Kredi tahsisinde yapay zeka ve kendi modelini eğitmek

Kredi tahsisi, bankacılığın en eski ve en veri-yoğun kararıdır. Onlarca yıl boyunca bu karar, uzman yargısıyla beslenen kural tablolarına — puanlama kartlarına (scorecard) — dayandı. Bugün ise makine öğrenmesi modelleri, aynı kararı çok daha fazla değişkeni aynı anda tartarak veriyor. Ancak asıl fark tekniğin gücünde değil; modelin kimin verisiyle, hangi amaçla ve ne kadar açıklanabilir biçimde eğitildiğinde. Bir bankanın kredi zekâsı, ancak kendi portföyünün davranışını öğrendiğinde gerçek değer üretir — ve bu, veri kaynaklarını doğru kurmakla başlar.

Bu yazı iki soruyu birlikte yanıtlıyor: Kredi tahsis süreçlerinde yapay zeka nerede ve nasıl değer katar? ve bu değeri kalıcı kılmak için kendi modelinizi eğitirken hangi veri kaynaklarına, hangi sırayla ihtiyacınız olur? Türkiye'deki düzenleyici çerçeveyi (BDDK, TFRS 9, KVKK) merkeze alıyor; teoriyi değil, kurulabilir bir mimariyi anlatıyoruz.

01 · Zeminde ne değiştiKural tablosundan öğrenen modele

Klasik kredi skorlaması, çoğunlukla lojistik regresyon temelli puanlama kartlarıyla yürür: birkaç düzine değişken, ağırlıklandırılır, bir kesim skoruna göre onay/ret verilir. Bu yaklaşımın erdemi şeffaflığıdır — her değişkenin katkısı görülebilir. Sınırı ise, değişkenler arası doğrusal olmayan ilişkileri ve etkileşimleri yakalayamamasıdır.

Gradyan artırmalı ağaçlar (XGBoost, LightGBM gibi) ve sinir ağları bu sınırı aşar: yüzlerce değişkeni ve aralarındaki karmaşık örüntüleri öğrenirler. Ayrım gücü (Gini/AUC) genellikle yükselir. Bunun bedeli, kararın neden verildiğini açıklamanın zorlaşmasıdır — literatürde "kara kutu" sorunu. Düzenleyiciler tam da bu noktaya odaklanıyor: BDDK'nın 2025 sonrası gündeminde algoritmik önyargı, model riski ve açıklanabilirlik açıkça yeni risk alanları olarak tanımlanıyor.

02 · Değer haritasıKredi yaşam döngüsünde yapay zeka nerede kazandırır

Yapay zekânın kredideki değeri tek bir "onay/ret" anına sıkışmaz; kredinin bütün yaşam döngüsüne yayılır. BDDK'nın Kredi Tahsis ve İzleme Süreçlerine İlişkin Rehberi de kredinin tahsisinden canlı izlemesine kadar tüm ömrünü kapsayan bir risk yönetimi bekler. Değerin dört durağı:

• Tahsis. Temerrüt olasılığının (PD) tahmini, başvuru evrakının otomatik denetimi, mali oran analizi ve dosyanın mevzuata uygunluk kontrolü. Karar hızlanır, tutarlılık artar.
• İzleme ve erken uyarı. Canlı kredilerde davranışsal sinyallerden (hesap hareketi düzensizliği, sektörel bozulma, gecikme örüntüsü) temerrüt öncesi uyarı üretmek. Rehberin en çok vurguladığı alanlardan biri budur.
• Karşılık hesabı. TFRS 9 kapsamında beklenen kredi zararı (BKZ) — 1 Ocak 2018'den beri zorunlu — PD, temerrüt halinde kayıp (LGD) ve temerrüt anındaki risk tutarı (EAD) parametrelerine dayanır. Bu parametrelerin her biri kendi başına bir tahmin modelidir.
• Tahsilat. Sorunlu kredilerde hangi dosyaya hangi tahsilat aksiyonunun ne zaman uygulanacağını önceliklendirmek — kazanılabilir tutarı büyütür.

Nihai kredi kararı hiçbir aşamada modele devredilmez; model hazırlar, komite karar verir.

03 · Neden kendi modelinizPortföyünüzü, kimse sizin kadar tanımıyor

Hazır bir kredi skoru — örneğin bir kredi bürosu notu — değerli bir girdidir, ama tek başına bankanın kararını veremez. Çünkü her portföyün risk davranışı farklıdır: bir KOBİ bankasının müşteri tabanıyla bir tüketici finansmanı şirketininki aynı değildir. Kendi modelini eğitmek, tam da bu farkı öğrenmektir — modeli sizin gerçekleşmiş temerrütlerinizle, sizin sektör dağılımınızla, sizin teminat yapınızla kalibre etmek.

İkinci ve Türkiye özelinde belirleyici neden, veri egemenliğidir. Kredi verisi yoğun kişisel ve ticari sır taşır. KVKK verinin amaçla sınırlı ve kurum içinde işlenmesini; BDDK ise model riskinin yönetilmesini bekler. Modeli kurumun kendi altyapısında (on-premise) eğitmek ve çalıştırmak, veriyi kurum dışına çıkarmadan bu beklentileri karşılamayı mümkün kılar. Büyük dil modeli (LLM) tarafında da tablo aynı: kişisel veri içeren muhakeme, buluta gönderilmek yerine kurum içindeki yerel modelde yapılabilir.

04 · İşin özüVeri kaynakları haritası

Model kalitesini belirleyen, algoritmadan çok veridir. Türkiye'de bir kredi modelini beslerken beş ana kaynak grubuyla çalışırsınız. Her birinin erişim yolu, güncellik ihtiyacı ve mahremiyet hassasiyeti farklıdır:

Tablo 1 — Kredi modeli için beş veri kaynağı grubu ve modeldeki rolleri.

İç veri: modelin bel kemiği

En değerli veri, bankanın kendi çekirdek sistemlerindedir. Başvuru anındaki statik bilgi kadar, hesabın zaman içindeki davranışı — maaş girişi düzeni, bakiye oynaklığı, kart kullanımı, geçmiş kredilerin ödeme takvimi — güçlü öngörücülerdir. Kritik nokta: bu değişkenlerin başvuru anında mevcut olması gerekir; sonradan oluşan bilgiyi modele koymak, ilerideki bölümde değineceğimiz "veri sızıntısı" hatasını doğurur.

Kredi bürosu: bankalar arası görünürlük

1995'te dokuz bankanın ortaklığıyla kurulan Kredi Kayıt Bürosu (KKB) ve tüketiciye dönük yüzü Findeks, müşterinin tüm sistemdeki kredi davranışını görünür kılar. Bireysel Kredi Notu istatistiksel bir karar destek ürünüdür; Ticari Kredi Notu ise firmanın önümüzdeki 12 ayda geri ödeme performansını tahmin eden bir risk puanıdır. Bu veriyi bir girdi değişkeni olarak kullanmak güçlüdür — ama modelin tamamını dışarıdan bir skora bağlamak, portföye özgü öğrenmeyi feda eder.

Mali tablo ve ekstre: ticari kredinin kalbi

Ticari kredide karar, büyük ölçüde mali tabloların ve banka ekstrelerinin okunmasıyla verilir. Bu belgeler çoğunlukla PDF ve Excel olarak, standart olmayan biçimlerde gelir; doküman zekâsı (IDP) ile yapılandırılmış veriye çevrilmeleri, oran analizinin ve modele girdinin ön koşuludur. Ekstre ayrıştırma, taranmış belgelerde OCR ve tutarlılık kontrolü (örneğin bakiye devri denetimi) gerektirir.

Makro ve açık veri: ileriye dönük katman

TFRS 9, karşılık hesabının yalnız geçmişe değil, makul ve desteklenebilir ileriye dönük bilgiye de dayanmasını ister. TCMB'nin EVDS sistemi (faiz, kur, enflasyon serileri) ve TÜİK göstergeleri, hem bu forward-looking katmanı hem de senaryo analizini besler. Bu veriler kişisel veri içermez; buluttan serbestçe alınabilir.

Mevzuat verisi: muhakemenin dayanağı

Muhakeme katmanı (LLM) için bilgi tabanı, bankacılık mevzuatının kendisidir: 5411 sayılı Bankacılık Kanunu, BDDK'nın kredi tahsis ve izleme rehberleri, karşılıklar yönetmeliği ve bankanın kendi kredi politikası. Bu belgeler bir RAG kasasına (getirmeli üretim / retrieval-augmented generation) yüklenir; böylece model cevabı ezberden değil, ilgili maddeyi getirip ona atıfla üretir — ve dayanağı olmayan bilgiyi uydurmak yerine bilmediğini söyler.

05 · Görünmeyen işVeriyi modele hazırlamak

Veri kaynaklarını toplamak yarı yoldur; modelin gerçekten öğrenmesi, verinin doğru hazırlanmasına bağlıdır. En sık hata yapılan dört başlık:

1. Temerrüt etiketinin tanımı. Model neyi tahmin ediyor? "Temerrüt" tanımı (ör. 90+ gün gecikme) mevzuatla ve bankanın politikasıyla tutarlı, sabit bir tanım olmalıdır. Etiket kayarsa model anlamsızlaşır.
2. Zaman-tutarlı bölme. Eğitim/test ayrımı rastgele değil, zaman ekseninde yapılmalı: geçmiş dönemle eğit, sonraki dönemle test et. Aksi halde model geleceği "görmüş" gibi görünür, gerçek performansı abartılır.
3. Veri sızıntısı (leakage). Karar anında henüz var olmayan bir bilgiyi girdiye koymak (ör. kredinin açıldıktan sonraki hareketleri), laboratuvarda mükemmel ama sahada işe yaramayan model üretir. Her değişken "başvuru anında biliniyor muydu?" testinden geçmelidir.
4. Sınıf dengesizliği ve kalite. Temerrüt oranı düşüktür; azınlık sınıfı doğru ele alınmazsa model "herkes öder" demeyi öğrenir. Eksik/hatalı veri, tekrarlanan kayıtlar ve tutarsız kodlamalar temizlenmeden hiçbir algoritma kurtarmaz.

06 · Mimariİki katman: skorlama + muhakeme

Pratikte en sağlam kurgu, tek bir dev model değil, iki katmanın iş bölümüdür:

• Nicel skorlama katmanı. Yapılandırılmış veriyle (iç veri, büro, oranlar, makro) eğitilen PD/LGD/EAD modelleri. Sayısal, kalibre, geriye dönük test edilebilir. Bankanın veri bilimi ekibinin sahasıdır.
• Muhakeme katmanı. Yerel bir LLM, dosyayı ve mevzuat kasasını okuyarak nitel değerlendirme yapar: oran analizini yorumlar, mevzuat uygunluk kontrol listesini çalıştırır, kredi komitesine karar öneri notu taslağı hazırlar. Skorun "neden"ini insan diline çevirir.

Bu iki katman birbirini denetler: skor sayıyı verir, muhakeme katmanı bağlamı ve gerekçeyi. İkisinin üstünde ise her zaman insan onayı (human-in-the-loop) durur.

07 · SınırAçıklanabilirlik ve mevzuat

Türkiye'de bir kredi modelinin teknik başarısı, açıklanabilirliğinden ayrı düşünülemez. İki düzenleme bunu doğrudan şekillendirir:

• KVKK — otomatik karara itiraz. 6698 sayılı Kanun'un 11. maddesi, ilgili kişiye "münhasıran otomatik sistemlerle analiz edilmesi suretiyle aleyhine bir sonucun ortaya çıkmasına itiraz etme" hakkı tanır. Yani tümüyle otomatik verilen olumsuz bir kredi kararının gerekçesi gösterilebilmeli ve itiraza açık olmalıdır. (GDPR'ın 22. maddesi bunu daha da ileri götürüp kural olarak yasaklar; Türkiye'de rejim "itiraz hakkı" biçimindedir.)
• BDDK — model risk yönetimi. İç sistemler ve İSEDES çerçevesi, modelin doğrulanmasını (validation), izlenmesini, drift takibini ve kararların açıklanabilirliğini bekler. 2025-2028 stratejik planı yapay zeka kullanımına ilişkin usul ve esasların belirleneceğini işaret ediyor.

Pratik karşılığı: skorlama modellerinde SHAP gibi tekniklerle her karar için "red gerekçesi" (reason code) üretmek; muhakeme katmanında ise cevabı mevzuat maddesine atıfla vermek ve dayanağı olmayan bilgiyi uydurmamak. Uluslararası düzenleyiciler de aynı yönde: ABD'de CFPB, karmaşık kredi modellerinin her ret için bireyselleştirilmiş, spesifik gerekçe üretmesini şart koşuyor.

08 · UygulamaFinHouse yaklaşımı

Bu çerçeveyi biz FinHouse.ai'da somut bir kurguya bağladık — abartısız anlatalım. Kredi Tahsis Asistanımız, muhakeme katmanını hedefler ve şunları yapar:

• Mevzuat kasası (RAG). 5411 sayılı Kanun ve BDDK Kredi Tahsis ve İzleme Rehberi başta olmak üzere yalnız resmî kaynaklardan oluşan bir bilgi tabanı; cevaplar madde atıflı gelir, getirilen parçada olmayan bilgi uydurulmaz.
• Ekstre ve mali tablo okuma. Banka ekstresi ayrıştırma canlı olarak çalışır; yüklenen tablodan oran analizi ve mevzuat kontrol listesi üretilir.
• Karar öneri notu. Ajan, kredi komitesine bir öneri notu taslağı hazırlar — nihai kararı vermez. Bankanın kendi kredi politikası ajanın davranışına işlenir.
• Yerel çalışma. Tüm akış kurum içindeki yerel modelde işlenir; müşteri verisi buluta çıkmaz. Nicel skorlama modeli tarafında ise bankanın veri bilimi ekibiyle çalışırız — modeli biz "kutudan" dayatmayız, sizin verinizle sizin sahanızda kurulur.

Kısacası: yapay zeka kredi tahsisinde gerçek değeri, ancak bankanın kendi verisiyle kalibre edilmiş, açıklanabilir ve insan onayına bağlı olduğunda üretir. Veri kaynaklarını doğru kurmak, bu değerin ön koşuludur — ve tam da bu yüzden işe modelden değil, veriden başlanır.