına ulaştığı görülmektedir. Çok katmanlı yapay sinir ağları ile yapılan çalışmalarda yüksek doğruluk değerleri elde edilirken; rastgele orman, karar ağaçları ve k-en yakın komşu algoritmalarının da benzer şekilde güçlü performans sergilediği belirlenmiştir. Bununla birlikte Naive Bayes gibi bazı algoritmaların belirli veri setlerinde daha düşük doğruluk oranlarına sahip olabildiği gözlemlenmiştir.

Performans değerlendirmesinde yalnızca doğruluk ve benzeri metrikler değil, modelin çalışma süresi ve hesaplama maliyeti gibi faktörler de dikkate alınmaktadır. Özellikle büyük veri setleri üzerinde çalışan sistemlerde, modelin eğitim süresi ve işlem maliyeti önemli bir kriter haline gelmektedir. Ayrıca modelin yorumlanabilirliği de değerlendirme sürecinde göz önünde bulundurulan bir diğer faktördür.

Model performansının daha güvenilir şekilde ölçülmesi için çapraz doğrulama yöntemleri kullanılmaktadır. Bu yöntem, veri setinin farklı alt parçalara bölünerek modelin birden fazla kez test edilmesini sağlamaktadır.^【16】 Böylece modelin farklı veri dağılımlarına karşı gösterdiği performans daha kapsamlı bir şekilde değerlendirilmektedir.

Sonuç olarak performans ve değerlendirme süreci, yalnızca modelin doğruluğunu ölçmekle sınırlı olmayıp; farklı metriklerin birlikte analiz edilmesini gerektiren çok boyutlu bir süreçtir. Bu süreçte elde edilen sonuçlar, en uygun modelin seçilmesi ve dolandırıcılık tespit sistemlerinin etkinliğinin artırılması açısından belirleyici rol oynamaktadır.

Makine öğrenmesi yöntemleri, kredi kartı dolandırıcılığı tespitinde işlem verilerinin analizine dayalı olarak geliştirilen sistematik bir yaklaşımı ifade etmektedir. Finansal işlemlerin dijital ortamlarda gerçekleştirilmesiyle birlikte ortaya çıkan yüksek veri hacmi, bu verilerin manuel yöntemlerle analiz edilmesini zorlaştırmakta; bu durum veri odaklı ve otomatik tespit sistemlerinin kullanımını gerekli kılmaktadır. Bu bağlamda makine öğrenmesi, büyük veri kümeleri üzerinde örüntülerin belirlenmesine ve anormal davranışların tespit edilmesine olanak sağlamaktadır.

Makine öğrenmesi tabanlı sistemler, geçmiş işlem verilerinden öğrenilen davranış kalıpları aracılığıyla yeni işlemleri değerlendirmekte ve olağan dışı durumları belirlemektedir. Bu sistemler, işlem zamanları, harcama alışkanlıkları ve işlem sıklığı gibi çok sayıda değişkeni birlikte analiz ederek dolandırıcılık olasılığını hesaplamaktadır.^【17】 Bu sayede dolandırıcılık faaliyetlerinin erken aşamada tespit edilmesi mümkün hale gelmektedir.

Dolandırıcılık tespitinde kullanılan farklı algoritmaların performanslarının değişkenlik göstermesi, model seçim sürecini önemli hale getirmektedir. Rastgele orman, karar ağaçları, destek vektör makineleri ve yapay sinir ağları gibi algoritmaların farklı veri setlerinde farklı sonuçlar verdiği gözlemlenmiştir. Bu nedenle model seçimi yapılırken doğruluk oranının yanı sıra duyarlılık, kesinlik ve model karmaşıklığı gibi kriterler de dikkate alınmaktadır.

Bunun yanında, tek bir algoritmaya dayalı sistemler yerine birden fazla algoritmanın birlikte kullanıldığı hibrit yaklaşımlar da geliştirilmiştir. Bu yaklaşımlar, farklı yöntemlerin güçlü yönlerini bir araya getirerek daha dengeli ve güvenilir sonuçlar elde edilmesini sağlamaktadır.^【18】 Ayrıca veri madenciliği ve çizge madenciliği gibi yöntemlerin makine öğrenmesi ile birlikte kullanılması, dolandırıcılık tespitinde daha kapsamlı analizlerin yapılmasına katkı sağlamaktadır.

Makine öğrenmesi tabanlı dolandırıcılık tespit sistemleri, yalnızca mevcut işlemleri analiz etmekle kalmayıp, değişen dolandırıcılık yöntemlerine uyum sağlayabilecek esnek bir yapı sunmaktadır. Bu sistemler, sürekli güncellenebilen modeller aracılığıyla yeni veri ile öğrenme sürecini sürdürebilmekte ve böylece değişen tehditlere karşı adaptasyon sağlayabilmektedir.

Sonuç olarak makine öğrenmesi, kredi kartı dolandırıcılığı tespitinde veri analizi, modelleme ve tahmin süreçlerini bir araya getiren bütüncül bir yaklaşım sunmaktadır. Bu yaklaşım, finansal sistemlerde güvenliğin sağlanması ve dolandırıcılık faaliyetlerinin azaltılması açısından önemli bir teknik altyapı oluşturmaktadır.