> ML_RECIPE // REALTIME-FINANCIAL-FRAUD-DETECTION_v1.0
Gerçek Zamanlı Finansal İşlem Sahtekarlık Tespiti
Kart ödemelerini ve transfer işlemlerini 10 ms altı p99 hedef SLA seviyesinde sahtekarlık açısından değerlendirerek finansal kayıpları engellemek ve haksız retleri en aza indirmek.
İş Hedefi ve Beklenen Çıktı
Kart ödemelerini ve transfer işlemlerini 10 ms altı p99 hedef SLA seviyesinde sahtekarlık açısından değerlendirerek finansal kayıpları engellemek ve haksız retleri en aza indirmek.
Must reduce false declines by >= 40% compared to legacy rules while detecting >= 95% of confirmed fraud dollar volume under SLA.
Sezgisel Temel (Heuristic Baseline)
Sabit kural motoru: 5.000 doları aşan veya kart sahibi ile satıcı IP ülkesi uyuşmayan işlemleri işaretleme.
Legacy static rules captured only 62% of fraud dollar volume with a 2.4% false decline rate.
Aşama 1: Prototip Geliştirme Yolu
Anonimleştirilmiş işlem kayıtları üzerinde sınıf ağırlıklandırma ile XGBoost eğitin. %99 geri çağırmada PR-AUC ve Yanlış Pozitif Oranını ölçün.
Aşama 2: Üretim Dağıtım Yolu
XGBoost modelini Treelite C-runtime ile derleyin. Bellek içi Redis kümesinden gerçek zamanlı öznitelikleri besleyerek durumsuz CPU servisinde 10ms altı p99 hedef SLA sağlayın.
Hesaplama ve Dağıtım Mimarisi (Placement Topologies)
Zamansal cross-validation ile CPU/GPU server cluster üzerinde günlük zamanlanmış retraining
Ödeme gateway servisiyle co-locate çalışan, stateless ve auto-scaling CPU microservice
3 Kademeli Dağıtım Seçenekleri (Placement Alternatives)
PostgreSQL özelliklerini sorgulayan ve CPU sunucusunda XGBoost çalıştıran eşzamanlı Python FastAPI servisi.
Mevcut ödeme kümesi CPU düğümlerinde derlenmiş ONNX/Treelite motorunu çağıran Go/Rust sarmalayıcısı.
Milisaniye altı erişimli Redis öznitelik deposu + durumsuz otomatik ölçeklenen CPU kümesinde derlenmiş Treelite C++ motoru (Hedef SLA: 10ms altı p99) + analist inceleme kuyruğu.
Önerilen Kütüphaneler & Araçlar
Yönetişim, Güvenceler ve Riskler
- Regüle açıklanabilirlik ve ret gerekçesi: TreeSHAP, model sonrası öznitelik önemini hesaplar ve kesinlikle yalnızca bir mühendislik yorumlanabilirlik yardımcısı olarak işlev görür, otomatik yasal uyumluluk sağlamaz. FCRA ve ECOA kapsamındaki regüle kredi kararlarında, SHAP değerleri tek başına yasal olarak geçerli olumsuz işlem (adverse action) bildirimlerini garanti etmez; kurumlar yargı alanı ve uygulanabilirlik tespiti, gerekçe kodu doğruluk testi yapmalı, resmi hukuk ve uyum incelemelerinden geçmeli ve temel gerekçelerin fiili karar faktörlerini doğru yansıttığını doğrulamalıdır. Gerçek zamanlı ödeme sahtekarlığı kontrolleri (risk puanlaması) ile tüketici kredi tahsis kararları (olumsuz işlem kredi uygunluğu) kesin olarak birbirinden ayrılmalıdır.
- İtiraz ve insan incelemesi: KVKK Madde 11 ve GDPR Madde 22 uyarınca adanmış insan inceleme kuyruğu ve itiraz iş akışı sağlayın; sınır risk puanları (0.35 - 0.70) otomatik ret yerine insan analist incelemesine yönlendirilir, böylece bireylerin insan müdahalesi talep etme ve karara itiraz etme hakkı korunur.
- PCI-DSS uyumlu tokenizasyon uygulayın; ham kart veya CVV verilerini asla ML eğitim veri setlerine dahil etmeyin.
- Adil kredi denetimi: Ayrımcılık riskini engellemek için model çıktılarını korunan kategorilerde yıllık olarak denetleyin.