Geleceğin Denetimi: Yapay Zeka, Şifreli Finansal Verilerle Denetçi Görüşlerini Nasıl Tahmin Ediyor?
Finans dünyasında bir şirketin nabzını tutan en önemli belgelerden biri bağımsız denetim raporlarıdır. Yatırımcılar, kredi verenler ve düzenleyici kurumlar gibi tüm paydaşlar, bir şirketin finansal sağlığını ve güvenilirliğini bu raporlara bakarak değerlendirir. Peki, bu kritik raporların sonucunu, yani denetçinin görüşünü, henüz resmi süreç tamamlanmadan önce yüksek bir doğrulukla tahmin etmenin bir yolu olabilir mi?
Marmara Üniversitesi ve Agra Fintech uzmanlarının ortaklaşa yürüttüğü yeni bir akademik çalışma, bu soruya heyecan verici bir yanıt veriyor: Evet, hem de finansal verilerin gizliliğinden ödün vermeden.
Karşılaşılan Zorluklar: Veri Dengesizliği ve Gizlilik
Denetçi görüşlerini yapay zeka ile tahmin etmek, ilk bakışta göründüğü kadar basit değil. Karşılaşılan iki temel zorluk var:
- Veri Dengesizliği: Denetim raporlarında “olumsuz” veya “görüş bildirmekten kaçınma” gibi sınıflar, “olumlu” görüşlere kıyasla çok nadir görülür. Bu durum, yapay zeka modellerinin sürekli olarak çoğunluktaki “olumlu” sınıfı tahmin etmeye meyilli olmasına ve nadir ama kritik durumları gözden kaçırmasına neden olabilir.
- Veri Gizliliği: Finansal veriler son derece hassastır. Bu verileri analiz etmek için makine öğrenmesi modelleri kullanmak, veri güvenliği ve mahremiyeti konusunda ciddi endişeleri de beraberinde getirir.
Yenilikçi Çözüm: Hiyerarşik Yapay Zeka ve Şifreli Veri Analizi
Bu çalışmada araştırmacılar, bu zorlukların üstesinden gelmek için çok katmanlı ve yenilikçi bir yaklaşım benimsediler.
1. Daha Anlamlı Sınıflandırma: Hiyerarşik Model (A Aşaması)
Araştırmacılar, denetçi görüşlerini doğrudan dört ana kategoriye ayırmak yerine (B Aşaması) , daha akıllı ve aşamalı bir yöntem geliştirdiler.
- İlk Adım: Yapay zeka, gelen veriyi ilk olarak “Olumlu (Nitelikli)” ve “Diğerleri” olarak ikiye ayırıyor.
- İkinci Adım:
- Eğer veri “Olumlu” olarak sınıflandırılırsa, ikinci bir yapay zeka modeli devreye girerek bu görüşü “Olumlu ++++”, “Olumlu ++” gibi daha detaylı alt kategorilere ayırıyor ve şirketin finansal gücünün derecesini ortaya koyuyor.
- Eğer veri “Diğerleri” grubuna dahil edilirse, üçüncü bir model bu veriyi “Sınırlı Olumlu”, “Olumsuz” veya “Görüş Bildirmekten Kaçınma” olarak sınıflandırıyor.
Bu hiyerarşik yaklaşım, hem modelin doğruluğunu artırıyor hem de sonuçların daha kolay yorumlanmasını sağlıyor.
2. Dengesizliğe Karşı SMOTE Tekniği
Veri dengesizliği sorununu çözmek için nadir görülen sınıflardaki (olumsuz görüşler gibi) veri sayısını sentetik olarak artıran
SMOTE yöntemi kullanıldı. Bu sayede model, azınlık sınıflarını da etkin bir şekilde öğrenerek daha dengeli ve güvenilir tahminler yapabilir hale geldi.
3. Veri Gizliliği için Concrete ML Kütüphanesi
Çalışmanın en çarpıcı yönlerinden biri, veri gizliliğine verdiği önemdir. Araştırmacılar,
Concrete ML adlı açık kaynaklı bir kütüphane kullanarak makine öğrenmesi modellerini şifrelenmiş veriler üzerinde çalıştırdılar. Bu teknoloji, finansal verilerin içeriği asla açığa çıkmadan analiz edilmesine olanak tanıyarak mahremiyeti tamamen koruyor.
Etkileyici Sonuçlar: Yüksek Doğruluk ve Güvenli Tahminler
Peki, bu gelişmiş sistem ne kadar başarılı oldu? Sonuçlar oldukça etkileyici:
- Üstün Performans: Sınıflandırma için kullanılan XGBoost ve Random Forest gibi güçlü algoritmalar, yüksek başarı oranları elde etti. Özellikle XGBoost, düz sınıflandırma modelinde %85.9 doğruluk oranına ulaştı.
- Hiyerarşik Modelin Başarısı: Hiyerarşik modelin ilk aşamasında (Olumlu vs. Diğerleri), XGBoost algoritması %89.6 gibi dikkat çekici bir doğruluk oranına ulaştı. Bu, hiyerarşik yaklaşımın daha isabetli sonuçlar verdiğini kanıtladı.
- Gizlilik Performanstan Ödün Vermiyor: En önemlisi, Concrete ML ile şifrelenmiş veriler üzerinde çalışan modellerin performansı, şifresiz verilerle çalışan modellere göre çok az bir düşüş gösterdi. Örneğin, şifreli XGBoost modeli %89.5 doğruluk elde ederek, veri gizliliği korunurken bile yüksek performansın mümkün olduğunu gösterdi.
Bu Çalışma Neden Önemli?
Bu araştırma, denetçilere ve finansal paydaşlara resmi denetim süreci öncesinde
öngörüye dayalı, sistematik ve tarafsız bir karar destek mekanizması sunuyor. Geliştirilen bu sistem sayesinde:
- Potansiyel riskler önceden saptanabilir.
- Denetim süreçlerinde verimlilik artar.
- Yapay zeka, hassas finansal verilerin gizliliği ihlal edilmeden güvenle kullanılabilir.
Sonuç olarak, bu çalışma sadece denetim alanında değil, aynı zamanda mahremiyet koruyan yapay zeka uygulamaları için de çığır açıcı bir örnek teşkil ediyor. Gelecekte, bu tür sistemlerin finans dünyasında daha şeffaf, güvenilir ve verimli süreçlerin kapısını aralaması bekleniyor.
Gazi Üniversitesi Bilişim Teknolojileri Dergisi’de yayınlananan çalışmamızın tamamına https://dergipark.org.tr/en/pub/gazibtd/issue/93924/1708959 linkinden erişilebilir.