Finansal Verileriniz Kasa Gibi Kilitliyken Yapay Zeka Geleceğinizi Tahmin Edebilir Mi?
Günümüzde bankalar ve finans şirketleri, kredi notumuzu belirlemek, yatırım tavsiyeleri vermek veya bir şirketin batıp batmayacağını öngörmek için yapay zekadan (AI) yararlanıyor. Bu AI modelleri ne kadar çok veriyle beslenirse o kadar isabetli sonuçlar veriyor. Peki ama bu veriler kimin? Bizim. En hassas, en özel finansal bilgilerimiz.
İşte burada büyük bir ikilem ortaya çıkıyor: Daha iyi finansal hizmetler almak için kişisel verilerimizi ne kadar paylaşmalıyız? Ya verilerimiz sızdırılırsa? İşte bu noktada, bilim kurgu filmlerinden fırlamış gibi duran bir teknoloji devreye giriyor: Homomorfik Şifreleme.
Agra Research Lab ekibinin (Ensar Yılmaz, Burak Aktürk, Didem Civelek, Tolga Büyüktanır ve Kazım Yıldız) yakın zamanda yayınladığı bir makale, bu teknolojinin finans dünyasını nasıl kökten değiştirebileceğini gözler önüne seriyor.
Sihirli Kutu: Homomorfik Şifreleme Nedir?
Basitçe anlatalım. Verilerinizi şifrelediğinizi düşünün. Normalde, bu şifrelenmiş veri üzerinde herhangi bir işlem (toplama, çarpma vb.) yapmak için önce şifreyi çözmeniz gerekir. Bu da verilerinizi bir anlığına savunmasız bırakır.
Homomorfik Şifreleme (FHE) ise bu kuralı yıkan, adeta sihirli bir teknoloji. Bu yöntemle, verileriniz şifreliyken bile üzerinde matematiksel işlemler yapabilirsiniz.
Analoji: Verilerinizi kilitli bir kutuya koyduğunuzu hayal edin. Kutuyu açmadan, özel eldivenler kullanarak kutunun içindekileri bir araya getirebilir, düzenleyebilir ve sonucunu hesaplayabilirsiniz. Kutunun kilidini açacak anahtar ise sadece sizde. İşte FHE tam olarak budur!
Araştırmacılar, bu teknolojiyi makine öğrenimi ile birleştirmek için Concrete ML adında açık kaynaklı bir kütüphane kullanmışlar. Amaçları net: Finansal veriler tamamen gizli kalırken, yapay zeka modelleri doğru tahminler yapabilir mi?
Deney: Şifreli Verilerle Finansal Çöküşü Tahmin Etmek
Ekip, bir şirketin finansal sıkıntıya girip girmeyeceğini tahmin etmek için kullanılan üç ünlü modeli (Altman Z-Skoru, L-Skoru ve Zmijewski Skoru) ele aldı.
- Eğitim: İlk olarak, Borsa İstanbul’daki halka açık şirketlerin finansal verilerini kullanarak popüler makine öğrenimi modellerini (XGBoost ve Random Forest) eğittiler. Bu aşamada veriler şifresizdi.
- Derleme: Daha sonra bu eğitilmiş modelleri, Concrete ML kütüphanesi ile “şifreli veriler üzerinde çalışabilecek” hale getirdiler.
- Test: Son olarak, yeni finansal verileri şifreleyip bu özel modellere gönderdiler ve tahmin sonuçlarını aldılar.
Peki, sonuçlar nasıldı?
Sonuçlar: Doğruluk Harika, Hız İse… Biraz Yavaş
Araştırmanın sonuçları hem çok umut verici hem de mevcut zorlukları net bir şekilde ortaya koyuyor.
İyi Haber: Şifreli Modeller Şaşırtıcı Derecede Doğru!
Şifrelenmiş verilerle çalışan modellerin tahmin başarısı, normal (şifresiz) modellerle neredeyse aynıydı. Özellikle Zmijewski Skoru tahmininde, şifreli XGBoost modeli %98’e varan bir doğruluk (R² skoru) yakaladı. Bu, FHE’nin finansal analiz gibi hassas alanlarda ne kadar güvenilir sonuçlar üretebileceğinin kanıtı.
Kötü Haber: Gizliliğin Bir Bedeli Var: Hız
En büyük fark, tahminlerin yapılma süresinde ortaya çıktı.
- Normal Model: Bir tahmini 2 saniyeden kısa sürede yaptı.
- Şifreli Model: Aynı tahmin için 845 saniyeye (yaklaşık 14 dakika) kadar beklemesi gerekti.
Bu yavaşlık, şifreli veriler üzerinde yapılan karmaşık hesaplamaların doğal bir sonucu. Ayrıca, şifreleme işlemi sırasında verilerde “kuantizasyon” adı verilen bir yuvarlama işlemi yapıldığı için hata payı (MAE değeri) normal modellere göre biraz daha yüksek çıktı.
Bu Neden Önemli? Finansın Geleceği İçin Ne Anlama Geliyor?
Bu çalışma teorik bir fantezi değil, finans sektörünün geleceğine dair somut bir adımdır.
- Tam Gizlilik: Bankanıza kredi başvurusu yaptığınızı düşünün. Gelir-gider tablonuzu bankaya göndermek yerine, şifreleyip gönderiyorsunuz. Bankanın sistemi, verilerinizi hiç görmeden kredi notunuzu hesaplıyor ve size sonucu iletiyor. Verileriniz her an güvende kalıyor.
- Yasal Uyum: KVKK ve GDPR gibi katı veri koruma yasalarına uyum sağlamayı son derece kolaylaştırır. Şirketler, müşteri verilerini işlemeden analiz edebilir, bu da yasal riskleri ortadan kaldırır.
- Güven Artışı: Kullanıcılar, verilerinin mahremiyetinin korunduğunu bildiklerinde dijital finansal hizmetleri kullanmaya daha istekli olurlar.
Elbette, şimdilik hız bir sorun. Ancak teknoloji geliştikçe bu süreler de kısalacaktır. Bu araştırma, güvenli ve gizlilik odaklı bir finansal geleceğin mümkün olduğunu kanıtlıyor. Verilerimiz hem bize özel kalabilir hem de yapay zekanın nimetlerinden faydalanabiliriz. Sihirli kutunun kapağı aralandı, içinden çıkacakları heyecanla bekliyoruz.
Yayının tam haline şu linkten erişilebilmektedir: https://www.researchgate.net/profile/Kazim-Yildiz/publication/394158128_Multi-Level_Classification_of_Audit_Opinions_Using_Ensemble_Learning_Methods_with_Encrypted_Financial_Data/links/6895f466c8f8b1083fa3a984/Multi-Level-Classification-of-Audit-Opinions-Using-Ensemble-Learning-Methods-with-Encrypted-Financial-Data.pdf