Önceki
Yapay zeka, artık finansal sistemlerin arka planında çalışan bir 'destekleyici teknoloji' olmaktan çıktı. Doğrudan karar veren, aksiyon alan ve müşteri deneyimini şekillendiren bir aktöre dönüştü. Özellikle kartlı ödeme sistemleri gibi yüksek hacimli ve yüksek riskli alanlarda yapay zeka modellerinin verdiği kararların doğru olması kadar anlaşılabilir olması da kritik hale geldi. İşte bu noktada Açıklanabilir Yapay Zeka (Explainable AI – XAI) kavramı devreye giriyor. Teknoloji ve iş dünyasında hızla yaygınlaşan yapay zeka uygulamalarını ele aldığımız bu yazıda konuya doğrudan sonuçlardan değil, temel bir ihtiyaçtan yaklaşarak başlayacağız. Başta belirttiğim üzere yapay zeka sistemlerinin yalnızca doğru kararlar üretmesi artık yeterli değil. Bu kararların nasıl ve neden alındığının da anlaşılabilir olması gerekiyor. Bu çerçevede yazının ilk bölümünde Açıklanabilir Yapay Zeka (XAI) kavramının ne anlama geldiğini ele alacak, 'kara kutu' olarak nitelendirilen geleneksel yaklaşımların neden sorgulanmaya başlandığını irdeleyeceğiz. Devamında açıklanabilirliğin, kartlı ödeme sistemleri gibi yüksek riskli alanlar için neden kritik hale geldiğini, hangi sorunlara çözüm sunduğunu ve bu yaklaşımın finansal karar mekanizmalarını nasıl dönüştürdüğünü inceleyeceğiz. Yazının ilerleyen bölümlerinde ise XAI’nin somut kullanım senaryolarını, literatürdeki karşılığını ve regülasyonlar perspektifinden neden artık bir tercih değil, zorunluluk haline geldiğini ele alarak yazımızı tamamlayacağız.
Resim 1: Yapay Zeka ve Açıklanabilir Yapay Zeka
Neden Açıklanabilirlik?
Finans sektöründe kullanılan birçok modern yapay zeka modeli — özellikle derin öğrenme tabanlı olanlar — son derece başarılı sonuçlar üretmesine rağmen karar mekanizmaları çoğu zaman bir kara kutu gibi çalışır. Model doğru tahmin yapar. Ancak neden o tahmini yaptığı net değildir.
Bu durum, kartlı ödeme sistemleri özelinde önemli soruları beraberinde getirir;
- Bir işlem neden dolandırıcılık olarak işaretlendi?
- Bir müşterinin kart limiti neden düşürüldü?
- Neden belirli bir ödeme reddedildi?
Bu sorulara tatmin edici yanıtlar verilemediğinde yalnızca müşteri memnuniyeti değil; operasyonel güven, iç denetim süreçleri ve regülasyon uyumu da zedelenir. XAI, tam olarak bu boşluğu doldurur.
Resim 2: Kara Kutu Model – Açıklamalı Model
Kısa ve net olarak XAI Nedir?
Açıklanabilir Yapay Zeka, bir yapay zeka modelinin aldığı kararları, insanlar tarafından anlaşılabilir gerekçelerle açıklayabilmesini sağlayan yöntem ve yaklaşımlar bütünüdür. Amaç, modelin matematiksel karmaşıklığını gizlemek değil, bu karmaşıklığı yorumlanabilir hale getirmektir. Başka bir deyişle XAI, 'Model ne yaptı?' sorusundan çok, ‘Model neden böyle yaptı?’ sorusuna odaklanır.
Resim 3: Açıklanabilir Yapay Zeka Şeması
Kartlı Ödeme Sistemlerinde XAI Nerede Konumlanıyor?
Kartlı ödeme sistemleri, saniyede binlerce işlemin aktığı, hata toleransı düşük ve regülasyon baskısı yüksek sistemlerdir. Bu ortamda yapay zeka genellikle şu alanlarda kullanılır:
- Dolandırıcılık (fraud) tespiti
- Risk ve davranış skorlaması
- Limit belirleme ve güncelleme
- Anormal işlem desenlerinin yakalanması
Bu kullanım senaryolarının tamamında XAI, karar ile insan arasındaki köprüyü kurar.
Resim 4: Kartlı Ödeme Sistemlerinde Açıklanabilir Yapay Zeka (XAI)
Örnek 1: Dolandırıcılık Tespitinde 'Neden?' Sorusu
Bir müşterinin kartıyla yapılan işlem, sistem tarafından anında şüpheli olarak işaretlenip bloke edildiğini düşünelim. Teknik olarak model görevini başarıyla yerine getirmiştir. Ancak sahadaki gerçek soru şudur;
“Bu işlem neden dolandırıcılık olarak değerlendirildi?”
XAI kullanılan bir senaryoda sistem şu tür açıklamalar üretebilir;
- İşlem tutarının müşterinin geçmiş harcamalarına göre anormal derecede yüksek olması
- İşlemin alışılmadık bir coğrafi konumdan yapılması
- Kısa süre içinde art arda benzer denemelerin görülmesi
Bu açıklamalar;
- Risk ekiplerinin daha hızlı ve doğru karar almasını
- Müşteri hizmetlerinin müşteriye net yanıt verebilmesini
- Yanlış pozitiflerin azaltılmasını
sağlar.
Sonuçta hem operasyonel verimlilik artar hem de müşteriyle kurulan güven ilişkisi korunur.
Örnek 2: Risk Skorlaması ve Limit Kararları
Kart limitleri; yalnızca finansal risk değil, müşteri deneyimi açısından da hassas kararlardır. XAI burada iki kritik fayda sağlar;
- İç şeffaflık
Risk ekipleri, modelin hangi değişkenleri ne ölçüde dikkate aldığını görebilir.
- Dış açıklanabilirlik
Regülasyon mercileri veya denetim ekipleri için karar süreçleri izlenebilir hale gelir.
Özellikle SHAP ve LIME gibi literatürde yaygın kullanılan yöntemler, tekil bir kararın arkasındaki etkenleri sayısal ve görsel olarak ortaya koyarak bu süreci destekler.
Bilimsel Çalışmalar Ne Diyor?
Akademik literatür, XAI’nin finansal sistemlerde yalnızca 'güzel bir özellik' değil, zorunlu bir yetkinlik olduğunu açıkça ortaya koyuyor. Yapılan sistematik incelemeler, açıklanabilir modellerin;
- Güvenilirliği artırdığını
- Model hatalarının daha erken fark edilmesini sağladığını
- Regülasyon uyum süreçlerini kolaylaştırdığını gösteriyor (Černevičienė ve Kabašinskas, 2024). Benzer şekilde, finansal zaman serileri ve risk tahmini üzerine yapılan çalışmalar da XAI entegrasyonunun insan – makine iş birliğini güçlendirdiğini vurguluyor (Arsenault vd., 2018).
Regülasyon Perspektifi: 'Açıklayamıyorsan Kullanamazsın'
Avrupa Birliği başta olmak üzere birçok regülasyon çerçevesi, yapay zeka destekli kararların gerekçelendirilebilir olmasını şart koşuyor. Bu da XAI’yi yalnızca teknik ekiplerin değil; hukuk, uyum ve iş birimlerinin de gündemine taşıyor.
Kısacası; açıklanamayan bir karar, sürdürülebilir değildir.
Sonuç: XAI Bir Teknoloji Değil, Bir Yaklaşım
Kartlı ödeme sistemlerinde yapay zekanın başarısı, artık sadece doğruluk oranlarıyla ölçülmüyor. Asıl fark yaratan unsur; bu kararların insan tarafından anlaşılabilir, sorgulanabilir ve savunulabilir olması. XAI, bu anlamda bir eklenti değil; güven, şeffaflık ve sürdürülebilirlik odaklı modern finans mimarisinin temel bileşenlerinden biri. Tıpkı çevikliğin zaman içinde evrilmesi gibi, yapay zeka da artık 'daha güçlü' değil, 'daha anlaşılır' olmak zorunda.
Kaynakça
- Suriya, S., & Sireesha, R. M. (2025). Credit Card Fraud Detection using Explainable AI Methods. Journal of Information Systems Engineering and Management, 10(24s).
- Almalki, F., & Masud, M. (2025). Financial Fraud Detection Using Explainable AI and Stacking Ensemble Methods. arXiv:2505.10050.
- Unmasking Banking Fraud: Unleashing the Power of Machine Learning and Explainable AI (XAI) on Imbalanced Data. Information 2024, 15(6), 298.
- Černevičienė, J., & Kabašinskas, A. (2024). Explainable artificial intelligence (XAI) in finance: a systematic literature review. Artificial Intelligence Review, 57, 216.
- Lundberg, S. M., & Lee, S.-I. (2017). A Unified Approach to Interpreting Model Predictions.
- Ribeiro, M. T., Singh, S., & Guestrin, C. (2016). “Why Should I Trust You?” Explaining the Predictions of Any Classifier.
- Zafar, U., & Fan, W. (2025). Methodological Challenges in Explainable AI for Fraud Detection: A Systematic Literature Review.
- Jain, A., Kulkarni, R., & Lin, S. (2025). Explainable AI in Big Data Fraud Detection. arXiv:2512.16037.
- Explainable AI Models in Financial Risk Prediction: Bridging Accuracy and Interpretability in Modern Finance (2023).
- Explainable AI (XAI) Analysis Using SHAP for Credit Card Fraud (2025).
- Arsenault, P.D., Wang, S., & Patenande, J.M. (2018). A Survey of Explainable arXiv Preprint. http://arxiv.org/abs/2407.15909
- Resim 1: https://tr.linkedin.com/posts/nilg%C3%BCn-%C5%9Feng%C3%B6z-phd-12203387_a%C3%A7%C4%B1klanabilir-yapay-zeka-modeli-insan-kullan%C4%B1c%C4%B1lar%C4%B1n-activity-6972974767620411392-YovV
- Resim 2: Google Gemini
- Resim 3: https://ayyucekizrak.medium.com/a%C3%A7%C4%B1klanabilir-yapay-zeka-nedir-ve-i%CC%87htiya%C3%A7-m%C4%B1d%C4%B1r-65adef9b086
- Resim 4: Google Gemini
